Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ
Με την ανάπτυξη της τεχνολογίας ανοίγονται προοπτικές για νέες εφαρμογές. Η κάλυψη πληκτικών, δαπανηρών, ή επικίνδυνων, φυσικών διεργασιών από αυτόνομους μηχανισμούς ήταν ανέκαθεν στο επίκεντρο του ανθρώπου. Η δρα- στηριότητα, ωστόσο, μίας αυτόνομης μηχανής σε ένα δυναμικό και άγνωστο περιβάλλον κ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2016
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/9063 |
| id |
nemertes-10889-9063 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Εντοπισμός θέσης Χαρτογράφηση Παραλληλισμός Localization Mapping Parallelism 629.893 2 |
| spellingShingle |
Εντοπισμός θέσης Χαρτογράφηση Παραλληλισμός Localization Mapping Parallelism 629.893 2 Λαμπριανίδης, Νικόλαος Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| description |
Με την ανάπτυξη της τεχνολογίας ανοίγονται προοπτικές για νέες εφαρμογές. Η κάλυψη πληκτικών, δαπανηρών, ή επικίνδυνων, φυσικών διεργασιών από
αυτόνομους μηχανισμούς ήταν ανέκαθεν στο επίκεντρο του ανθρώπου. Η δρα-
στηριότητα, ωστόσο, μίας αυτόνομης μηχανής σε ένα δυναμικό και άγνωστο περιβάλλον κρύβει πολλές προκλήσεις.
Στην παρούσα εργασία παρουσιάζεται ένα πλαίσιο εργασίας (framework)
για τη χαρτογράφηση και τον εντοπισμό θέσης (SLAM) ενός κινητού ρομπότ. Το
πλαίσιο αυτό βασίζεται σε μία παραλλαγή του αλγορίθμου iterative closest point
(ICP), η οποία αξιοποιεί τόσο τη γεωμετρία της σκηνής, όσο και τη χρωματική της
πληροφορία, ώστε να επιτύχει το σθεναρό (robust) μετασχηματισμό (registration)
συνόλων από σημεία (point clouds). Για την αναζήτηση κοντινότερων γειτόνων
μεταξύ δύο point clouds, κατά τη διαδικασία του registration, γίνεται χρήση μιας
εκδοχής της δομής δεδομένων random ball cover (RBC), η οποία εξερευνά ένα
ιδιαίτερα περιορισμένο κομμάτι του χώρου αναζήτησης. Η δημιουργία του χάρτη
πραγματοποιείται μέσω της δομής δεδομένων OctoMap, η οποία επιτρέπει την
αποδοτική προσπέλαση του χάρτη και την αναπαράσταση τόσο του γνωστού όσο
και του άγνωστου χώρου.
Για την επιτάχυνση της διαδικασίας, όλο το σύστημα έχει σχεδιαστεί από
τη βάση του για εκτέλεση επάνω σε κάρτες γραφικών (GPGPU). Με αυτό τον
τρόπο γίνεται εκμετάλλευση της απαράμιλλης υπολογιστικής δύναμης των GPUs.
Η υλοποίηση βασίζεται στο πρότυπο προγραμματισμού της OpenCL. Η χρήση
της OpenCL επιτρέπει την αξιοποίηση των δύο κυρίαρχων αρχιτεκτονικών, CPU
και GPU, που βρίσκονται πλέον σε κάθε υπολογιστικό σύστημα, από σταθερούς
υπολογιστές μέχρι και ενσωματωμένα συστήματα.
Το αποτέλεσμα της υλοποίησης του προτεινόμενου πλαισίου εργασίας είναι
ένα σύστημα το οποίο εκτελεί 3-D μετασχηματισμό (registration) στιγμιότυπο-με-
στιγμιότυπο (frame-to-frame) σε πραγματικό χρόνο (real-time). Δοκιμές κατά την
τρέχουσα έκδοση της υλοποίησης δείχνουν χρόνους εκτέλεσης μίας ICP επανάληψης κοντά στο 1 msec. |
| author2 |
Ασπράγκαθος, Νικόλαος |
| author_facet |
Ασπράγκαθος, Νικόλαος Λαμπριανίδης, Νικόλαος |
| format |
Thesis |
| author |
Λαμπριανίδης, Νικόλαος |
| author_sort |
Λαμπριανίδης, Νικόλαος |
| title |
Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| title_short |
Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| title_full |
Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| title_fullStr |
Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| title_full_unstemmed |
Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ |
| title_sort |
εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα rgb-d : εφαρμογή σε αυτοκινούμενο ρομπότ |
| publishDate |
2016 |
| url |
http://hdl.handle.net/10889/9063 |
| work_keys_str_mv |
AT lamprianidēsnikolaos entopismosthesēskaichartographēsēmechrēsēaisthētērargbdepharmogēseautokinoumenorompot AT lamprianidēsnikolaos localizationandmappingusinganrgbdsensorapplicationonautonomousmobilerobot |
| _version_ |
1771297204912259072 |
| spelling |
