Otimização por Janela Deslizante para Fusão de Odometria Visual Estéreo
Fusão de sensores; odometria visual estéreo; otimização em grafo
A estimativa precisa de movimento é uma tarefa essencial realizada na navegação de agentes móveis autônomos (aéreos ou terrestres) e na navegação de robôs. Nesta tese, propomos reduzir o erro da odometria visual estéreo ao usar poses de 6 graus de liberdade por meio de uma abordagem de fusão de odometria visual baseada na otimização por grafos usando informações redundantes capturadas do ambiente. Nossa abordagem usa dois conjuntos de imagens estéreo conseguidas a partir de um conjunto de dados público capturado com uma plataforma móvel montada no topo de um robô Pioneer 3AT para calcular a odometria estéreo independente empregando o algoritmo LIBVISO e, posteriormente, fundindo-os. Nossos resultados são comparados com dois modelos de SLAM muito conhecidos, o ORB-SLAM2 e o UCOSLAM, tendo como entrada para o algoritmo o par de odometria estéreo. O erro de pose relativo, das poses fundidas, diminui em até 94 \% em relação ao erro da odometria estéreo e em até 91 \% em comparação com os resultados do UCOSLAM. Nossas implementações são de código aberto e usam bibliotecas públicas.