📄Работа №126734
Тема: Детекция и ассоциация линий на RGB-изображениях для SLAM-алгоритмов
Тип работы
Бакалаврская работа
Предмет
Информационные системы
Объем:
38 листов
Год:
2023
Просмотров:
63
4275
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Постановка цели и задач 5
2. Обзор 6
2.1. Алгоритмы детекции линий 6
2.2. Алгоритмы ассоциации линий 9
2.3. Системы SLAM, использующие линии 12
2.4. Метрики 13
2.5. Наборы данных 17
2.6. Вывод 18
3. Наборы данных 19
3.1. Выбор датасетов 19
3.2. Процесс разметки линий 19
3.3. Постобработка данных 20
4. Унификация запуска алгоритмов детекции и ассоциации линий 21
5. Библиотека с метриками детекции и ассоциации линий 22
5.1. Использованные инструменты 22
5.2. Архитектура 23
5.3. Особенности реализации 23
6. Экспериментальное исследование 25
6.1. Цель и вопросы эксперимента 25
6.2. Условия эксперимента 25
6.3. Исследование детекторов 27
6.4. Исследование ассоциаторов 28
6.5. Исследование пар «детектор-ассоциатор» 29
6.6. Вывод 30
Заключение 31
Список литературы 32
Приложение А 41
1. Постановка цели и задач 5
2. Обзор 6
2.1. Алгоритмы детекции линий 6
2.2. Алгоритмы ассоциации линий 9
2.3. Системы SLAM, использующие линии 12
2.4. Метрики 13
2.5. Наборы данных 17
2.6. Вывод 18
3. Наборы данных 19
3.1. Выбор датасетов 19
3.2. Процесс разметки линий 19
3.3. Постобработка данных 20
4. Унификация запуска алгоритмов детекции и ассоциации линий 21
5. Библиотека с метриками детекции и ассоциации линий 22
5.1. Использованные инструменты 22
5.2. Архитектура 23
5.3. Особенности реализации 23
6. Экспериментальное исследование 25
6.1. Цель и вопросы эксперимента 25
6.2. Условия эксперимента 25
6.3. Исследование детекторов 27
6.4. Исследование ассоциаторов 28
6.5. Исследование пар «детектор-ассоциатор» 29
6.6. Вывод 30
Заключение 31
Список литературы 32
Приложение А 41
📖 Введение
Распознавание объектов, выделяющихся на изображениях (так называемых ориентиров), является важной частью различных алгоритмов компьютерного зрения. Так, ориентиры активно используются в системах одновременной локализации и построения карты (Simultaneous Localization And Mapping, SLAM) — программно-аппаратных комплексах, позволяющих автономному роботу определять свое местоположение в неизвестном окружении, при этом формируя для него карту. При помощи выявления ориентиров (задача детекции) и определения одних и тех же ориентиров на последовательных изображениях (задача ассоциации) можно оценивать траекторию движения системы и, как следствие, уточнять карту окружения и местоположение робота.
Точки являются наиболее популярными ориентирами в системах одновременной локализации и построения карты. Согласно исследованиям [65, 61], многие SLAM- технологии, основанные на точках (например, ORB-SLAM2 [57]), работают эффективно в условиях большого количества уникальных, ярко выраженных ориентиров. В то же время они часто выдают неточные результаты в окружениях с однотонными текстурами. Последние, однако, зачастую содержат большое количество структурных объектов — плоскостей и линий — использование которых может существенно улучшить распознавание геометрии сцены и, как следствие, увеличить точность и устойчивость оценки траектории движения автономной системы. Поэтому в настоящее время началось активное применение таких ориентиров в SLAM-технологиях.
На данный момент подавляющее большинство систем одновременной локализации и построения карты, использующих линии, [62, 61, 93, 65, 76, 99] применяют для детекции алгоритм LSD [94] или его модификации, а для ассоциации — LBD [94] или его вариации. Указанные алгоритмы обеспечивают требуемое быстродействие, однако за последние годы появилось множество детекторов [19, 82, 83, 47, 25, 79] и ассоциаторов [92, 50, 34, 84, 89, 67] линий, которые, согласно экспериментам авторов, имеют лучшее качество распознавания геометрии сцены при сравнимой производительности.
Выбрать оптимальные алгоритмы для использования в системе одновременной локализации и построения карты проблематично во многом из-за отсутствия универ-сального бенчмарка (метрик и наборов данных) для оценки качества детекции и ассоциации, включающего их тестирование на популярных SLAM-последовательностях. Наличие такого бенчмарка позволит эффективно сравнивать новые алгоритмы с уже существующими, а также выбирать подходящие SLAM-алгоритмы для конкретного окружения.
Таким образом, является актуальной проблема оценки алгоритмов детекции и ассоциации линий для использования в SLAM-системах, которая и будет исследована в рамках данной работы.
1. Постановка цели и задач
Целью работы является реализация бенчмарка для оценки качества и производительности алгоритмов детекции и ассоциации линий в задаче SLAM и сравнение с его помощью существующих алгоритмов. Для достижения цели были поставлены следующие задачи.
1. Провести обзор существующих алгоритмов детекции и ассоциации линий, метрик, а также собрать статистику их использования в SLAM-системах.
2. Подготовить наборы данных, основанные на популярных SLAM- последовательностях и пригодные для оценки детекторов и ассоциаторов линий.
