مكانيابي و نقشه برداري همزمان محيط داخلي توسط ربات پرنده مبتني بر بهينه سازي زمان-واقعي

A real time optimization-based SLAM for indoor UAV flying robots

مكان يابي و نقشه برداري همزمان مبتني بر بينايي در محيط هاي بدون GPS و داخل ساختمان يكي از نيازمندي هاي مهم براي ناوبري ربات مي باشد. يكي از چالش هاي مهم براي پياده سازي زمان-واقعي، قدرت پردازش محدود بر روي ربات هاي پرنده كوچك است. در اين مقاله روشي براي حل اين مساله پيشنهاد شده است كه با استفاده از تكنيك متعادل سازي هيستوگرام و ارزياب كيفيت فضايي تصوير بدون مرجع (BRISQUE) ، باعث بهبود فريم هاي RGB مي شود و با استفاده از تكنيك نقشه برداري مبتني بر ظاهر زمان-واقعي (RTAB-Map) و مجموعه داده هاي استاندارد، به ارزيابي آن پرداخته شده است. مساله بصورت پيكربندي گراف بيان شده و با استفاده از رويكرد لونبرگ-ماركارت بهينه مي شود. نتايج حاصله بر روي ديتاست آنلاين و آزمايش بر روي ربات پرنده طراحي شده نشانگر كاهش خطاي مطلق انتقالي با توجه به مرجع راستي آزمايي موجود است. همچنين دقت و قدرت روش پيشنهادي نسبت به شرايط محيطي و نويز سيستم به ميزان حداقل 17 درصد بهبود يافته است.

Vision-based simultaneous localization and mapping in GPS-denied and indoor environments is one of the most important requirements for robot navigation. One of the major challenges to real-time implementation is the limited processing power on small flying robots. In this article, a method for enhancing RGB frames using histogram equalization and blind/reference less image spatial quality evaluator is presented. Some publicly available RGB-D dataset are employed to evaluate the proposed technique with our hybrid method using real-time appearance-based mapping. The problem is expressed as a graph configuration and is optimized using the Levenberg-Marquardt optimization approach. The results of evaluation on online data sets and experiments using designed flying robot indicate reduction in absolute translational error in comparison with the ground truth. Also, the accuracy and robustness of the proposed method have improved at least 17% with respect to environmental conditions and system noise.