Тип работы:
 Предмет:
 Язык работы:


Разработка воксельного SLAM-алгоритма с использованием плоскостей

Работа №149219

Тип работы

Бакалаврская работа

Предмет

информационные системы

Объем работы46
Год сдачи2024
Стоимость4750 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
29
Не подходит работа?

Узнай цену на написание


Введение 4
1. Постановка цели и задач 6
2. Обзор 7
2.1. Способы распознавания плоскостей 7
2.2. SLAM-алгоритмы, использующие плоскости 12
2.3. Наборы данных для оценки SLAM-алгоритмов 15
2.4. Метрики точности работы SLAM-алгоритмов 16
2.5. Инструменты для вычисления метрик 18
2.6. Вывод 19
3. Библиотека с воксельными SLAM-алгоритмами 20
3.1. Архитектура библиотеки 20
3.2. Реализация библиотеки 22
4. Экспериментальное исследование 24
4.1. Цель и вопросы эксперимента 24
4.2. Условия эксперимента 24
4.3. Исследование SLAM-алгоритмов 27
4.4. Вывод 31
5. Заключение 33
Список литературы 34
Приложение


Задачи по определению текущего местоположения, а также геометрии окружающей среды являются ключевыми для автономных
систем, ставших полноценной частью повседневной жизни человека.
Для эффективного решения этих задач и смежных с ними проблем
используются специализированные SLAM-алгоритмы. SLAM-алгоритмы
(Simultaneous Localization And Mapping) — это алгоритмы, решающие
две тесно связанные и дополняющие друг друга задачи: локализация
и построение карты. Задача локализации состоит в определении местоположения автономной системы на основе данных, полученных с
определенного типа сенсоров. На этапе построения карты выполняется дополнение и уточнение новыми извлеченными ориентирами карты,
построенной на ранних итерациях работы системы. Концепция SLAMалгоритмов заключается в том, что два этих этапа работают одновременно и зависят друг от друга: для лучшего определения местоположения нужна карта, и для большей точности карты необходимо понимание позиции автономной системы в пространстве. Оба этапа сводятся
к задаче многомерной оптимизации и последующей оценке вектора состояний, содержащего положения автономной системы и ориентиров в
среде.
Для непрерывной и эффективной работы SLAM-алгоритмы декомпозируются на две части (рис. 1): фронтенд — извлекает ориентиры из
данных, полученных с определенного вида сенсоров, а также отвечает за построение ассоциаций между ориентирами и наблюдениями; бэкенд — вычисляет местоположение автономной системы в пространстве
в каждый момент времени, а также занимается оценкой и обновлением
карты, состоящей из извлеченных ориентиров.
Источниками данных для SLAM-алгоритмов могут служить стереокамера, камера глубины или лидар (LiDAR - англ. Light Detection and
Ranging), позволяющий собирать трехмерные координаты точек (облака точек) объектов вокруг всей автономной системы.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В результате работы были решены следующие задачи.
1. Проведен обзор существующих подходов к извлечению плоскостей
из облаков точек, решений планарной SLAM-задачи, метрик, оценивающих результаты их работы, наборов данных, на которых
проводятся эксперименты.
2. Спроектирована и разработана модульная Python-библиотека3,
позволяющая разрабатывать и поддерживать различные компоненты воксельных SLAM-алгоритмов с использованием плоскостей
для запуска различных стратегий.
3. Проведено экспериментальное исследование различных стратегий
воксельных SLAM-алгоритмов с использованием плоскостей.
4. Проведено экспериментальное сравнение разработанных стратегий воксельных SLAM-алгоритмов с существующими решениями
SLAM-задачи.


