Dlouhodobá vizuální lokalizace mobilního robotu v proměnném prostředí

Abstract

Tato práce se zabývá vývojem metod, které jsou vhodné pro lokalizaci v dynamickém prostředí s využitím life-long learning přístupu. Metody implementované v této práci jsou založeny na vzdálenosti descriptorů významných bodů. Čím větší změna se ve scéně vyskytne, tím nižší váhy jsou deskriptorům v této oblasti přiřazeny. Life-long learning aspekt spočívá ve váhování deskriptorů. Váhy jsou aktualizovány při běhu robotu. Tímto způsobem se robot učí jak se lokalizovat v dynamickém prostředí. V rámci této práce byly implementovány 3 metody váhování: normalizace vektoru vzdáleností, odčítání minulé vzdálenosti a globální referenční hodnota. Dále byly vyzkoušeny dva přístupy k lokalizaci: přiřazování významných bodů a transformování keypointů. Metody byly ohodnoceny na experimentálních datech, která byla získána nahrávním v aréně sestavené výhradně pro tento účel. Projekt je implementován v jazyce C++ v prostředí ROS.

This thesis focuses on the development of methods suitable for the localization task in changing environments using the life-long learning approach. The methods implemented in this thesis are based on keypoint descriptor distances. The more significant is the change occurring in the scene, the lower weights are assigned to the descriptors in the changed area. The life-long learning aspect of the method consists in the weighting of the descriptors. The weights are being updated during the robot operation. This way the robot learns how to localize itself in a changing environment. Three different methods of weighting were implemented: distance vector normalization, past distance subtraction and global reference value. Two approaches to localization were tested: matched keypoints and transformed keypoints. The methods were evaluated on experimental data that have been recorded in an arena constructed for this purpose. The project is implemented in C++ in the ROS environment.