Ingeniería Electrónica · 2015
Diseño de un prototipo de sistema de odometría visual
La odometría visual ha sido uno de las técnicas más ampliamente utilizadas en asocio con sensores cinemáticos (gps, IMUs, cámara cenital, encoders entre otros) para la estimación de las coordenadas de la trayectoria de un agente robótico móvil, información de relevancia a la hora de usar la metodología SLAM para la navegación en entornos estructurados o semiestructurados en dos o tres dimensiones. En particular (Scaramuzza & Fraundorfer, 2011) propone la fundamentación matemática necesaria para la estimación de la trayectoria de un móvil sobre un sistema de referencia absoluto. Los resultados obtenidos al combinarlos con filtros estimadores de Kalman y el algoritmo de correspondencia entre puntos característicos RANSAC, ilustran el gran potencial de la técnica para soportar la navegación de agentes robóticos, pero la robustez de estos algoritmos provocan un gran consumo de recursos computacionales que se traducen en largos tiempos de procesamiento de la información visual, inhabilitando el mismo para ser empleado en sistemas de navegación de tiempo real (Rodríguez-Aragón, 2015). Por tal motivo el grupo de trabajo propone el diseño de un prototipo de sistema de odometría visual estereoscópica para la estimación de trayectorias 2D, reemplazando el algoritmo RANSAC por el uso de estimadores estadísticos más simples que sirvan para establecer correspondencias entre puntos característicos de forma más eficiente que el mencionado algoritmo. Para tal fin se implementará un sistema de visión artificial estereoscópica sobre un agente robótico con tracción diferencial, que empleará las matrices de calibración de las cámaras y los conceptos de la geometría epipolar para la estimación de las coordenadas 3D de los puntos característicos de las imágenes muestreadas y capturadas en tiempos consecutivos, k y k-1. Para establecer la correspondencia entre puntos característicos existentes entre el par de imágenes estereoscópicas se utilizará la metodología propuesta por (Kumar Singh, Shi-Tao Huang, & Blostein, 1987), en asocio con el uso de la técnica de correlación entre dos imágenes. A partir de la información obtenida en los instantes de tiempo k y k-1 se procederá a calcular la matriz de transformación de cuerpo rígido, que a su vez se usará para determinar la matriz de pose del sistema de visión que corresponde a la pose del agente robótico. Para poner a prueba el sistema elaborado, se procederá a mover el robot por diversos tipos de trayectorias arbitrarias establecidas previamente, y se medirán las normas euclidianas o de Frobenius existentes entre las coordenadas de las trayectorias estimadas y las reales medidas respecto a un sistema de referencia absoluto. Los resultados obtenidos (sistema de odometría visual) se emplearan para una próxima etapa proyectual, en la cual se reconstruirá un entorno 2D a partir de la información visual capturada por un par estereoscópico presente en un agente robótico.
Texto completo 77 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 10
- Introducciónp. 14
- 1. Objetivosp. 17
- 1.1. Objetivo Generalp. 17
- 1.2. Objetivos Específicosp. 17
- aplicando la metodología de matrices de cuerpo rígidop. 18
- 2.1 Definición de matriz de transformación de cuerpo rígido relativap. 20
- 2.2. Captura y extracción de características en un par de imágenes estereoscópicasp. 23
- derechap. 26
- 2.4 Correspondencia entre píxeles usando correlación y geometría epipolarp. 29
- 2.5 Estimación de las coordenadas 3D de un punto característicop. 32
- estereoscópicas en los tiempos K y K-1p. 36
- 2.7 Estimación de la matriz de transformación de cuerpo rígido relativap. 37
- 3. Metodología experimentalp. 41
- 3.1 Implementación del sistema de visión artificial estereoscópica bicameralp. 42
- estimación de las coordenadas 3Dp. 45
- una imagenp. 47
- 3.4 Implementación de algoritmo de emparejamiento de puntos característicos 2Dp. 48
- imágenes en los instantes de tiempo K-1 y Kp. 55
- imágenes izquierda y derechap. 56
- transformación de cuerpo rígido relativap. 57
- las cámarasp. 59
- y de la medida del error cometido por la técnica de odometríap. 60
- 4. Resultados y análisisp. 62
- las coordenadas 3Dp. 62
- una imagenp. 65
- 4.3 Algoritmo de emparejamiento de puntos característicos 2Dp. 66
- tiempo K-1 y Kp. 69
- transformación de cuerpo rígido relativa y matriz de posep. 71
- 5. Conclusionesp. 75
- Referenciasp. 76
- Tabla 1. Datos de las esquinas elegidas para la calibración de las cámarasp. 62
- Tabla 2. Matriz de calibración estimada para cámara izquierdap. 63
- Tabla 3. Matriz de calibración estimada para cámara derechap. 64
- matrices de calibración, con respecto a las coordenadas reales del sistema de balizasp. 65
- las cámaras izquierda y derecha emparejadosp. 68
- la cámara izquierda en los tiempos K-1 y Kp. 70
- capturadas en tiempos consecutivos en el experimento de movimiento recto de 30 cmp. 71
- capturadas en tiempos consecutivos en el experimento de movimiento curvop. 72
- de cálculo de la matriz de calibración de cuerpo rígidop. 73
- de un agente robótico móvil propuesta por (Scaramuzza & Fraundorfer, 2011)p. 19
- z〗_M>p. 20
- sistema de visión artificial estereoscópico, para aplicaciones en navegación robótica)p. 21
- Figura 4. Geometría epipolar existente entre 2 cámarasp. 30
- 5 puntos seleccionados en la imagen izquierda (Barros Gallego & Agudelo, 2015)p. 32
- implementar un sistema de visión artificialp. 42
- cámara izquierda. Imagen elaborada por los autoresp. 43
- de los elementos empleados de la plantilla de calibración de las cámarasp. 45
- Figura 9. Código de Matlab empleado para detectar y almacenar las esquinasp. 48
- centro de la lente, que es el centro del sistema de referenciap. 49
- presentes en las imágenes derecha e izquierdap. 54
- cuerpo rígidop. 22
- vehículo se movió en la trayectoria del eje Y_Wp. 60
- Figura 15. . Toma de Experimento 2: Trayectoria curvilínea seleccionada para el móvilp. 61
- Figura 16. Matriz para la calibración de la cámara izquierdap. 63
- Figura 17. Matriz para la calibración de la cámara izquierdap. 64
- Figura 18. Aplicación de algoritmo de estimación de esquinas sobre una imagenp. 66
- cámara izquierda y derechap. 67
- se muestra el emparejamiento estimado por el algoritmop. 68
- muestra el emparejamiento estimado por el algoritmop. 68
- Figura 22. Grafica de la trayectoria estimada en el experimento 1p. 74