Geri Dön

Güncel görüntüye dayalı eş zamanlı konumlama ve haritalama yöntemlerinin farklı veri kümeleri üzerindeki performans analizi

Performance analysis of state of the art visual simultaneous localization and mapping methods on different datasets

  1. Tez No: 697067
  2. Yazar: ÖMER FARUK YANIK
  3. Danışmanlar: DOÇ. DR. HAKKI ALPARSLAN ILGIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 88

Özet

Eş Zamanlı Konumlama ve Haritalama (EZKH), üzerinde çeşitli duyargalar bulunan bir robotun konumunu ve oryantasyonunu belirleme ile robotun bulunduğu çevrenin bir modelini (haritasını) eşzamanlı oluşturma problemi ile ilgilenmektedir. Robotun oryantasyonunu, hareketini ve bulunduğu çevreyi algılama görevini üstlenen duyargalar, EZKH çözümünün birincil unsurunu oluşturmaktadır. Düşük maliyetleri ve zengin veri içerikleri sebebiyle kameralar EZKH çözümlerinde gittikçe daha fazla tercih edilen duyargalar olmaktadır. Kameralar ile gerçekleştirilen EZKH çözümlerine Görsel-EZKH adı verilmektedir. Kameralar ucuz duyargalar olmakla birlikte, gerçek zamanlı işlemler için yüksek işlem gücüne sahip donanımlara ihtiyaç duymaktadır. Bununla birlikte donanımların yüksek işlem gücü, mobil robotların güç kısıtları ile de sınırlandırılmaktadır. Bu sebeple literatürde bulunan Görsel-EZKH yöntemlerinin işlem yüküne ve güç tüketimine etkisinin karşılaştırmaya açık hususlar olduğu değerlendirilmektedir. Bu çalışma kapsamında NVIDIA Jetson TX1 donanımı kullanılarak, ARM mimarisinde bir Merkezi İşlem Birimi (MİB) üzerinde çalıştırılmaya uygun olan ORB-SLAM2, Döngü Kapamalı Doğrudan Seyrek Odometri (DDSO) ve Doğrudan Seyrek Odometri (DSO) yöntemlerinin TUM Tek Kameralı Görsel Odometri, EUROC, ICL-NUIM ve KITTI veri kümeleri üzerindeki performanslarının karşılaştırılması amaçlanmıştır. Performans kriteri olarak hız, mutlak yörünge hatası, Rastgele Erişimli Bellek (REB) kullanımı, takas hafızası kullanımı, MİB kullanımı, Grafik İşlem Birimi (GİB) güç tüketimi ve toplam güç tüketimi parametreleri incelenmiştir. Elde edilen sonuçlar incelendiğinde, ORB-SLAM2'nin, işlemci yükü ve yörünge takip hatası açısından en iyi yöntem olduğu, GİB güç tüketimi ve toplam güç tüketimi açısından bakıldığında DSO'nun beklendiğinden daha fazla maliyetli olduğu, REB kullanımı açısından ise en zorlayıcı yöntemin DDSO olduğu belirlenmiştir.

Özet (Çeviri)

Simultaneous Localization and Mapping (SLAM) deals with the problem of determining the position and orientation of a mobile robot with various on-board sensors and simultaneously creating a map of the environment. Sensors perceiving the robot's orientation, motion and the environment of the robots are the primary elements of the SLAM. Because of their low prices and being rich data sources, cameras are being the more preferred sensors for Concurrent Mapping and Localization called as Visual-SLAM. Although cameras are inexpensive, they require high processing performance for real-time operations. However, the high processing performance of the hardware is also limited by the power constraints of robots. For this reason, it is considered that the effect of Visual-SLAM methods on the processing load and power consumption of autonomous robots is open to comparison. In this study, using NVIDIA Jetson TX1, it is aimed to compare the performances of ORB-SLAM2, Direct Sparse Odometry (DSO) and DSO with Loop Closure (LDSO) methods on TUM Monocular Visual Odometry, EUROC, ICL-NUIM and KITTI datasets. Speed, Absolute Trajectory Error (ATE), Random Access Memory (RAM), Swap Memory and Central Processing Unit (CPU) usage, Graphic Processing Unit (GPU) power consumption and total power consumption were examined as performance criteria. Results showed that ORB-SLAM2 is the best method in terms of processor load and absolute trajectory error; DSO is costlier than expected in terms of GPU power consumption and total power consumption; and LDSO is the most challenging method in terms of RAM usage.

Benzer Tezler

  1. Deep learning-based behavior analysis of seafarers

    Derin öğrenme tabanlı gemi adamlarının davranış analizi

    VEYSEL GÖKÇEK

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GAZİ KOÇAK

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  2. Kilikya bölgesinin güncel sismisitesi ve sismotektoniği

    Present day seismicity and seismotectonic of the cilicia basin

    MEHMET ERGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. HALUK GYİDOĞAN

    PROF.DR. MUSTAFA AKTAR

  3. Effective dose estimation with IDAC and OLINDA programs for oncological PET/CT procedures

    Onkolojik PET/BT taramalarında IDAC ve OLINDA programları ile etkin doz değerlendirmesi

    FATMA HİLAL BİKİRLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Radyoloji ve Nükleer Tıpİstanbul Teknik Üniversitesi

    Nükleer Araştırmalar Ana Bilim Dalı

    PROF. DR. NESRİN ALTINSOY

  4. Trakya bölgesi bağ alanlarının uzaktan algılama ve coğrafi bilgi sistemleri teknikleri ile incelenmesi

    Investigation of the Trakya (Thrace) region vineyard areas by using remote sensing and geographic information systems

    EMRE ÖZELKAN

    Doktora

    Türkçe

    Türkçe

    2014

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. CANKUT ÖRMECİ

    DOÇ. DR. ELİF SERTEL