Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/4269
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorSouza, Alberto Ferreira de-
dc.date.accessioned2016-08-29T15:33:19Z-
dc.date.available2016-07-11-
dc.date.available2016-08-29T15:33:19Z-
dc.identifier.urihttp://repositorio.ufes.br/handle/10/4269-
dc.publisherUniversidade Federal do Espírito Santopor
dc.titleImage-based mapping and localization using VG-RAM weightless neural networkseng
dc.typemasterThesiseng
dc.subject.udc004-
dc.subject.br-rjbnRedes neurais (Computação)por
dc.subject.br-rjbnRobóticapor
dc.subject.br-rjbnVisão por computadorpor
dc.subject.br-rjbnMapeamento digitalpor
dc.subject.br-rjbnAprendizado do computadorpor
dcterms.abstractLocalização e Mapeamento são problemas fundamentais da robótica autônoma. Robôs autônomos necessitam saber onde se encontram em sua área de operação para navegar pelo ambiente e realizar suas atividades de interesse. Neste trabalho, apresentamos um sistema para mapeamento e localização baseado em imagens que emprega Redes Neurais Sem Peso do Tipo VG-RAM (RNSP VG-RAM) para um carro autônomo. No nosso sistema, uma RNSP VG-RAM aprende posições globais associadas à imagens e marcos tridimensionais capturados ao longo de uma trajetória, e constrói um mapa baseado nessas informações. Durante a localização, o sistema usa um Filtro Estendido de Kalman para integrar dados de sensores e do mapa ao longo do tempo, através de passos consecutivos de predição e correção do estado do sistema. O passo de predição é calculado por meio do modelo de movimento do nosso robô, que utiliza informações de velocidade e ângulo do volante, calculados a partir de imagens utilizando-se odometria visual. O passo de correção é realizado através da integração das posições globais que a RNSP VG-RAM com a correspondência dos marcos tridimensional previamente armazenados no mapa do robô. Realizamos experimentos com o nosso sistema usando conjuntos de dados do mundo real. Estes conjuntos de dados consistem em dados provenientes de vários sensores de um carro autônomo, que foram sistematicamente adquiridos durante voltas ao redor do campus principal da UFES (um circuito de 3,57 km). Nossos resultados experimentais mostram que nosso sistema é capaz de aprender grandes mapas (vários quilômetros de comprimento) e realizar a localização global e rastreamento de posição de carros autônomos, com uma precisão de 0,2 metros quando comparado à abordagem de Localização de Monte Carlo utilizado no nosso veículo autônomo.por
dcterms.abstractMapping and localization are fundamental problems in autonomous robotics. Autonomous robots need to know where they are in their operational area to navigate through it and to perform activities of interest. In this work, we present an image-based mapping and localization system that employs Virtual Generalizing Random Access Memory Weightless Neural Networks (VGRAM WNN) for localizing an autonomous car. In our system, a VG-RAM WNN learns world positions associated with images and three-dimensional landmarks captured along a trajectory, in order to build a map of the environment. During the localization, the system uses its previous knowledge and uses an Extended Kalman Filter (EKF) to integrate sensor data over time through consecutive steps of state prediction and correction. The state prediction step is computed by means of our robot’s motion model, which uses velocity and steering angle information computed from images using visual odometry. The state correction step is performed by integrating the VG-RAM WNN learned world positions in combination to the matching of landmarks previously stored in the robot’s map. Our system efficiently solves the (i) mapping, (ii) global localization and (iii) position tracking problems using only camera images. We performed experiments with our system using real-world datasets, which were systematically acquired during laps around the Universidade Federal do Espírito Santo (UFES) main campus (a 3.57 km long circuit). Our experimental results show that the system is able to learn large maps (several kilometres in length) of real world environments and perform global and position tracking localization with mean pose precision of about 0.2m compared to the Monte Carlo Localization (MCL) approach employed in our autonomous vehicle.eng
dcterms.alternativeMapeamento e localização baseados em imagem utilizando redes neurais sem peso do tipo VG-RAMpor
dcterms.creatorLyrio Júnior, Lauro José-
dcterms.formatTexteng
dcterms.issued2014-08-25-
dcterms.languageengeng
dc.contributor.advisor-co1Santos, Thiago Oliveira dos-
dc.publisher.countryBRpor
dc.publisher.programPrograma de Pós-Graduação em Informáticapor
dc.publisher.initialsUFESpor
dc.subject.cnpqCiência da Computaçãopor
dc.publisher.courseMestrado em Informáticapor
dc.contributor.refereeVellasco, Marley Maria Bernardes Rebuzzi-
dc.contributor.refereeGonçalves, Claudine Santos Badue-
Aparece nas coleções:PPGI - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_7983_dissertation_v19_revisada.pdf2.71 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.