a line-based approach to slam using monocular vision · para resolver os problemas de percepção...
TRANSCRIPT
Abstract— This work purposes a line-based approach to the
SLAM problem using planar information. The solution presented is based on Extended Kalman Filter, in Hough transform and in use of a homographic matrix to perform the image-world mapping . The proposed model allows the use of line features directly in the Kalman equations without additional intermediate calculations and startup delayed initialization, same images being obtained from a single camera. Results with a real robot are presented to validate the proposal.
Keywords— SLAM, Kalman Filter, Hough Transform, Monocular Vision.
I. INTRODUÇÃO
TERMO SLAM é indicado como uma abreviatura para Localização e Mapeamento Simultâneo e foi
originalmente proposto por Leonard & Durrant-Whyte [27] com base em trabalhos anteriores de Smith et al. [31].
No problema de SLAM, um robô móvel usa seus sensores para explorar o ambiente, ganha conhecimento sobre ele, interpreta o cenário, constrói um mapa adequado e, em seguida, calcula a sua posição relativa usando o mapa que está sendo criado. Os mapas podem ser representados de várias maneiras, tais como grades de ocupação e mapas de características. Estamos interessados na segunda forma de representação. Maiores detalhes teóricos sobre SLAM pode ser encontrado em Durrant & Bailey [12], [13].
Um atributo essencial para autonomia de robôs é uma percepção confiável do mundo. Além da confiabilidade, para a aceitação generalizada de aplicações, é necessário que as tecnologias utilizadas proporcionem uma solução com preço acessível, ou seja, que os componentes utilizados sejam de baixo custo. Uma solução é utilizar sensores óticos nos robôs para resolver os problemas de percepção do ambiente.
Devido à utilização maciça de câmeras digitais pessoais, câmeras em computadores e celulares, o preço do sensor de imagem diminuiu significativamente e os fez muito atraentes. Além disso, as câmeras podem ser usadas para resolver uma série de problemas-chave na robótica e em outras operações automatizadas, pois fornecem uma variedade muito grande de
A. M. Santana, Universidade Federal do Piauí, Teresina, PI. Brasil,
[email protected] A. A. D. Medeiros, Universidade Federal do Rio Grande do Norte, Natal,
RN. Brasil, [email protected]
informação do ambiente, consomem pouca energia e são facilmente integradas ao hardware do robô.
O objetivo principal é tirar proveito deste poderoso e barato sensor e criar algoritmos confiáveis e eficazes que possam extrair as informações necessárias para a resolução de problemas na robótica. Quando câmeras são usadas como sensor principal de um robô para resolver problemas de SLAM, a literatura usa o termo Visual SLAM, ou VSLAM, para designar este processo. Seus principais desafios são:
a) como detectar características em imagens; b) como reconhecer que uma característica detectada é ou
não a mesma que uma detectada previamente; c) como decidir se uma nova característica detectada será
ou não adotada como uma nova marca; d) como calcular a posição 3D de marcas a partir de
imagens 2D; e e) como estimar a incerteza associada com os valores
calculados. Em geral, todos esses aspectos devem ser resolvidos. No
entanto, em situações especiais, é possível desenvolver estratégias específicas para superar todos os esses problemas. O sistema que será apresentado mostra uma técnica de visual SLAM para ambientes planos e com linhas no chão. Esta não é uma condição muito limitante, pois muitos ambientes, como universidades, shoppings, museus, hospitais, casas e aeroportos, por exemplo, possuem linhas como componentes do piso.
O algoritmo usado neste trabalho é baseado no Filtro de Kalman Estendido (FKE), de modo a permitir que o robô navegue no ambiente fundindo informações de odometria e de processamento de imagem. O processamento de imagem identifica linhas no chão usando Transformada de Hough e suas características são utilizadas como marcos do ambiente.
A fase de predição do filtro é feita usando o modelo geométrico do robô e a fase de atualização usa os parâmetros das linhas detectadas por Hough diretamente nas equações de Kalman, sem qualquer etapa de cálculo intermédio.
Usando linhas existentes como marcas, a complexidade total do SLAM é reduzida:
a) linhas podem ser facilmente detectadas em imagens; b) linhas no chão são geralmente igualmente bem
espaçadas, então a possibilidade de confusão é reduzida;
A. M. Santana and A. A. D. Medeiros
A Line-Based Approach to Slam Using Monocular Vision
O
IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011 231
c) como o número de linhas na imagem não é tão grande, cada nova linha detectada pode ser definida como uma nova marca;
d) um chão plano é uma superfície 2D e assim existe uma matriz de conversão constante e fácil de calcular (uma homografia) entre o plano da imagem e o plano do chão, sem incertezas a respeito da informação 3D de profundidade dos pontos; e
e) depois do processamento, o número de pixels na imagem que pertencem à linha é uma boa medida de confiança da marca detectada.
II. TRABALHOS RELACIONADOS
Recentes extensões ao problema geral de SLAM mostram a
possibilidade de usar câmera em vez de sonar ou laser. Exemplos são os trabalhos de Davison et al. [11], Jung [23] e Herath et al. [20], utilizando visão estéreo, bem como os estudos realizados por Davison et al. [10] e Kwok et al. [24], utilizando uma única câmara.
Mansinghka [28] apresenta um visual SLAM para ambientes dinâmicos utilizando transformada SIFT e fluxo ótico. Estrada et al. [14] propõem um método de mapeamento hierárquico que permite obter mapas métricos precisos de grandes ambientes em tempo real. O nível inferior do mapa é composto por um conjunto de mapas locais que são estatisticamente independentes. A parte superior do mapa é um grafo de adjacência cujos arcos são rotulados com a relação entre a localização dos mapas locais e uma estimativa relativa destes mapas é mantida nesse nível em uma relação estocástica. A principal vantagem desta abordagem é ser bastante precisa para o problema de loop-close.
