مكان يابي و نقشه برداري هم زمان در محيط پويا مبتني بر شبكه YOLO و اطلاعات عمق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

مكانيابي و نقشهبرداري همزمان (SLAM) به فرآيندي اطلاق ميشود كه در آن يك حسگر متحرك بهصورت همزمان، موقعيت خود را در يك محيط ناشناخته تخمين ميزند و نقشهاي از همان محيط توليد ميكند، بدون آنكه دسترسي به نقشه يا مكان اوليه داشتهباشد. بهطور كلي براساس محيط و كاربرد ميتوان از انواع حسگر ليزري، شتابسنج، تصويري و يا تركيبي از آنها استفاده كرد. بهعلت مزاياي استفاده از حسگرهاي تصويري همچون پايين بودن هزينه، ارائه اطلاعات غني و مقياسپذير بودن؛ در سالهاي اخير استفاده از انواع دوربين باعث محبوبيت مكانيابي و نقشهبرداري ديداري (V-SLAM) شدهاست. الگوريتمهاي سنتي مكانيابي و نقشهبرداري همزمان در سالهاي اخير بهبلوغ نسبي در محيطهاي ايستا رسيدهاند؛ اما فرض ايستا بودن محيط در كاربردهاي عملي و صنعتي در اكثر اوقات برقرار نيست، بههمين دليل اين الگوريتمها تحت تاثير عوامل پويا در محيط خواهند بود. هندسهي تصويري، روشهاي پردازش تصوير و اخيرا الگوريتمهاي هوش مصنوعي از جمله مهمترين ابزاري هستند كه محققان براي مقابله با آثار عوامل پويا از آنها استفاده ميكنند. ازينرو در اين پاياننامه با تمركز بر روشهاي معنايي، سه روش پيشپردازشي براي شناسايي نقاط ويژگي اشياء پويا معرفي ميشود. با افزودن اين روشها به الگوريتمهاي كلاسيك مكانيابي و نقشهبرداري همزمان ديداري، سه نوآوري جديد در اين زمينه معرفي شدهاست. در اين مستند سير تكامل مكانيابي و نقشهبرداري همزمان ديداري و الگوريتمهاي معروف اين زمينه بررسي خواهند شد. سپس مهمترين روشهاي پردازش اشياء پويا بررسي ميشوند. در اولين روش پيشنهادي اين پاياننامه، الگوريتم معنايي YOLOv11-SLAM معرفي ميشود كه با استفاده از مدل جديد YOLOv11l-seg اقدام به شناسايي و حذف اشياء پويا ميكند. روش پيشنهادي دوم، Dep-SLAM، علاوه بر شبكهي معنايي از اطلاعات عمق و مدلسازي گوسي براي بهبود دقت در جداسازي نقاط پويا و ايستا استفاده ميكند. در نهايت، الگوريتم سوم، DEY-SLAM، با تركيب شبكه معنايي، اطلاعات عمق و آزمون هندسي اپيپلار، نقاط پوياي مشكوك را از فرآيند محاسبات مكانيابي و نقشهبرداري همزمان حذف ميكند. ارزيابيهاي انجامشده بر روي دنبالههاي پويا از مجموعهداده TUM RGB-D، نشانميدهد كه DEY-SLAM نتايج قابل قبولي را در بين الگوريتمهاي همرده خود كسب كردهاست بهطوري كه در صحنههاي پيچيده اين مجموعهداده مانند f/w/half، f/w/xyz و f/w/rpy مقدار معيار RMSE خطاي مطلق به‌دست آمده توسط الگوريتم كلاسيك ORB-SLAM3 را از مقادير 4494/0، 4374/0 و 2559/0 متر بهترتيب به مقادير 0229/0، 0269/0 و 0334/0 متر كاهش داده و دقت نقشه را تا حدود 90% در اين دنبالهها بهبود دهد.

235918

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان