مکانیابی و نقشه برداری همزمان محیط داخلی توسط ربات پرنده مبتنی بر بهینه سازی زمان-واقعی

مکان یابی و نقشه برداری همزمان مبتنی بر بینایی در محیط های بدون gps و داخل ساختمان یکی از نیازمندی های مهم برای ناوبری ربات می باشد. یکی از چالش های مهم برای پیاده سازی زمانواقعی، قدرت پردازش محدود بر روی ربات های پرنده کوچک است. در این مقاله روشی برای حل این مساله پیشنهاد شده است که با استفاده از تکنیک متعادل سازی هیستوگرام و ارزیاب کیفیت فضایی تصویر بدون مرجع (brisque) ، باعث بهبود فریم های rgb می شود و با استفاده از تکنیک نقشه برداری مبتنی بر ظاهر زمانواقعی (rtab-map) و مجموعه داده های استاندارد، به ارزیابی آن پرداخته شده است. مساله بصورت پیکربندی گراف بیان شده و با استفاده از رویکرد لونبرگمارکارت بهینه می شود. نتایج حاصله بر روی دیتاست آنلاین و آزمایش بر روی ربات پرنده طراحی شده نشانگر کاهش خطای مطلق انتقالی با توجه به مرجع راستی آزمایی موجود است. همچنین دقت و قدرت روش پیشنهادی نسبت به شرایط محیطی و نویز سیستم به میزان حداقل 17 درصد بهبود یافته است.

A real time optimization-based SLAM for indoor UAV flying robots

Visionbased simultaneous localization and mapping in GPSdenied and indoor environments is one of the most important requirements for robot navigation. One of the major challenges to realtime implementation is the limited processing power on small flying robots. In this article, a method for enhancing RGB frames using histogram equalization and blind/reference less image spatial quality evaluator is presented. Some publicly available RGBD dataset are employed to evaluate the proposed technique with our hybrid method using realtime appearancebased mapping. The problem is expressed as a graph configuration and is optimized using the LevenbergMarquardt optimization approach. The results of evaluation on online data sets and experiments using designed flying robot indicate reduction in absolute translational error in comparison with the ground truth. Also, the accuracy and robustness of the proposed method have improved at least 17% with respect to environmental conditions and system noise.