Uma solução utilizando informações geométricas do ambiente é apresentada por Chen [4]. Ele comenta que a redundância em SLAM pode reforçar a confiabilidade e precisão das características observadas e por isso as primitivas geométricas comuns em ambientes internos, linhas e quadrados, por exemplo, são incorporadas em um filtro de Kalman estendido para elevar o nível de conhecimento da característica observada.
Frintrop et al. [15] introduzem um novo método para detectar marcos que consiste em um sistema de atenção biologicamente inspirado para detectar regiões contrastantes na imagem. Essa abordagem faz com que regiões sejam facilmente re-detectadas e, por conseguinte, apresente maior facilidade de correspondência.
Dailey & Parnichkun [9] utilizam visão estéreo para um visual SLAM baseado em filtro de partículas. Choi et al. [6] mostram uma abordagem fundido informações de sonares com visão estéreo usando filtro de Kalman estendido.
Reconhecimento automático e registro de objetos como marcos visuais é proposto por Lee & Song [25]. Neste, transformada SIFT e algoritmos de contorno são utilizados para distinguir objetos do fundo da imagem. Quando objetos são detectados e são considerados adequados para a navegação do robô, eles são armazenados e posteriormente podem ser utilizados para corrigir sua pose.
Clemente et al. [8] demonstraram pela primeira vez que SLAM com uma única câmera fornecendo dados de entrada pode atingir larga escala ao ar livre funcionando em tempo real. Eles utilizam inversão de profundidade e mapas hierárquicos no experimento.
Jing Wu & Zhang [22] apresentam um trabalho sobre modelagem de câmera para visual SLAM. O foco deste trabalho é sobre como modelar a incerteza do sensor ótico e como construir os componentes probabilísticos do modelo. Tendo o componente determinístico do processo de calibração da câmera, parâmetros intrínsecos, eles são utilizados para re-projeção do erro. Os erros são então encontrados de acordo com uma distribuição Gaussiana bivariada e a medição da covariância pode ser calculada quando as características estão a diferentes distâncias da câmera.
Estudos recentes em VSLAM mostram como obter informação de profundidade a partir de uma única câmera. Como exemplo tem-se o trabalho de Civera et al. [7]. Hafez et al. [21] também apresentam uma proposta para estimar profundidade e funcionar em tempo real baseada na otimização da técnica de triangulação.
Gee et al. [18] mostram mecanismos para descobrir e, em seguida, incorporar alto nível de estrutura, tais como linhas e superfícies, no mapa do visual SLAM.
Lemaire & Lacroix [26] propõem a utilização de linhas 3D como marcos. Eles comentam que existem algumas vantagens em utilizar linhas 3D: essas primitivas são muito numerosas nos ambientes indoor e, ao contrário do mapa de pontos esparsos, que só são úteis para fins localização, um mapa de segmentos relevantes dá informações sobre a estrutura do ambiente.
Também utilizando linhas, no caso verticais, Fu et al. [16] apresentam um trabalho de fusão de informações de laser e câmera em um filtro de Kalman estendido. Neste trabalho as linhas são extraídas da imagem utilizando detector Canny. Ahn et al. [1] mostram uma estratégia de construção de mapa híbrido para SLAM indoor utilizando pontos 3D e linhas.
A literatura mostra trabalhos recentes utilizando retas [2], [29], [34]. Wongphati et al. [33] implementam fast-SLAM usando retas verticais identificadas por um sistema de visão ominidirecional. Fu & Yang [17] também apresentam uma abordagem utilizando retas para SLAM indoor.
Nossa abordagem difere dos últimos trabalhos apresentados nesta seção por usar linhas 2D do ambiente como marcos. As linhas são extraídas da imagem pela Transformada de Hough e são mapeadas para o plano do robô através da utilização de uma matriz de homografia. Os parâmetros de Hough, ρ e α, que representam as características de cada reta são usadas nas equações Kalman sem nenhum cálculo intermediário de distância ou posição.
É importante comentar que o uso de linhas para ambientes indoor é vantajoso, pois uma pequena quantidade de marcos são necessários para descrever o ambiente e, além disso, utilizar o princípio de que elas estão no mesmo plano fornece informação rica e precisa sobre suas características.
232 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011
SLlinFiroodexidpre linKap
seTa
es
coap
prco
O sistema pr
LAM visual anhas presentesiltro de Kalmaobô navegue edometria e de xistentes no dentificadas uredição do FKa fase de at
nhas detectadKalman sem cpresenta o resu
a) Filtro de K O Filtro de
egundo o Sisabela I. Os sin
A cada perío
stimativa do v - fase de pre
orrente baseadplicados;
- fase de atredição do esom as medidas
Σ onde, , , , ,
DESCRIÇÃ
III. SISTE
roposto neste tadequada para s no chão. O an Estendido (m um ambienprocessamentchão são u
usando a tranKE é feita usantualização usadas por Hougcálculos adiciumo da propos
Kalman Estendid
Kalman Estestema (1), cunais εt e δt são , , odo de amostetor de estado
edição: usa o Sdo no estado
tualização: ustado pela vers atuais dos se, , 0
, ,
TAÃO DOS SÍMBOL
EMA PROPOSTO
trabalho apresambientes plaalgoritmo uti
(FKE) de modnte plano fundito de imagemutilizadas comsformada de ndo o modelo a diretamente gh diretamentionais intermsta.
do - FKE
endido trabalhujas variáveiruídos gaussia
tragem, o FKos em duas fas
Sistema (2) paanterior e no
sa o Sistema rificação de s
ensores.
