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). |
