Method to measure, model, and predict depth and positioning errors of RGB-D Cameras in function of distance, velocity, and vibration

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Fernandez, Luis Enrique Ortiz
Orientador(a): Gomes, Rafael Beserra
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio Grande do Norte
Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Link de acesso: https://repositorio.ufrn.br/handle/123456789/44632
Resumo: Esta tese propõe uma metodologia versátil para medir, modelar e estimar erros como a Raiz do Erro Quadrático Médio (RMSE) na profundidade e o Erro no Posicionamento Relativo (RPE) da câmera utilizando dados capturados de uma câmera RGB-D montada no topo de uma plataforma robótica móvel de baixo custo. O método proposto tem três etapas, sendo que a primeira consiste na criação de dados que expressem um ground truth, tanto para pontos 3D (mapeamento) quanto para poses de câmera (localização) mediante o uso dos novos marcadores inteligentes. A próxima etapa é a aquisição de um conjunto de dados para cálculo dos erros RMSE e RPE utilizando a plataforma móvel com câmera RGB-D. Por fim, a terceira etapa consiste em modelar e estimar os erros nas medidas de profundidade e posicionamento da câmera em função da distância, velocidade e vibração. Para este estágio de modelagem e estimação, uma abordagem simples baseada em redes neurais do tipo Perceptron Multicamadas é usada. Isso resulta em duas redes, NrmseZ para a predição do erro de profundidade e NRPE para a previsão do erro de posicionamento da câmera. Experimentos mostram que as redes NrmseZ e NRPE têm uma precisão de ± 1% e ± 2,5%, respectivamente. A metodologia proposta pode ser usada diretamente nas técnicas que requerem uma estimativa do erro dinâmico. Como por exemplo em aplicações de robótica probabilística para localização e mapeamento, usando câmeras RGB-D montadas em Veículos Aéreos Não Tripulados, Veículo Terrestre Não Tripulados e também Veículos de Superfície Não Tripulados (incluindo veleiros robóticos). Tarefas que usam sensores RGB-D, tais como monitoramento ambiental, manutenção de obras de engenharia e segurança pública, podem contar com esta abordagem para obter informações sobre o erro associado às medições da câmera (profundidade e posicionamento).