,
,
ABELA I LOS DOS SISTEM
O
senta uma técnanos e fechadolizado é basea
do a permitir qindo informaç
m. As linhas mo marcosHough. A fageométrico dos parâmetro
te nas equaçõmediários. A
ha com um ms são descritanos de média
KE calcula a mes:
ara predizer o os sinais de e
(3) para corsua compatib
MAS (1), (2) E (3
nica de os com ado no que um ções de pré-e são
fase de do robô os das ões de Fig. 1
modelo tas na a zero.
(1)
melhor
estado entrada
rrigir a ilidade
(2)
(3)
(4)
(5)
(6)
)
Σ
Figur
N
tambencotaiscaraveto
Q
dimcres
b)
.
. , Σ , Σ
vetor dmodelsinais ruído dvetor dmodelruído dmédia da fasematrizmatrizprocesmatrizprocesmatrizmatrizsensor
matriz
ra 1. Sistema Pro
Na tarefa de bém são estimontradas pelo
característicaacterísticas door de estados é Quando o númmensão do vetosce quando um) Fase de Pred
de estados (ordelo não linear do de entrada (orddo processo (orde medições (orlo não linear do de medição; (ordem n) do v
e de atualizaçãoz de covariânciaz jacobiana (n sso p(.); z jaconiana (n sso ; z ganho de Kalmz jacobiana (m r h(.);
z de covariância
oposto.
SLAM, alémmadas as caracaminho. Ass
as no vetor d i-ésimo marc
é dado pela Eq …mero de marcor de estados
m novo marco dição: Modelo d
em n), instante tsistema;
dem l), no instandem q), no instardem m), retornsensor;
vetor de estadoso; a (n x n) do veto
x x) que linea
x q) que line
man (n x m); x n) que linea
a (m x m) do ruíd
m de estimar acterísticas desim, torna-se de estado. Seco e existem kquação (7).
os (k) é conhé estática. C
é encontrado. de Processo
t;
nte t-1; ante t-1;
nadas pelo senso
, antes e dep
or de estados ;ariza o modelo
eariza o ruído
ariza o modelo
do de medição δ
a pose do re todos os manecessário in
e ic é o vetok marcos, ent
hecido a prioCaso contrário
or
ois
; o do
o de
o do
δt;
robô, arcos cluir r de
tão o
(7)
ri, a , ele
SANTANA AND MEDEIROS : A STRAIGHT-BASED APPROACH TO SLAM 233
quda
Fi
duge
noΔΔ onb disis
cosesero(ΔΔ(Δsisé us
o mcoEq
Considere uue Δ e Δas rodas respect
gura 2. Variáveis
Assumindo q
urante um períoeométrico cinem
Δo qual: Δ ΔΔθ Δnde Δ e Δ representa a di
ireita e esquestema, obtido a
Foi adotadaonsidera a infoerem incorporaensoriais. As dodas (Δ e ΔΔ e Δ ) Δ
As medidaΔ e Δ ) stemas (8) e (9possível calcu
sadas na fase deSabe-se que a
desvio padrão módulo do donsiderações lquação (10).
Δθ0
um robô co são os deslocativamente (Fig.
s do modelo cinem
que a velocidaodo de amostramático do movsincosΔ Δ /2Δ /
são os deslocistância entre aerda, respectiva partir do limita a abordagem ormação de odados ao modeldiferenças entreΔ ) e os deslsão modelado
e Δ Δas Δ e Δ
por (Δ e ) para calcular
ular, por derivae predição do fia odometria intdos ruídos εR
deslocamento levam à defi
θ 0Δθ
om acionamenamentos angula. 2).
mático.
ade pode ser cagem, pode-se
vimento do robôΔ sinΔ
amentos linears rodas e rR e rvamente. Quante do Sistema (8defendida por
dometria comolo do robô, aoe o deslocamelocamentos mes por um ruíd
. são definiΔ ) no Sisto modelo de es
ação do modelofiltro (Equaçõestroduz erros ace εL é assumidangular de
finição da ma
θ
nto diferenciaares direito e es
considerada codeterminar o m
ô pelo Sistema
r e angular dorL são os raios dando Δ → 0,8), deve ser usaThrun et al. [3
o sinais de ento invés das meento angular reedidos pelos endo branco gau
idas substituitema (9). Usanstado p(.) (Sisteo, as matrizes s 4 e 5). cumulativos. Podo ser proporcio
cada roda. atriz M dada
(
al em squerdo
onstante modelo (8):
(8)
(9)
o robô; da roda , outro ado. 32], que ntrada a edições eal das ncoders ussiano:
indo-se ndo os ema 2), G e V
ortanto, onal ao
Essas a pela
(10)
Figur
c) O
junçbasecâm
Otransparâgeommenlinha
Figur
D
anexmóvrotaçnota((12)
Figur
ra 3. Sistema Rob
) Fase de Atual
Os marcos adoção do piso doeado em um rob
mera fixa acoplaOs marcos são sformada de Hâmetros ρ e α dmétrica desses nor vetor que ca [19]. . cos
ra 4. Parâmetros
Definiu-se um sxado ao robô, avel tem coordenção do sistemaar que existe , , ) e a po
.
ra 5. Sistemas de
bótico.
lização: Model
otados nesse tro ambiente onbô com aciona
ada à sua estrutudetectados pro
Hough. As linda Equação (11
parâmetros: ρconecta a orige
. sin
da linhas ρ e α.
