04 mai 2020
14:00 Defesa de Mestrado Integralmente a distância
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 |