A Fusão de Sensores para SLAM Visual Baseado em Grafos Utilizando Cameras Stereo e Odômetro

Fusão de Sensores para SLAM Visual Baseado em Grafos Utilizando Cameras Stereo e Odômetro

Ricardo Achilles Filho, Brenno Augusto Cason Caldato, Prof. Dr. José Eduardo Cogo Castanho, UNESP, Faculdade de Engenharia de Bauru, Engenharia Elétrica, [e-mail].

Palavras Chave: slam, fusão de sensores, odometria visual

Introdução

A estimação da trajetória de um robo, simultaneamente à construção de um mapa do  ambiente (SLAM) é um tópico amplamente estudado por roboticistas[1].

Técnicas de fusão de sensores permitem a integração de medidas obtidas por multiplas fontes, para que a combinação dos mesmos proporcione uma melhor estimativa de estado. Dentre os principais sensores utilizados estão as Cameras, LiDAR’s, Sonares, IMU’s e  Odometros.

Métodos de SLAM baseado em grafos interpretam as posições do robo e pontos no mapa como vértices em um grafo e cada medida como arestas. O grafo é então otimizados para reduzir o erro entre os estados estimados e as medidas realizadas pelos diferentes sensores.[2]

Objetivos

Desenvolver e analizar um sistema de SLAM baseado em grafos, utilizando como sensores um odômetro e cameras stereo.

Material e Métodos

O ponto de partida para a implementação foi a aplicação ORB-SLAM2 [1]. O desenvolvimento foi realizado em um ambiente Linux Ubuntu 16.04  utilizando um robo Pioneer P3-DX e o ambiente ROS.

Primeiramente foi modelada a transformação relativa entre duas medidas de odometria em 6 graus de liberdade, Tk-1,ko , para isso, utilizou-se a informação de pitch obtida pela odometria visual, dada pela transformação Rkf  . [pic 4]

 

O erro entre o deslocamento estimado Tcw e o deslocamento do odometro dado por (1)  pode ser calculado por (2)

[pic 5]

O erro computado em (2) é então inserido na otimização do grafo, juntamente com os termos de erro das caracteristicas visuais encontradas utilizando o descritor ORB[1].  

Resultados e Discussão

[pic 6]

Figura 1. Trajetória estimada e Mapa de Características.

Para verificação dos resultados foi utilizado o Dataset MIT Stata Center. Foi avaliado o erro RMS das trajetorias em relação ao Ground Truth fornecido.

Tabela 1. Comparação dos Resultados

	Fusão de Sensores	ORB-SLAM2
Erro RMS	0.5497	0.6002

Conclusões

Ao analisar os resultados pode-se concluir que a fusão de sensores resulta em uma melhor estimação da trajetoria, dado que se agrega medidas de diferentes fontes. Especialmente no caso do SLAM visual, ao se utilizar o odometro, pode se evitar a falha causada pela ausência de características visuais no ambiente.

...