istema de coorambos ilustradonadas ( , )a móvel com r
uma relaçãoose do robô (
e coordendas Fixo
lo do Sensor
rabalho são linnde o robô naamento diferencura, como mostocessando as i
nhas detectadas). A Fig. 4 mosρ é o módulo eem do sistema
rdenadas fixo (Fos na Fig. 5. A) no sistema fixrespeito ao sisto estreita entr, , ), que é
/2
o (F) e Móvel (M)
nhas formadas avega. O sistemcial que possui tra a Fig. 3. imagens através são descritasstra a represente α é o ângula de coordenad
F) e um móvel A origem do sisxo. represetema fixo. Devre essas variáé dada pela Equ
(1
).
pela ma é uma
és da s por tação lo do das à
(11)
(M), tema
enta a ve-se áveis
uação
2)
234 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011
(coo Eq
pava
coanm(Snoimdeatude
dedede
(Sco
eqalSisecava
Cada linha n, ). O maomposto de um
ic vetor de cquação (7) é da
A cada passarâmetros ( ,ariável para ind
Os parâmetroorrespondentes nexado ao rob
medições zt a serSistema 3) é otação, estamomagem. Porém,e uma linha portualização tantetectadas na im
Para usar a ine imagem (eve-se deduzir esses parâmetro
Usou-se a relSistema 15) eoordenada (Equ
cossincoscosSubstituindo-s
quivalências nlgumas variávistemas (18) e ensor h(.) a seralcula-se amboalor mais próxim
no chão é desapa a ser prodm conjunto dcoordenadas dado pela Equaçã
o o robô cap) das linhas
dicar os valores os da imagem
( , ) no ô, usando os r usado na fase definido pela
os assumindo , na verdade, pr imagem. A catas vezes qua
magem.
nformação dire, ) na faso modelo do
os em função dlação entre as ce a Equação uações 16 e 17)sincos sinsinse o Sistema
necessárias comveis usando
(19), que reprr usado no filts os valores demo ao valor mecos
cos
crita por dois duzido pelo pr
desses pares dedo i-ésimo maão (13).
ptura uma imadetectadas. U
medidos ao invsão então consistema de cooparâmetros dade atualização Equação (14)
que há exatampodemos ter neada passo o FKanto forem o
etamente obtidase de atualizaçsensor h(.), qu
das variáveis de coordenadas do(11) em am
).
n
(15) na Equaçm a Equação as Equações resentam dois ptro. Para decide e usa-se oedido . sin
sin
parâmetros esrocesso de SLe parâmetros.arco que apar
agem e identifUsamos (~) svés dos calcula
nvertidos para oordenadas móv
a câmera. O vedo algoritmo d
). Para simplimente uma linenhuma, uma oKE calcula sua o número de
a pelo processação do EKF-Sue é o valor esestado.
os sistemas (Mmbos os sistem
(
ção (16), faze(17) e subst(12), obtêm
possíveis modedir qual modelo modelo que
státicos LAM é
Então, rece na
(13)
fica os
sobre a ados. os seus vel (M) etor de do FKE ificar a nha por ou mias fase de linhas
(14)
amento SLAM, sperado
M) e (F) mas de
(15)
(16)
(17)
endo as tituindo
m-se os elos de lo usar, gerar o
(18)
(19)
O(Eququasno vimag
d) U
umados marde (da EEntãdos entrpequconsveto
a) D
adotpropdentprocobjede ada tr
Npela As ipretomosimagas lin
Figur
O modelo do seuação 6), dadase todas nulas, evetor de estadogem.
cos0d) Correspondên
Um aspecto cra correspondên
marcos reprerco correto, pr, ) usandEquação (18), ão, esses valovalores (
re o valor preduena, a cosidera-se que or de estado e
IV.
) Detecção de L
Devido à escolhtada para identpósito dessa téctro de certa clcesso de votaçãetos candidatos acumulação queransformada de
No nosso caso, a Equação (11) imagens são co e branco usastra uma imagemgem após a aplnhas detectadas
a)
ra 6. Processame
ensor é incorpopela Equação
exceto para as cos após o mat
sin0ncia ou Matchi
rucial do algoncia entre a li
esentado no verimeiramente cdo os valores m
se 0, oores preditos , ) no vdito e o melhorrrespondênciaa nova marcaaumentado.
PROCESSAME
Linhas
ha das linhas dtificá-las foi a
cnica é encontraasse de formaão é efetuado nsão obtidos co
e é construída pe Hough [3].
a “forma” a se o espaço de p
capturadas em ando detector m típica do chãlicação do detes pela transform
c) ento de Imagem.
orado no FKE a(20). As colun
colunas corresptching com a
0 ⋯1 ⋯ing
oritmo de SLAinha detectadaetor de estadocalculam-se o
medidos de (ou da Equaçãosão comparad
vetor de estadr ( , ) a foi encona foi detectad
ENTO DE IMAG
do chão comotransformada
ar instâncias imas por processono espaço de pomo máximo lopelo algoritmo
ser detectada sparâmetros temtons de cinza de bordas Can
ão do ambiente,ector Canny e amada de Hough
b)
através da matrnas finais de Hpondentes ao mlinha detectad
1 0 ⋯0 1 ⋯ (
AM é estabela na imagem eo. Para escolhos valores pred, ) e o moo (19), se dos com cadado. Se a difer é suficientemntrada. Se a e o tamanho
GEM
o marcos, a técde Hough [30
mperfeitas de objo de votação. parâmetros, no ocal em uma mpara a comput
são linhas descm coordenadas (
e convertidas nny [5]. A Fig, a Fig. 6.b mosa Fig. 6.c apresh.
riz H H são marco da na
(20)
lecer e um her o ditos
odelo < 0.
