28917

سامانه ناوبري تلفيقي بصري - اينرسي مبتني بر روش‌هاي هوشمند

كارشناسي ارشد

مهندسي برق - الكترونيك

1400-1402

1402/6/29

دكتر سيد محمدرضا موسوي ميركلائي

برق

پيشرفت‌هاي اخير در زمينه ناوبري بصري علاقه زيادي به روش‌هاي بدون نظارت داشته است كه نياز به داده‌هاي مرجع و برچسب‌دار را از بين مي‌برد. با اين حال، اين رويكردها به دليل تكيه بر داده‌هاي بصري تك چشمي و ناتواني آن‌ها در رسيدگي به خطا انباشته، براي كارهاي طولاني‌مدت ناوبري مناسب نيستند. در پاسخ به اين چالش‌ها، اين پايان‌نامه ناوبري بصري - اينرسي بدون نظارت (UnVIO) را معرفي مي‌كند. UnVIO داده‌هاي كم‌هزينه اينرسي را با داده‌هاي تصويري متوالي تركيب مي‌كند تا نقشه‌هاي عمق هر فريم را پيش‌بيني نمايد و ويژگي‌هاي بصري - اينرسي را به‌ طور تطبيقي براي ناوبري طولاني‌مدت تركيب كند. استراتژي جديد بهينه‌سازي پنجره لغزان خطاي انباشته و ابهام در مقياس را از طريق مراحل بهينه‌سازي درون پنجره‌اي و بين پنجره‌اي كاهش مي‌دهد. آزمايش‌هاي گسترده بر روي مجموعه داده‌هاي KITTI و Malaga، برتري UnVIO را بر ساير روش‌هاي VO/VIO نشان مي‌دهد. به طور همزمان، اين پايان‌نامه مدل ناوبري بصري مبتني بر يادگيري را ارائه مي‌كند كه با استفاده از مجموعه داده‌هاي متعدد و سناريوهاي دنياي واقعي، يك مدل مبتني بر يادگيري تعميم‌پذير است و از روش‌هاي مبتني بر هندسه در محيط‌هاي چالش‌برانگيز پيشي مي‌گيرد. اين مدل تعميم‌پذير از مجموعه داده‌هاي TartanAir استفاده مي‌كند كه سرشار از داده‌هاي مصنوعي متنوع از محيط‌هاي پيچيده است. براي افزايش تعميم‌پذيري در ميان مجموعه داده‌ها، يك تابع هزينه استفاده شده است كه مقايس نقشه خروجي متناسب با مقايس دنياي واقعي باشد و از يك لايه ذاتي براي پارامترهاي ذاتي دوربين استفاده شده تا براي دوربين‌هاي متنوع مدل پاسخگو باشد. نتايج آزمايش‌ها روي مجموعه داده‌هاي دنياي واقعي مانند KITTI و EuRoC نشان مي‌دهند كه به طور مداوم از روش‌هاي مبتني بر هندسه در مسيرهاي چالش ‌برانگيز بهتر عمل مي‌كند. خيلي از روش‌هاي مبتني بر هندسه در حركت پيچيده MAV مسير را گم مي‌كند، در حالي كه اين مدل مبتني بر يادگيري تعميم پذير با دقت بالايي موفق با مسيريابي مي‌شود.

1402/07/30

INS/Image Integrated Navigation System based on Intelligent Methods

9/19/2024 12:00:00 AM

Recent advances in visual navigation have shown significant interest in unsupervised approaches that eliminate the need for labeled and reference data. However, these approaches, relying on monocular visual data and their inability to handle accumulated errors, are not suitable for long-term navigation tasks. In response to these challenges, this thesis introduces Unsupervised Visual-Inertial Odometry (UnVIO). UnVIO combines low-cost inertial data with sequential visual data to predict depth maps for each frame and adaptively fuses visual-inertial features for long-term navigation. A novel optimization strategy reduces accumulated error and scale ambiguity through intra-window and inter-window optimization stages. Extensive experiments on the KITTI and Malaga datasets demonstrate the superiority of UnVIO over other VO/VIO methods. Simultaneously, this thesis presents a learning-based visual navigation model that, using diverse real-world datasets and scenarios, offers a generalizable learning-based model that outperforms geometry-based methods in challenging environments. This generalizable model leverages the TartanAir dataset, rich in diverse synthetic data from complex environments. To enhance generalizability across datasets, a loss function is used that compares the output map to real-world ground truth and utilizes an intrinsic layer for camera parameters, making the model responsive to various camera configurations. Experiment results on real-world datasets like KITTI and EuRoC consistently show superior performance in challenging trajectories compared to geometry-based methods. Many geometry-based methods lose track of complex MAV (Micro Aerial Vehicle) motions, while this generalizable learning-based model excels at navigation with high precision.

ناوبري بصري , ناوبري بصري - اينرسي , يادگيري بدون نظارت , تعميم‌پذيري , يادگيري عميق , ناوبري طولاني‌مدت , خطاي انباشته

Visual Odometry , Visual-Inertial Odometry , Unsupervised Learning , Generalization , Deep Learning , Long-Term Navigation , Accumulated Error

Mohammad Sadegh Kalami Yazdi

Mohammad Reza Mosavi