3. Предложить формат унифицированного запуска алгоритмов и реализовать его для рассмотренных алгоритмов.
4. Реализовать библиотеку с метриками детекции и ассоциации линий.
5. Провести экспериментальное исследование существующих алгоритмов детекции и ассоциации линий.
Точки являются наиболее популярными ориентирами в системах одновременной локализации и построения карты. Согласно исследованиям [65, 61], многие SLAM- технологии, основанные на точках (например, ORB-SLAM2 [57]), работают эффективно в условиях большого количества уникальных, ярко выраженных ориентиров. В то же время они часто выдают неточные результаты в окружениях с однотонными текстурами. Последние, однако, зачастую содержат большое количество структурных объектов — плоскостей и линий — использование которых может существенно улучшить распознавание геометрии сцены и, как следствие, увеличить точность и устойчивость оценки траектории движения автономной системы. Поэтому в настоящее время началось активное применение таких ориентиров в SLAM-технологиях.
На данный момент подавляющее большинство систем одновременной локализации и построения карты, использующих линии, [62, 61, 93, 65, 76, 99] применяют для детекции алгоритм LSD [94] или его модификации, а для ассоциации — LBD [94] или его вариации. Указанные алгоритмы обеспечивают требуемое быстродействие, однако за последние годы появилось множество детекторов [19, 82, 83, 47, 25, 79] и ассоциаторов [92, 50, 34, 84, 89, 67] линий, которые, согласно экспериментам авторов, имеют лучшее качество распознавания геометрии сцены при сравнимой производительности.
Выбрать оптимальные алгоритмы для использования в системе одновременной локализации и построения карты проблематично во многом из-за отсутствия универ-сального бенчмарка (метрик и наборов данных) для оценки качества детекции и ассоциации, включающего их тестирование на популярных SLAM-последовательностях. Наличие такого бенчмарка позволит эффективно сравнивать новые алгоритмы с уже существующими, а также выбирать подходящие SLAM-алгоритмы для конкретного окружения.
Таким образом, является актуальной проблема оценки алгоритмов детекции и ассоциации линий для использования в SLAM-системах, которая и будет исследована в рамках данной работы.
1. Постановка цели и задач
Целью работы является реализация бенчмарка для оценки качества и производительности алгоритмов детекции и ассоциации линий в задаче SLAM и сравнение с его помощью существующих алгоритмов. Для достижения цели были поставлены следующие задачи.
1. Провести обзор существующих алгоритмов детекции и ассоциации линий, метрик, а также собрать статистику их использования в SLAM-системах.
2. Подготовить наборы данных, основанные на популярных SLAM- последовательностях и пригодные для оценки детекторов и ассоциаторов линий.
3. Предложить формат унифицированного запуска алгоритмов и реализовать его для рассмотренных алгоритмов.
4. Реализовать библиотеку с метриками детекции и ассоциации линий.
5. Провести экспериментальное исследование существующих алгоритмов детекции и ассоциации линий.
✅ Заключение
При выполнении данной работы были достигнуты следующие результаты.
1. В рамках обзора было рассмотрено более 120 алгоритмов детекции и ассоциации линий, выбраны метрики для их оценки, а также на основании собранной статистики были выявлены наиболее популярные в SLAM-системах детекторы и ассоциаторы.
2. Были подготовлены наборы данных для тестирования детекторов и ассоциаторов (с привлечением обученного специалиста и инструмента CVAT), включающие аннотации линий и основанные на популярных SLAM-последовательностях.
3. Предложен формат унифицированного запуска алгоритмов детекции и ассоциации, с его помощью поддержано 20 детекторов и 5 ассоциаторов линий, имеющих открытую реализацию.
4. Реализована библиотека с метриками детекции и ассоциации линий (язык Python) . Для библиотеки реализован набор модульных тестов, а также создана система непрерывной интеграции при помощи GitHub Actions.
5. Проведено экспериментальное исследование адаптированных алгоритмов детекции и ассоциации линий. Установлено, что комбинация нейросетевого ассоциатора LineTR и традиционного детектора LSD позволяет достичь наименьшего значения ошибки относительной позы (Relative Pose Error) среди прочих комбинаций детекторов и ассоциаторов.
6. Материалы работы вошли в статью для конференции 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems.
1. В рамках обзора было рассмотрено более 120 алгоритмов детекции и ассоциации линий, выбраны метрики для их оценки, а также на основании собранной статистики были выявлены наиболее популярные в SLAM-системах детекторы и ассоциаторы.
2. Были подготовлены наборы данных для тестирования детекторов и ассоциаторов (с привлечением обученного специалиста и инструмента CVAT), включающие аннотации линий и основанные на популярных SLAM-последовательностях.
3. Предложен формат унифицированного запуска алгоритмов детекции и ассоциации, с его помощью поддержано 20 детекторов и 5 ассоциаторов линий, имеющих открытую реализацию.
4. Реализована библиотека с метриками детекции и ассоциации линий (язык Python) . Для библиотеки реализован набор модульных тестов, а также создана система непрерывной интеграции при помощи GitHub Actions.
5. Проведено экспериментальное исследование адаптированных алгоритмов детекции и ассоциации линий. Установлено, что комбинация нейросетевого ассоциатора LineTR и традиционного детектора LSD позволяет достичь наименьшего значения ошибки относительной позы (Relative Pose Error) среди прочих комбинаций детекторов и ассоциаторов.
6. Материалы работы вошли в статью для конференции 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.