a um ença
mente não, o do
cnica 0]. O bjetos Esse qual
matriz tação
critas (ρ,α).
para g. 6.a stra a senta
SANTANA AND MEDEIROS : A STRAIGHT-BASED APPROACH TO SLAM 235
exno
.quhoqu7.dichobel
fatranapllin
caimfodeo ho
a)
Fi
foreviincovaimhoqure
b) Conversão É assumido q
xiste uma relaço plano do chão
1 . 1 O fator de esc
ue o valor doomografia podeuatro ou mais pa). Depois de iversas correspohão e na imagebtém-se um silementos da ma
Uma vez calaz-se o que segansformada dea imagem, b) clano do chão usnha que passa p
A fim de valculou-se o errmagem e seus coi de e =1.5 esenhou-se, sobponto do mun
omografia calcu
gura 7. Padrão ut
c) Ruído do Se Como é apre
orma que o planesultando do efisto nas Fig.s nformação existomparada comariação do ruídmagem. Além orizontais que ue nos permitelacionada com
para o Mundo
que o chão é pção constante (uo (x, y) e os pon
1
cala s é determo terceiro eleme ser calculada pontos notáveis
detectar os pondências entreem. Substituindstema linear natriz de homogrlculada a homgue: a) usando
e Hough, calcuconverter as coosando a homogpor esses dois pverificar a corro de re-projeçãcorrespondentes
cm. Para fabre o padrão utindo mapeado nulada e o raio é
tilizado no cálcul
ensor
esentado na Figno da imagem feito causado p6 e 7. Por e
tente no topo dm a área inferido deve ser pro
disso, notouaparecem na imtiu inferir que
m o ângulo (α) d
o
plano e que a cuma homografntos no plano da
minado para cadmento do vetooff-line usandos com coorden
pontos notáveise coordenadas ddo-se esses ponno qual se podrafia A.
mografia, para o os valores d
ular dois pontosordenadas dess
grafia A e, c) depontos. rretude da homão utilizando oss no mundo. O
acilitar a interpilizado, circunfna imagem ut
é o valor do erro
b)
lo da homografia.
g. 3, a posiçãom não é paralelo
pela inclinaçãoexperimentaçãoda imagem sofrior, isso nos foporcional à diu-se que a qmagem é melhe a variância da linha na imag
câmera é fixa. fia A) entre os a imagem (u,v)
da ponto de talor seja sempreo um padrão conadas conhecidas na imagem, de pontos no plntos na Equaçãde determinar
cada linha dede ( , ) obtidos pertencentes ses dois pontoseterminar ( ,mografia encos pontos detecta
O erro médio calpretação desteferências cujo ctilizando a inveo médio (Fig. 7
o da câmera éo ao plano de co da câmara poo, observou-se re maior ruído qfez consideraristância (ρ) da qualidade dashor que as vertdo ruído tam
gem.
Então, pontos
):
(21)
l forma e 1. A ontendo as (Fig. têm-se
lano do ão (21), os oito
etectada os pela à linha
s para o ) da
ontrada, ados na lculado
e valor, centro é ersa da
7.b).
é de tal chão. O ode ser
que a quando que a
reta na linhas
ticais, o mbém é
LvariâEquapor e
Npropânguda Econs
Figur
O
rodadiferdediveloestruproc
Ofoi oRio form6). Ae veSLA
Figuronlin
Levando em cância do ruído ação (22). Os vexperimentação
, .Nesta equaçãporcionalidade ulo. A Fig. 8 mEquação (22) utsiderando ρ em
ra 8. Comportam
Os experimentoas são acionrencial. Cada icada baseadaocidade local.utura, uma cessamento da
O local por ondo Departamen
Grande do Nmado por cerâmAs interseçõeserticais que sãAM. A Fig. 9 i
ra 9. DF–UFRN (ne utilizando coor
consideração do sensor ado
valores das cono e seus valores
sin .o, o termoà distância, e o
mostra o compotilizando os val
m metros e α em
mento da variancia
V. RESU
os foram realinadas por mo
motor tem ua em microco
Além disso, webcam col
as informaçõesde o robô nav
nto de Física - Norte - UFRmicas quadrads destas cerâmão utilizadas ilustra as carac
(Este prédio poderdenadas 5º 50’ 29
o comentado otada neste trabnstantes a, b e s são: a = 0.004
1
o [ 1o termo [ortamento da flores de a, b e
m graus.
a do ruído do sens
ULTADOS
izados utilizanotores DC c
um encoder ópontrolador PICo robô possu
lorida e ums (Fig. 3).
vegou durante DF da Univer
RN. Este ambdas com 25cm
micas formam como marcoscterísticas do D
e ser visto em sis9.50” S 35º 11’ 49
anteriormentbalho é regida c foram calcul
4, b = 0.3 e c =
1] representa], a influênci
função descrita c já apresentad
sor.
ndo um robô ccom acionamptico e uma pC que controui, acoplado à
m notebook
a experimentrsidade Federa
biente possui m de lado (
linhas horizons no algoritmoDF/UFRN.
stemas de mapeam9.48 W” ).
te, a pela
ladas = 45.
