Metody rozpoznávání referenčních značek pro vizuální lokalizaci mobilních robotů

Abstract

Tato práce představuje metody pro rozpoznávání referenčních značek vhodné pro externí a palubní lokalizaci založenou na obraze, a rovněž zavádí nový systém pro lokalizaci značek. Nově popsaná referenční značka je schopná určení plných 6 stupňů volnosti, unikátní identifikace a zpracování v reálném čase. Tento typ dostupných značek spolu s běžnou kamerou cílí k přijetí robotickou komunitou jako náhrada za současné drahé lokalizační systémy. V práci také porovnáváme představenou značku s nejpopulárnějšími současnými značkami z hlediska jejich kvality určení pozice a orientace. Jelikož kvalita metod závisí na schopnosti přesně určit pozici, orientaci a ID, navrhli jsme kritéria pro testování chyby jak pozice, tak i orientace založená na reálných aplikací v oborech mobilní a rojové robotiky. Za tímto účelem jsme vyvinuli umělé prostředí založené na simulaci s třemi různými scénáři společně se systémem automatického testování a vyhodnocení. Abychom získali povědomí, jak se metody chovají v reálných podmínkách, otestovali jsme je rovněž na datasetu s robotickým rojem.

This thesis presents fiducial markers suitable for vision-based external and ego-localisation, as well as it introduces a new fiducial marker localisation system. The newly described marker is capable of the full 6 degrees of freedom estimation, unique identification and real-time evaluation. This kind of low-cost markers combined with an off-the-shelf camera aims to be accepted by the robotic community as a substitution of the current high-end expensive localisation systems. In the thesis, we also compare the fiducial marker with the most popular state-of-the-art methods in terms of pose estimation quality. As the quality of the methods depends on the ability to determine the pose and ID precisely, we proposed a set of criteria for testing both the position and orientation error based on real-world applications in fields of mobile and swarm robotics. For this purpose, an artificial simulation-based environment with three different scenarios was developed together with an automated testing and evaluation framework. To obtain knowledge about how the methods behave under real-world conditions, we also tested them on a swarm dataset.