La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 Cartographie et Localisation par vision monoculaire Joan Solà et Thomas Lemaire LAAS-CNRS Toulouse, France Séminaire LAAS 29 juin 2006.

Présentations similaires


Présentation au sujet: "1 Cartographie et Localisation par vision monoculaire Joan Solà et Thomas Lemaire LAAS-CNRS Toulouse, France Séminaire LAAS 29 juin 2006."— Transcription de la présentation:

1 1 Cartographie et Localisation par vision monoculaire Joan Solà et Thomas Lemaire LAAS-CNRS Toulouse, France Séminaire LAAS 29 juin 2006

2 2 I.Fondements du SLAM par vision. Joan Solà II.Méthodes retardées. Expériences. Thomas Lemaire III.Méthodes immédiats et ses extensions. Perception en vision. Joan Solà IV.Cartographie plus complexe. Cameras panoramiques. Thomas Lemaire Cartographie et Localisation par vision monoculaire

3 3 Exploration: Cartographie et Localisation CorrectionPerceptionDéplacementPerceptionMise en correspondance PrédictionMesureCorrection Estimation et Filtrage SLAM SLAM: de langlais, Simultaneous Localization And Mapping

4 4

5 R 5

6 6 Vision Monoculaire vs. Stereo Observabilité 3D immédiate (à distance limitée) Robustesse et compacité Fragilité mécanique : problèmes de calibrage Observabilité 3D à partir du mouvement

7 7 Le problème du monoculaire: Initialisation des Amers Lapproche naïve ? TeTe t actuel t precedent t actuel ?

8 8 Le problème: Initialisation des Amers Considération des incertitudes t actuel t precedent t actuel Le point 3D est dedans TeTe ?

9 9 L'idée CLÉE ? ? Lapproximation initiale est facile La sélection des membres est facile et sûre Le dernier membre est facilement incorporé Initialisation immédiate INITIALISATION retardée... [Lemaire 05] [Kwok 04] [Solà 05]

10 10 Définition du Rayon Géométrique Définir une série géométrique de Gaussiennes x R : position de la camera 4 r4r4 3 r3r3 = i / r i = r i / r i-1 [ r min r max ] Remplir lespace entre r min et r max 1.Avec le nombre minimal de termes 2.Tout en respectant les contraintes de linéarisation

11 11 Facteur de forme, base géométrique et limites de distance Le nombre de termes est logarithmique en r max / r min : On obtient des nombres très petits : Les membres étant Gaussiens, ils sont facilement manipulables avec FKE. Les bénéfices du Rayon Géométrique Scénario r min r max Ratio NgNg Intérieur Extérieur Longue portée [r min, r max ] N g = f ( log( r max / r min ) 1 2

12 12 Comment ça marche La première observation détermine le Rayon Conique

13 13 Japproche le Rayon Conique avec le Rayon Géométrique Je peux initialiser les membres maintenant : Jobtiens une méthode immédiate. Comment ça marche

14 14 Je me déplace et réalise une deuxième observation Je peux distinguer les membres dans limage Comment ça marche

15 15 Je calcule vraisemblances et actualise crédibilités Cest comme modifier la forme du rayon Comment ça marche

16 16 J'élimine les membres invraisemblables Cest une opération triviale et conservatrice Comment ça marche

17 17 Avec des méthodes immédiates je peux corriger la carte SLAM Comment ça marche

18 18 Je continue... Comment ça marche

19 19 Et un jour il ne restera quun seul membre. Ce membre est déjà Gaussien! Si je linitialise maintenant jai une méthode retardée Comment ça marche 3

20 20 Méthodes retardées et immédiates Plus simples à implémenter. Linformation issue des observations partielles nest pas utilisée immédiatement. retardées immédiates Plus de difficultés mathématiques et algorithmiques. Les observations des amers contribuent au SLAM dès le début.

21 21 min Observabilité: Trajectoires non contraintes

22 22 retardées immédiates min Trajectoires fortement contraintes : Méthodes retardées et immédiates

23 23 Thomas

24 24 retardées immédiates retardées immédiates retardées immédiates retardées immédiates Méthodes retardées et immédiates immédiates Champ de vue

25 25 Aspects mathématiques et algorithmiques pour linitialisation immédiate Perception pour le SLAM par vision Extensions des méthodes: –Objets mobiles dans la scène –Auto-calibrage pour la Stéréo Troisième partie

26 26 L'algorithme du Partage Fédératif de lInformation (PFI) 1.Initialiser les membres comme des amers différents dans la même carte SLAM 2.Lors des observations postérieures : Actualiser les crédibilités et éliminer les mauvais membres Effectuer une correction fédérée 3.Quand il ne reste quun membre: Rien à faire immédiate

27 27 L'algorithme PFI La Correction : un moment délicat –Une observation / multiples hypothèses Si je corrige plusieurs fois : inconsistance Si je corrige sur la mauvaise hypothèse : divergence immédiate ?

28 28 L'algorithme PFI La Correction Fédérée : Partager lInformation –Observation y avec bruit de covariance R : information R -1 –N hypothèses à corriger immédiate { y, R 1 } { y, R 2 } { y, R N } … Observation { y, R } correction sur membre 1 correction sur membre 2 correction sur membre N … Partage de lInformation: Coefficient Fédératif i : Privilège des vraisemblances:

29 29 Perception : recherche active Observation initiale dun amer –Sur un point d'intérêt, point de Harris –Enregistrer une imagette comme descripteur, 15x15 pixels Observations ultérieures –Projeter tous les amers de la carte sur limage avec ses ellipses dincertitude –En sélectionner ceux avec ellipses de majeure surface –Ajuster la taille et rotation de limagette selon les informations de profondeur et orientation de lamer contenues dans la carte –Réaliser une recherche dans lellipse par maximum de corrélation –Récupérer le pixel gagnant comme mesure de lamer

30 30 L'algorithme PFI

31 31 Extensions Détection et suivi dobjets mobiles –Besoin dobservabilité totale : revenir sur la stéréo Auto-calibrage dun banc stéréo

32 32 Thomas


Télécharger ppt "1 Cartographie et Localisation par vision monoculaire Joan Solà et Thomas Lemaire LAAS-CNRS Toulouse, France Séminaire LAAS 29 juin 2006."

Présentations similaires


Annonces Google