(22)
a a ia do pela
dos e,
cujas mento placa ola a à sua para
ação al do piso
(Fig. ntais o de
mento
236 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011
feimimmaqdoalnimseaqde
Fi
utfovileima
copo
Fi
O robô execuechado dentro magens forammagens 640 x
média, em 180 quisição da imo sistema incllgoritmo de itidamente do
mudança de ilue aproximou quisição foi dee 125 ms e o te
gura 10. Tempos
No tocante à tilizado no iníoi posicionadaisão da ordemmbrar que a p
magem não é pamatriz de hom 0.14170.00730.0001 A Fig. 11 m
orrespondem àontos em verm
gura 11. Trajetór
utou uma trajedeste edifício
m processada480 (Fig. 6) ms. A Fig. 10
magem, tempo luindo aquisiçSLAM. Nes
ois picos. Esuminação exis
das áreas de 50 ms, o temempo médio to
s dos Sistema de V
homografia, aício do experia de modo qu
m de duas vezeposição da câmaralelo ao plan
mografia utiliz0.00090.07610.0029mostra a trajetó
à trajetória calmelho à trajetó
ria percorrida pelo
etória quase reo e durante se
as. A câmerae cada image
0 mostra os gde processam
ção, processamte gráfico é stes picos se
stente no ambide jardim. Ompo médio deotal do sistem
Visão.
a Fig. 7.a mosimento para cue foi possíves o tamanho d
mera é de tal fono de chão. A Ezada. 49.206598.63231
ória calculada.lculada apenas
ória calculada p
o robô no DF-UF
etangular de ceu movimentoa utilizada cem é processagráficos do temmento e o tempmento e cálcu
possível obe deram deviente quando
O tempo méde processamen
ma foi de 180 m
stra o padrão qcalculá-la. A cel ter um ângdo robô. É impforma que o plEquação (23) m
. Os pontos ems por odometrpor SLAM.
FRN.
circuito o 1962 captura ada, na mpo de po total ulos do bservar vido à o robô dio de nto foi
ms.
que foi câmera
gulo de portante lano da mostra
(23)
m azul ria e os
Tcorrcasoem três 11%algo
Mbemsobr
Figur
Figur
VdistâumaodommedFig.
Figur
Tendo em vistrespondência dos e cada linhamédia. Em 9linhas em 61
% das imagenoritmo de procMesmo com 2m no tocante are problemas d
ra 12. Imagem co
ra 13. Imagem co
Voltando a coância entre a pa pose inicialmetria, e 0.0
dida in loco, fo 14 mostra o i
ra 14. Trajetória:
ta o movimende linhas detea foi observad
98% das imag1%, quatro linns. Os 2% recessamento de % de erro, o problemas de
de sujeira no c
om mudança de il
om uma falsa linh
omentar a traposição inicial (0, 0, 0o), f02m, usando oi muito próxiinstante do fec
Zoom na região
nto total realizectadas foi corda em 15 imaggens o sistemanhas em 26% estantes foramimagem. sistema de vi
e iluminação (Fchão (Fig. 13).
luminação.
ha no piso do amb
ajetória realizal e final, calcfoi de 0.89m,SLAM; a disima da calculachamento do la
onde há o fecham
zado pelo robrreta em 95%gens consecutia detectou line cinco linhas
m em erros d
isão se compoFig. 12) e tam.
biente.
ada pelo robculadas assum, usando somstância final ada por SLAMaço.
mento do circuito.
bô, a % dos
ivas, nhas: s em do o
ortou mbém
bô, a mindo mente
real, M. A
SANTANA AND MEDEIROS : A STRAIGHT-BASED APPROACH TO SLAM 237
codomcavaIsumnã
Fi
reci23veobob4.reva
F
Fi
Ainda sobromportamentoo fechamento
mudança no paaracterística dalores, a atualsto acontece pma marca depão existe.
gura 15. Pose do
A Fig. 16 moe-observação ircuito. Esta li3, e re-observaerificar a atuabservada e re-bservação (cir.6 x 10-5 (σ = eduzido para ariâncias da po
Figura 16. Varian
gura 17. Compor
re trajetória o da componen
do circuito (Fdrão de atualido fechamentização média porque, pela
pois de ter se l
o Robô: coordenad
ostra a variânda linha quinha foi obserada pela primealização da va-observada. Arcuito fechado
0.68 cm) e ap9.2 x 10-6 (
ose do robô sã
cia em ρ da linha
rtamento das vari
é interessante y da pose Fig. 15). Perzação no instato do circuitoque era de 4cprimeira vez,ocomovido po
da y.
cia (σ2) em ρ e caracteriza rvada pela prieira vez no paariância apena
Antes da prime), o valor da vpós a re-obser(σ = 0.30 cão exibidas na
a que caracteriza o
ancias em x, y, θ.
ante apresendo robô no in
cebe-se que hante em que a o é detectadcm passou par, o robô re-oor um local on
quando da pro fechamen
imeira vez nosso 1591. É poas quando a leira variância de ρrvação este vam). FinalmenFig. 17.
o fechamento de c
.
ntar o nstante há uma
marca da. Em ra 8cm. observa nde ela
rimeira nto do o passo ossível linha é re-era de
alor foi nte, as
circuito.
A
sensa pdireintera repnúmde Sum a
Oalémnenhressusadcaramun
Ageramuscasoaborcomreprde einfo
Maprecorra neprob
Cde tatravHouincocomtesta
[1]
[2]
[3]
[4]
[5]
[6]
VI.
A principal consor óptico de mpartir do altamente nas rmediárias de presentação d
mero de caractSLAM. No noambiente com
Outro ponto imm da odometrhum outro sealtar que mesdas no filtro dacterísticas sãondo utilizando
A abordagem pal, pois exigeseus, hospitaisos onde ela pordagens de S
mputacional, deresentar o amberro de corre
ormação 3D daMesmo em uesentado nosretamente recoecessidade de blema.
