Detalhes bibliográficos
| Ano de defesa: |
2017 |
| Autor(a) principal: |
Segundo, Afonso Henriques Fontes Neto |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=83231
|
Resumo: |
<div style="">Atualmente, robôs móveis são capazes de realizar tarefas complexas de forma autônoma, enquanto que no passado, a interação humana era uma necessidade. Diversas áreas são beneficiadas por estes avanços, como militar, médica, espacial, entretenimento e inclusive a doméstica. Nessas aplicações, são esperados robôs móveis para realizar tarefas complicadas que requerem navegação em ambientes interiores e exteriores complexos e dinâmicos, sem qualquer intervenção humana. Para a execução de tarefas com precisão, muitas aplicações relevantes em robótica e visão computacional requerem a capacidade de adquirir modelos do ambiente e estimar a pose do robô neste modelo. Para navegar corretamente em um ambiente desconhecido, um autômato precisa saber a sua localização no mundo. Isto requer o modelo, ou mapa, do ambiente. Construir o modelo, por sua vez, requer a posição do robô, portanto ambos devem ser estimados simultaneamente. Esta técnica é chamada de SLAM (Simultaneous Localization and Mapping). De uma forma geral, algoritmos de SLAM são compostos por duas etapas principais: previsão e atualização. A primeira estima localização e mapeamento a partir dos deslocamentos de pose fornecidos pela odometria, enquanto a atualização identifica e corrige esta estimativa através da identificação de pontos de referência no ambiente (Landmarks). Um efeito sanfona é gerado devido a odometria ser um processo ruinoso, necessitando que cada previsão imprecisa seja corrigida logo em seguida. A problemática de SLAM tem sido frequentemente estudada e várias técnicas têm sido propostas para resolvê-la. Este trabalho relata a implementação de uma abordagem visual de SLAM utilizando apenas informações de uma câmera RGB-D navegando em ambiente estático. Dados de uma câmera RGB-D Kinect 360 disponibilizados ao público por Sturm (STURM et al., 2012) foram utilizados para testes e avaliação de desempenho do mesmo. Os resultados mostram que esta abordagem é viável e promissora. Palavras-chave: SLAM. Odometry. RGB-D.</div> |
