Využití hustého mračna bodů pro lokalizaci ve vnitřních prostorách

Abstract

Přesná a robustní lokalizace je důležitá v mnoha aplikacích jako například rozšířena realita nebo navigace robotů. Nejmodernější přístupy založené na lokalizaci pomocí fotografií poskytují odhad pozice, který je přesný. Avšak najít přesný odhad pozice je náročné v prostředích bez textur či v prostředích, kde se vizuální prvky opakují. Tato práce navrhuje postup využití metody lokalizace z fotek společně se zarovnáváním hustých mračen bodů k zrobustnění a zpřesnění pozice kamery. Také je představen postup pro získání přesné validační sady dat pro lokalizaci RGB-D snímků za pomoci technologií Microsoft HoloLens, Matterport Pro2 a Vicon. Na těchto datech jsou porovnány čtyři metody pro zarovnávání mračen bodů.

Accurate and robust localization is crucial in various fields such as augmented reality or robot navigation. State-of-the-art methods based on image localization give pose estimation which are rather accurate. However accurate pose estimation might be challenging in plain (texture-less) or visually repeating environments. This thesis proposes an approach to combine state-of-the-art localization method with dense point cloud alignment to obtain robust and accurate camera poses. It also presents a process of obtaining a ground truth dataset for RGB-D localization using Microsoft HoloLens, Matterport Pro2 and Vicon. The proposed point cloud alignment methods are then evaluated on the created ground truth data.