Como trabalho tempo real dvés da adoção
ugh; lidar comorporar as info
mo característiar a nossa abo
S. Ahn, W. K. for indoor SLASystems, 2007.D. Amarasinghand localizationRobotica CambG. Bradski andthe OpenCV LibZ. Chen, “A vknowledge andElectrical and CJ. Canny, “A coPattern AnalysiJ. Choi, S. Ahenvironment wInt. Conference
CONCLUSÕES
ntribuição desmodo a permilgoritmo de equações docalculo de po
do ambiente utterísticas de resso caso, 194
m 121,5m2. mportante da nria, de um s
ensor auxiliar mo com visão
de Kalman no o mapeadas di a matriz de hproposta não e um piso pls, casas, aeroode ser usada, SLAM visualevido ao núm
biente, como eespondência eas característicum ambienteresultados (S
onhecendo linhprocedimento
futuro pretenddo algoritmo o de alguma da
m segmentos deormações do picas a ser utilrdagem utiliza
REFER
Chung, and S, OAM”, IEEE/RSJ In
e, G. K. I. Mann n for mobile robobridge, 2009. d A. Kaehler, Leabrary, O'Reilly Mvisual SLAM sod kalman filterinComputer Engineomputational appis and Machine Inhn, M. Choi, andwith visual objee on Intelligent Ro
S E PERSPECTI
ste trabalho éitir o uso de p
processamen filtro de K
osição ou distâtilizando linhaeferência utilizmarcas são us
nossa abordagsistema de vi
como lasers o monocular ainstante da d
iretamente paromografia. tem nenhumaano e com l
oportos, etc.). quando compl, é eficiente
mero reduzido dem precisão, de precisão na cas. e de laço feSeção V), o shas previamenos especiais pa
de-se: melhorde processamas variantes de reta com comonto inicial e lizadas no SLando outros fil
ÊNCIAS
Oh, “Constructionnt. Conference on
and R. G. Gosinet applications: a m
arning OpenCV: Media, 2008. olution based onng”, IEEE Cana
eering, pp. 1283-1proach to edge dentelligence, pp. 67d W. Chung, “Mects and sonar obots and Systems
IVAS
é a modelagemparâmetros obtnto de ima
Kalman sem fância. Além das do chão redzadas no procsadas para ma
gem é a utilizaisão monoculou sonares. V
as retas podemetecção, pois ra coordenada
a pretensão deinhas (shoppiNo entanto,
parada com oue tanto em cde elementos
devido à baixa determinação
fechado, comsistema funcionte detectadas ara lidar com
ar as propriedmento de imada transformadmprimento finfinal do segm
LAM; e, por ltros estatístic
n of hybrid visualIntelligent Robot
e, “Landmark detemultisensor appro
Computer Vision
n high level geomadian Conferenc1286, 2006. tection”, IEEE T79 -698, 1986.
Metric SLAM in features”, IEEE
s, 2006.
m do tidos agem fases
disso, duz o cesso apear
ação, lar e Vale
m ser suas
as do
e ser ings,
nos utras custo para taxa
o da
mo o onou sem esse
dades agem da de nito e mento
fim, os.
l map ts and
ection oach”,
n with
metry ce on
Trans.
home E/RSJ
238 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 3, JUNE 2011
[7
[8
[9
[1
[1
[1
[1
[1
[1
[1
[1
[1
[1
[2
[2
[2
[2
[2
[2
[2
[2
[2
] J. Civera, parametrizatVol. 24, pp.
] L. Clementelarge loops Systems, 200
] M. N. DaileMapping witRobotics and
0] A. J Davisowide-angle Autonomous
1] A. J. DavisMap-buildinand Machine
2] H. Durrant-Mapping: Ppp. 99-108, 2
3] H. Durrant-Mapping: Ppp. 108-117,
4] C. Estrada, Jaccurate mappp. 588-596,
5] S. Frintrop, selection forRobots and S
6] S. Fu, C. Liurange finder and Automat
7] S. Fu and Localization Navigation”,Control,, pp.
8] A. Gee, A., higher levelVol. 24, No.
9] R. C. GonPrentice Hall
0] A. Hafez, S. optimizationInt. Conferen
1] D. C. Herathbased SLAMand Automat
2] J. Jing Wu aInt. Conferen
3] I. K. JungenvironmentPolytechniqu
4] N. M. Kwokusing a sprtRobotics and
5] Y. Lee anrecognition Int. Conferen
6] T. Lemaire aobservationspp. 2791-279
7] J. J. Leonardtracking geomVol. 1, No. 3
8] V. K. MansiSpringer, 20
A. J. Davison ion for monocu932-945, 2008.
e, A. Davison, I. with a single h
07. ey and M. Parnicth stereo vision”,d Vision, 2006. on, Y. G. Cid, avision”, 15th IF Vehicles, 2004. on and D. W. M
ng using active ve Intelligence, pp.Whyte and T.
Part I”, IEEE 2006. Whyte and T.
Part II”, IEEE , 2006. J. Neira, and J. Dpping of large e, 2005. P. Jensfelt, and
r visual SLAM”, Systems, 2006. u, L. Gao, and Y.
and monocular vtion, 2007. G. Yang, “Unca and Mapping , IEEE Int. Co. 663-668, 2009.
