A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar
04 Mai
14:00 Defesa de Mestrado Sala 85 - IC 2
Tema
LIFT-SLAM: a deep-learning feature-based visual SLAM method
Aluno
Hudson Martins Silva Bruno
Orientador / Docente
Esther Luna Colombini
Breve resumo
O problema de localização e mapeamento simultâneos (SLAM) aborda a possibilidade de um robô se localizar em um ambiente desconhecido e, simultaneamente, criar um mapa consistente desse ambiente. Um dos principais componentes do SLAM, chamado Odometria, é responsável por estimar a localização do agente e as mudanças de posição ao longo do tempo. Recentemente, as câmeras foram usadas com êxito para obter as características do ambiente para executar SLAM e Odometria, que são chamados SLAM visual (VSLAM) e Odometria visual (VO), respectivamente. No entanto, os algoritmos clássicos de VO e VSLAM podem ser facilmente induzidos a falhar quando o movimento do robô ou o ambiente são muito desafiadores. Recentemente, novas abordagens baseadas em redes neurais profundas (DNNs) alcançaram resultados promissores em VO/VSLAM. Dessa forma, propomos combinar o potencial dos descritores de características baseados em aprendizado profundo com o VSLAM tradicional baseado em geometria, criando um novo sistema VSLAM para robôs móveis. As experiências realizadas nos conjuntos de dados KITTI e Euroc mostram que a abordagem proposta foi capaz de alcançar resultados no estado da arte.
Banca examinadora
Titulares:
Esther Luna Colombini IC/UNICAMP
Paula Dornhofer Paro Costa FEEC/UNICAMP
Paulo Lilles Jorge Drews Junior C3/FURG
Suplentes:
Hélio Pedrini IC/UNICAMP
Alexandre da Silva Simões ICTS/UNESP