[1] The 3d hough transform for plane detection in point clouds: A re¬view and a new accumulator design / Dorit Borrmann, Jan Elseberg, Kai Lingemann, Andreas Nuchter // 3D Research.— 2011.— Vol. 2, no. 2. — P. 1-13.
[2] Aijazi Ahmad Kamal, Checchin Paul, Trassoudaine Laurent. Segmen¬tation based classification of 3D urban point clouds: A super-voxel based approach with evaluation // Remote Sensing. — 2013. — Vol. 5, no. 4. — P. 1624-1650.
[3] Array programming with NumPy / Charles R. Harris, K. Jarrod Mill¬man, Stefan J. van der Walt et al. // Nature. — 2020. — September. — Vol. 585, no. 7825.— P. 357-362.— URL: https://doi.org/10. 1038/s41586-020-2649-2 (дата обращения: 22.05.2024).
[4] Autonomy NeBula. Localization Analyzer // Repository. — URL: https://github.com/NeBula-Autonomy/localization_analyzer (дата обращения: 22.05.2024).
[5] Ballard Dana H. Generalizing the Hough transform to detect arbitrary shapes // Pattern recognition. — 1981. — Vol. 13, no. 2. — P. 111-122.
[6] Besl Paul J., Jain Ramesh C. Segmentation through variable-order surface fitting // IEEE Transactions on pattern analysis and machine intelligence. — 1988. — Vol. 10, no. 2. — P. 167-192.
[7] Cai Yixi, Xu Wei, Zhang Fu. ikd-tree: An incremental kd tree for robotic applications // arXiv preprint arXiv:2102.10808. — 2021.
[8] Chehata Nesrine, David Nicolas, Bretar Frederic. LIDAR data classi¬fication using hierarchical K-means clustering // ISPRS Congress Bei¬jing 2008 / Citeseer. - Vol. 37. - 2008. - P. 325-330.
[9] Chen Jianhong, Wang Hongwei, Yang Shan. Tightly Coupled LiDAR- Inertial Odometry and Mapping for Underground Environments // Sensors. — 2023. — Vol. 23, no. 15. — P. 6834.
[10] Chum Ondrej, Matas Jiri. Optimal randomized RANSAC // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2008. — Vol. 30, no. 8. — P. 1472-1482.
[11] Chum Ondrej, Matas Jiri, Kittler Josef. Locally optimized RANSAC // Pattern Recognition: 25th DAGM Symposium, Magdeburg, Germany, September 10-12, 2003. Proceedings 25 / Springer. — 2003.— P. 236¬243.
[12] Clustering-based plane refitting of non-planar patches for voxel¬based 3D point cloud segmentation using k-means clustering / Ali Saglam, Hasan Bilgehan Makineci, Omer Kaan Baykan, Nur- dan Akhan Baykan // Traitement du Signal. — 2020.
[13] Dai Weichen. Estimation tools for visual odometry or SLAM // Repos¬itory.— URL: https://github.com/weichnn/Evaluation_Tools (дата обращения: 22.05.2024).
[14] Deschaud Jean-Emmanuel, Goulette Franqois. A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing // 3DPVT. — 2010.
[15] DurLAR: A High-fidelity 128-channel LiDAR Dataset with Panoramic Ambient and Reflectivity Imagery for Multi-modal Autonomous Driv¬ing Applications / L. Li, K.N. Ismail, H.P.H. Shum, T.P. Breckon // Proc. Int. Conf. on 3D Vision. - IEEE, 2021.-December.
[16] Efficient and probabilistic adaptive voxel mapping for accurate online lidar odometry / Chongjian Yuan, Wei Xu, Xiyuan Liu et al. // IEEE Robotics and Automation Letters. — 2022. — Vol. 7, no. 3. — P. 8518¬8525.
[17] Eustice Ryan M, Singh Hanumant, Leonard John J. Exactly sparse delayed-state filters // Proceedings of the 2005 IEEE International Conference on Robotics and Automation / IEEE. — 2005.— P. 2417¬2424.
[18] Fast-lio2: Fast direct lidar-inertial odometry / Wei Xu, Yixi Cai, Dongjiao He et al. // IEEE Transactions on Robotics. — 2022. — Vol. 38, no. 4. — P. 2053-2073.
[19] Fast planar surface 3D SLAM using LIDAR / Kruno Lenac, Andrej Ki- tanov, Robert Cupec, Ivan Petrovic // Robotics and Autonomous Sys¬tems. — 2017. — Vol. 92. — P. 197-220.
[20] Ferrer Gonzalo, Iarosh Dmitrii, Kornilova Anastasiia. Eigen-Factors an Alternating Optimization for Back-end Plane SLAM of 3D Point Clouds // arXiv preprint arXiv:2304.01055. — 2023.
[21] Fischler Martin A, Bolles Robert C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography // Communications of the ACM.— 1981.— Vol. 24, no. 6. — P. 381-395.
[22] Fuhrmann Simon, Langguth Fabian, Goesele Michael. Mve-a multi¬view reconstruction environment. // GCH. — 2014. — Vol. 3. — P. 4.
[23] Geiger Andreas, Lenz Philip, Urtasun Raquel. Are we ready for Au¬tonomous Driving? The KITTI Vision Benchmark Suite // Conference on Computer Vision and Pattern Recognition (CVPR).— 2012.
[24] GitHub. GitHubActions // Site.— URL: https://github.com/ features/actions (дата обращения: 22.05.2024).
[25] Golovinskiy Aleksey, Funkhouser Thomas. Min-cut based segmenta¬tion of point clouds // 2009 IEEE 12th International Conference on Computer Vision Workshops, ICCV Workshops / IEEE. — 2009. — P. 39-46.