D. Chekhlov, Al structure in vis5, pp. 980-990, 2zalez and R. El, 2007. Bhuvanagiri, M.
n based solutionnce on Intelligent h, K. R. S. Kodag
M issues and solution, 2007. and H. Zhang, “Cnce on Computer g, “Simultaneouts with stereovue - Toulouse - Frk, G. Dissanayakt based gaussiand Automation, 200d J. Song, “Aof objects for v
nce on Control, Aand S. Lacroix, “Ms”, IEEE Int. Co96, 2007. d and H. F. Durrmetric beacons”,
3, pp. 376-382, 19inghka. Towards 04.
and J. M. Mular SLAM”, IEE
Reid, J. Neira, ahandheld camera”
chkun, “Simultan, Int. Conference
and N. Kita, “ReFAC/EURON Sy
Murray, “Simultavision”, IEEE Tra. 865-880, 2002. Bailey, “SimultaTrans. on Rob
Bailey, “SimultaTrans. on Rob
D. Tards, “Hieraenvironments”, IE
H. I. ChristensenIEEE/RSJ Int. C
Gai, “SLAM for vision”, IEEE Int.
alibrated Monocufor Indoor Auto
onference on N
A. Calway and Wsual SLAM”, IE2008. E. Woodes, Dig
Krishna and C. Jn for mapping t Robots and Systegoda, and G. Dis
utions”, IEEE Int.
Camera sensor mand Robot Vision
us localization vision” PhD thrance, 2004. ke, and Q. P. Hn sum filter”, IE05.
Autonomous selevisual SLAM in
Automation and SyMonocular SLAMonference on Ro
rant-Whyte, “MobIEEE Trans. on R
991. visual SLAM in
Montiel, “InverseEE Trans. on R
and J. Tardos, “M” Robotics: Scien
neous Localization Control, Auto
eal-time 3D SLAymposium on In
aneous Localizatans. on Pattern A
aneous Localizatbotics and Auto
aneous Localizatbotics and Auto
archical SLAM: REEE Trans. on R
n, “Attentional laConference on In
mobile robots usi. Conference on R
ular based Simuonomous Mobile
Networking Sensi
W. Cuevas, “DiscEEE Trans. on R
gital Image Pro
Jawahar, “On-linein vSLAM”, IEems, 2008. ssanayake, “Stere Conference on R
model for visual Sn, 2007.
and mapping hesis, Institut N
Ha, “Bearing-onlyEEE Int. Confer
ection, registration indoor environystems, 2007.
M as a graph of coobotics and Auto
bile robot localizRobotics and Auto
n dynamic enviro
e depth Robotics,
Mapping nce and
ion and omation,
AM with ntelligent
tion and Analysis
tion and omation,
tion and omation,
Realtime Robotics,
andmark ntelligent
ing laser Robotics
ultaneous e Robot ing and
covering Robotics,
ocessing.
e convex EEE/RSJ
eo vision Robotics
SLAM”,
in 3D National
y SLAM rence on
on, and nments”,
oalesced omation,
zation by omation,
onments.
[29]
[30]
[31]
[32]
[33]
[34]
Atua comp
seguisistem
D. Marzorati, MUse of Inverse Robotics and AHough, P. V.patterns”, US PR. Smith anduncertainty”, Tpp. 56-68, 1987S. Thrun, WMIT Press, 200M. WongphatFastSLAM UsiCamera” IEEEpp. 1188-1193, M. Wu, F. HuMonocular SLAInformatics in C
a principalmenteputacional, filtrag
intes temas: robmas e automação
M. Matteucci, D.Scaling in Monocutomation, pp. 20 C, “Method a
Pattent 3069654, Dd P. Cheesman,The Int. Journal o7.
W. Burgard, and05. ti, N. Niparnaning Vertical LineE Int. Conferen2009.
uang, L. Wang aAM using SalientControl, Automati
André MDoutoraUniversiNorte-UMestradoUniversiNorte-UgraduaçãUniversiTeresinaProfessoInformát
e nos seguintegem estocástica e i
AdelardDoutoraLAAS/Cem TouEngenhaITA - Inem SãograduaçãUFRN -do NorteprofessoDepartamAutoma
ótica móvel, sisindustrial.
. Migliore and Dcular SLAM”, IE030-2036, 2009. and means for Dec. 18, 1962. , “On the reprof Robotics Rese
d Fox. D. Pr
n and A. Sudse Information fronce on Robotic
and J. Sun, “Coot Landmarks”, Inion and Robotics,
Macêdo Santanado em Engenhariidade Federal
UFRN, Natal, Ro em Engenhidade Federal
UFRN, Natal, Rão em Ciência idade Federal a, PI, Brasil (2or Adjunto dotica e Estatística es temas: robinteligência artifi
do Adelino Dantaado em RobóCNRS pela Univeulouse, França (aria Eletrônica nstituto Tecnológo José dos Caão em Engen- Universidade Fe - em Natal RN
or associado damento de Engenh
ação (DCA) . Atustemas em tempo
. G. Sorrenti, “OEEE Int. Conferen
recognizing com
resentation of search , Vol. 5, N
robabilistic Rob
sang, “Bearing om an Omnidirectcs and Biomim
operative Multi-Rnt. Asia Conferen, pp. 151-155, 200
: ia da Computaçãodo Rio GrandeRN, Brasil (2haria Elétrica do Rio GrandeRN, Brasil (2da Computação do Piauí - U
2004). Atualmeno Departamento - DIE da U
bótica móvel, cial.
as de Medeiros:ótica realizado ersidade Paul Sab(1997), mestradoe Computação
gico de Aeronáuampos, SP (199nharia Elétrica Federal do Rio GN (1988). Atualmea UFRN, ligadharia de Computaua principalmento real, arquitetur
On the nce on
mplex
spatial No. 4,
botics.
Only tional
metics,
Robot ce on 09.
o pela e do 2011),
pela e do 2007),
pela UFPI, nte é o de UFPI. visão
no batier o em
pelo utica - 91) e
pela Grande ente é o ao
ação e te nos ra de
SANTANA AND MEDEIROS : A STRAIGHT-BASED APPROACH TO SLAM 239