Wavelet alapú előfeldolgozás deep direkt vizuális odometriánál
Az autonóm robotok témaköre jelenleg egy aktívan kutatott tudományos terület, aminek egyik fő oka a szenzorok gyors fejlődésénék köszönhető. Ahhoz, hogy különböző önvezető funkciókkal lássunk el egy autót, vagy egy drónt, elengedhetetlen a környezetet valamilyen módon feltérképezni. Egyik lehetséges módszer a szimultán lokalizáció és feltérképezés, vagy röviden SLAM (Simultaneous Localization and Mapping), melynek feladata a robot haladása során a különböző szenzoradatokból folyamatosan feltérképezni az ismeretlen területet, és ezen térképen elhelyezni a járművet. Ehhez számos szenzort alkalmaznak a szakirodalomban, köztük a Lidar szenzor, különböző kamerarendszerek (mono, sztereo), inerciális szenzorok, illetve GPS. A vizuális odometria feladata a robot poziciójának, és orientációjának meghatározása a kamera képeiből.
A konvolúciós neurális hálózatokat sikeresen alkalmazzák különböző számitógépes látórendszer feladatoknál, illetve robotikánál. Ilyen terület például az objektum detektálás, osztályozás, szemantikus szegmentáció. Ezen deep learning alapú algoritmusok felváltották a klasszikus módszereket, azonban a SLAM, és a vizuális odometria területén még nem történt meg az áttörés.
A szakirodalomban számos helyen alkalmaznak monokuláris kamerát, illetve különböző IMU, és GPS adatokat, ami jó kompromisszumot nyújt költségben és pontosságban. Az ilyen rendszerek fő kihívása a bejövő szenzoradatok hatékony fúziója, szinkronizálása, zajszűrése, illetve cél a gyors lefutás a limitált számítási kapacitás miatt.
Dolgozatomban áttekintést nyújtok ezen módszerekről, majd a wavelet transzformáció alkalmazhatóságát vizsgálom meg, amely a neurális hálózat bemenetét adja. A képeken végzett wavelet transzformáció segítségével egy tömörebb reprezentáció nyerhető, igy csökkentve a hálózat méretét. Az inerciális szenzoradatokon végzett wavelet transzformáció pedig segít a zajszűrésben, illetve az igy kapott scaleogram összefűzhető a kamera képével.
szerző
-
Dámsa Levente
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Szegletes Luca
egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék -
Dr. Blázovics László
Adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék