26 jun 2023
14:00 Defesa de Mestrado Auditório do IC3
Tema
SLAM Visual e Odometria Visual Com Filtragem De Objetos Dinâmicos Baseada Em Semântica
Aluno
Leonardo Rezende Costa
Orientador / Docente
Esther Luna Colombini
Breve resumo
Para que um robô possa realizar tarefas específicas, um bom entendimento da sua própria localização é necessário. Localização e Mapeamento Simultâneos (do inglês Simultaneos Localization and Mapping - SLAM) e Odometria Visual (do inglês Visual Odometry - VO) são campos essenciais da robótica que buscam alcançar este entendimento ao fazer com que robôs explorem o ambiente enquanto calculam informações sobre o seu próprio posicionamento em tempo real, e no caso de SLAM, durante a construção do mapa. Câmeras tem sido usadas como principal sensor para realização de SLAM no contexto de SLAM Visual e Odometria Visual. Entretanto, entidades dinâmicas presentes no ambiente ainda representam um problema de estimativa de pose, especialmente quando muitos objetos dinâmicos compoem a cena capturada pela câmera ao mesmo tempo. Para resolver este problema, informação semântica pode ser extraída para identificar entidades móveis e as remover da estimativa de pose e do mapa. Este trabalho apresenta um módulo de segmentação semântica para excluir pontos característicos de objetos dinâmicos durante o processo de V-SLAM e VO. Foram testadas quatro abordagens para extração de informação semântica: YOLOv3 para detecção de objetos, DeepLabv3 (com duas variações de arquitetura) para segmentação semântica e Mask R-CNN para segmentação de instâncias. Para avaliação do módulo, o trabalho ORB-SLAM2 foi usado como base e o sistema foi testado nas sequências 00 a 10 do KITTI dataset, assim como uma sequência própria construída no simulador AirSim e duas sequências do dataset TUM.
Banca examinadora
Titulares:
Esther Luna Colombini IC/UNICAMP
Paulo Fernando Ferreira Rosa COMP/IME
Anderson Anjos da Silva IC/UNICAMP
Suplentes:
Eric Rohmer FEEC/UNICAMP
Flavio Tonidandel DCC/FEI