[26] Gorte Ben. Segmentation of TIN-structured surface models // Inter¬national Archives of Photogrammetry Remote Sensing and Spatial In¬formation Sciences. — 2002. — Vol. 34, no. 4. — P. 465-469.
[27] Grant W Shane, Voorhies Randolph C, Itti Laurent. Finding planes in LiDAR point clouds for real-time registration // 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems / IEEE. — 2013. — P. 4347-4354.
[28] Grupp Michael. evo: Python package for the evaluation of odometry and SLAM.— 2017.— URL: https://github.com/MichaelGrupp/ evo (дата обращения: 22.05.2024).
[29] Guan Yanran (Isaac). Hough Transform for Plane Detection // Site.— URL: https://isaacguan.github.io/2018/02/28/ Hough-Transform-for-Plane-Detection/ (дата обращения: 22.05.2024).
[30] Hofmann Alexandra D, Maas Hans-Gerd, Streilein Andre. Derivation of roof types by cluster analysis in parameter spaces of airborne laser¬scanner point clouds // IAPRS International Archives of Photogram¬metry and Remote Sensing and Spatial Information Sciences. -- 2003. -¬Vol. 34, no. Part 3. -- P. W13.
[31] Horn Berthold KP. Closed-form solution of absolute orientation using unit quaternions // Josa a. — 1987. — Vol. 4, no. 4. — P. 629-642.
[32] Huang Ming, Wei Pengcheng, Liu Xianglei. An efficient encoding voxel-based segmentation (EVBS) algorithm based on fast adjacent voxel search for point cloud plane segmentation // Remote Sensing. -¬2019. —Vol. 11, no. 23. —P. 2727.
[33] Improving RANSAC for fast landmark recognition / Pablo Marquez- Neila, Jacobo Garcia Miro, Jose M Buenaposada, Luis Baumela // 2008 IEEE Computer Society Conference on Computer Vision and Pat¬tern Recognition Workshops / IEEE. — 2008. — P. 1-8.
[34] Khaloo Ali, Lattanzi David. Robust normal estimation and region growing segmentation of infrastructure 3D point cloud models // Ad¬vanced Engineering Informatics. — 2017. — Vol. 34. — P. 1-16.
[35] Kiryati Nahum, Eldar Yuval, Bruckstein Alfred M. A probabilistic Hough transform // Pattern recognition.— 1991.— Vol. 24, no. 4.— P. 303-316.
[36] LIO-GVM: an Accurate, Tightly-Coupled Lidar-Inertial Odometry with Gaussian Voxel Map / Xingyu Ji, Shenghai Yuan, Pengyu Yin, Lihua Xie // arXiv preprint arXiv:2306.17436. — 2023.
[37] Large-scale LiDAR SLAM with factor graph optimization on high-level geometric features / Krzysztof Cwian, Michal R Nowicki, Jan Wi- etrzykowski, Piotr Skrzypczynski // Sensors.-- 2021.-- Vol. 21, no. 10. - P. 3445.
[38] Li Minglei, Sun Changming. Refinement of LiDAR point clouds using a super voxel based approach // ISPRS Journal of Photogrammetry and Remote Sensing. — 2018. — Vol. 143. — P. 213-221.
[39] Liu Zheng, Liu Xiyuan, Zhang Fu. Efficient and consistent bundle adjustment on Lidar point clouds // IEEE Transactions on Robotics. — 2023.
[40] Liu Zheng, Zhang Fu. Balm: Bundle adjustment for lidar mapping // IEEE Robotics and Automation Letters.— 2021.— Vol. 6, no. 2.— P. 3184-3191.
[41] Llol: Low-latency odometry for spinning lidars / Chao Qu, Shreyas S Shivakumar, Wenxin Liu, Camillo J Taylor // 2022 Inter¬national Conference on Robotics and Automation (ICRA) / IEEE. — 2022. - P. 4149-4155.
[42] Matas Jiri, Chum Ondrej. Randomized RANSAC with sequential prob¬ability ratio test // Tenth IEEE International Conference on Computer Vision (ICCV’05) Volume 1 / IEEE. - Vol. 2. - 2005. - P. 1727-1732.
[43] Matasyx J, Kittlery C Galambosyand J. Progressive probabilistic hough transform // Proceedings of the British Machine Vision Con¬ference, Southampton, UK.— 1998. — P. 14-17.
[44] Measuring robustness of Visual SLAM / David Prokhorov, Dmitry Zhukov, Olga Barinova et al. // 2019 16th International Confer¬ence on Machine Vision Applications (MVA) / IEEE. — 2019. — P. 1-6.
[45] Mendes Ellon, Koch Pierrick, Lacroix Simon. ICP-based pose-graph SLAM // 2016 IEEE International Symposium on Safety, Security, and Rescue Robotics (SSRR) / IEEE. - 2016. - P. 195-200.
[46] Zhang Lintong, Camurri Marco, Wisth David, Fallon Maurice. Multi¬Camera LiDAR Inertial Extension to the Newer College Dataset. —
2021. — 2112.08854.
[47] Octree-based region growing for point cloud segmentation / Anh- Vu Vo, Linh Truong-Hong, Debra F Laefer, Michela Bertolotto // IS- PRS Journal of Photogrammetry and Remote Sensing. — 2015. — Vol. 104. — P. 88-100.
[48] On bundle adjustment for multiview point cloud registration / Huaiyang Huang, Yuxiang Sun, Jin Wu et al. // IEEE Robotics and Automation Letters. — 2021. — Vol. 6, no. 4. — P. 8269-8276.
[49] Panoptic nuScenes: A Large-Scale Benchmark for LiDAR Panoptic Segmentation and Tracking / Whye Kit Fong, Rohit Mohan, Juana Va¬leria Hurtado et al. // arXiv preprint arXiv:2109.03805. — 2021.

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.