nemertes-10889-90632022-09-05T11:17:06Z Εντοπισμός θέσης και χαρτογράφηση με χρήση αισθητήρα RGB-D : εφαρμογή σε αυτοκινούμενο ρομπότ Localization and mapping using an RGB-D sensor : application on autonomous mobile robot Λαμπριανίδης, Νικόλαος Ασπράγκαθος, Νικόλαος Ασπράγκαθος, Νικόλαος Τζες, Αντώνιος Lamprianidis, Nick Εντοπισμός θέσης Χαρτογράφηση Παραλληλισμός Localization Mapping Parallelism 629.893 2 Με την ανάπτυξη της τεχνολογίας ανοίγονται προοπτικές για νέες εφαρμογές. Η κάλυψη πληκτικών, δαπανηρών, ή επικίνδυνων, φυσικών διεργασιών από αυτόνομους μηχανισμούς ήταν ανέκαθεν στο επίκεντρο του ανθρώπου. Η δρα- στηριότητα, ωστόσο, μίας αυτόνομης μηχανής σε ένα δυναμικό και άγνωστο περιβάλλον κρύβει πολλές προκλήσεις. Στην παρούσα εργασία παρουσιάζεται ένα πλαίσιο εργασίας (framework) για τη χαρτογράφηση και τον εντοπισμό θέσης (SLAM) ενός κινητού ρομπότ. Το πλαίσιο αυτό βασίζεται σε μία παραλλαγή του αλγορίθμου iterative closest point (ICP), η οποία αξιοποιεί τόσο τη γεωμετρία της σκηνής, όσο και τη χρωματική της πληροφορία, ώστε να επιτύχει το σθεναρό (robust) μετασχηματισμό (registration) συνόλων από σημεία (point clouds). Για την αναζήτηση κοντινότερων γειτόνων μεταξύ δύο point clouds, κατά τη διαδικασία του registration, γίνεται χρήση μιας εκδοχής της δομής δεδομένων random ball cover (RBC), η οποία εξερευνά ένα ιδιαίτερα περιορισμένο κομμάτι του χώρου αναζήτησης. Η δημιουργία του χάρτη πραγματοποιείται μέσω της δομής δεδομένων OctoMap, η οποία επιτρέπει την αποδοτική προσπέλαση του χάρτη και την αναπαράσταση τόσο του γνωστού όσο και του άγνωστου χώρου. Για την επιτάχυνση της διαδικασίας, όλο το σύστημα έχει σχεδιαστεί από τη βάση του για εκτέλεση επάνω σε κάρτες γραφικών (GPGPU). Με αυτό τον τρόπο γίνεται εκμετάλλευση της απαράμιλλης υπολογιστικής δύναμης των GPUs. Η υλοποίηση βασίζεται στο πρότυπο προγραμματισμού της OpenCL. Η χρήση της OpenCL επιτρέπει την αξιοποίηση των δύο κυρίαρχων αρχιτεκτονικών, CPU και GPU, που βρίσκονται πλέον σε κάθε υπολογιστικό σύστημα, από σταθερούς υπολογιστές μέχρι και ενσωματωμένα συστήματα. Το αποτέλεσμα της υλοποίησης του προτεινόμενου πλαισίου εργασίας είναι ένα σύστημα το οποίο εκτελεί 3-D μετασχηματισμό (registration) στιγμιότυπο-με- στιγμιότυπο (frame-to-frame) σε πραγματικό χρόνο (real-time). Δοκιμές κατά την τρέχουσα έκδοση της υλοποίησης δείχνουν χρόνους εκτέλεσης μίας ICP επανάληψης κοντά στο 1 msec. The development of technology opens up prospects for new applications. Covering dull, expensive, or dangerous physical processes with autonomous mechanisms was always at the center of attention of man. However, the operation of an autonomous machine in a dynamic and unknown environment presents many challenges. The current thesis presents a localization and mapping framework for a mobile robot. The framework is based on a variant of the iterative closest point (ICP) algorithm that considers both the scene geometry and the texture of the surfaces in order to achieve robust registration of point clouds. For the nearest neighbor search between two point clouds during the registration process, a variant of the random ball cover (RBC) data structure is used that explores a heavily pruned search space. A map is built based on the OctoMap framework so that it can represent free and unknown areas and offer efficient map accesses. For the acceleration of the processing, the whole framework has been designed from the ground up for execution on graphics hardware (GPGPU), leveraging that way the massive compute power of GPUs. The implementation relies on the OpenCL programming standard. The use of OpenCL allows one to take advantage of the two main computer architectures, namely CPUs and GPUs, that nowadays are present on every computing system, from a desktop computer to an embedded system. The result of the proposed framework implementation is a system that performs real-time frame-to-frame 3-D registration. Tests on the current version of the code show execution times for one ICP iteration close to 1 msec. 2016-01-20T08:55:22Z 2016-01-20T08:55:22Z 2015-10-13 Thesis http://hdl.handle.net/10889/9063 gr 0 application/pdf |
