Mapeo y localización simultáneos en forma robusta basado en visión estéreo

• Autores: Cazzolato, Sergio Juan
• Año de publicación: 2007
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Mejail, Marta Estela
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Para manejar el problema del robot secuestrado, en el cual un robot es transportado a alguna ubicación desconocida sin ninguna información acerca de su posición y se requiere que éste genere un mapa del ambiente que lo rodea, se utiliza un algoritmo de generación de mapas y localización. Mapeo y localización simultáneos (SLAM) es una técnica usada por robots y vehículos de navegación para construir un mapa de un ambiente desconocido mientras al mismo tiempo se actualiza la posición del mismo. Como fuente de información para realizar SLAM se pueden utilizar varios tipos de sensores: láser, sonar, cámaras, etc. Como mecanismo para obtener información del ambiente puede usarse un sistema de visión estéreo, a partir del cual se capturan simultáneamente pares de imágenes que son utilizadas para obtener una representación tridimensional de los objetos del ambiente. La técnica SLAM presenta grandes dificultades a vencer utilizando sistemas de visión como únicos sensores. El principal problema se encuentra en las distintas fuentes de error que afectan al método. Estas fuentes de error generan inexactitudes en los mapas, que en muchos casos pueden ser muy groseras, ya que suelen ser acumulativas. Las dos fuentes de error más importantes provienen de la medición incorrecta de los puntos en las imágenes y de la detección incorrecta de correspondencias. Para tratar dichos problemas se utilizan algoritmos de minimización del error en el cálculo de la posición y comparación robusta respectivamente. En este trabajo se propone un algoritmo de SLAM robusto, basado en un sistema de visión estéreo como única fuente de información, siendo el principal objetivo minimizar el efecto negativo producido por las principales fuentes de error
Fil: Cazzolato, Sergio Juan. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.