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
- Tez No: 697067
- Danışmanlar: DOÇ. DR. HAKKI ALPARSLAN ILGIN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Deep learning-based behavior analysis of seafarers
Derin öğrenme tabanlı gemi adamlarının davranış analizi
VEYSEL GÖKÇEK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ KOÇAK
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Kilikya bölgesinin güncel sismisitesi ve sismotektoniği
Present day seismicity and seismotectonic of the cilicia basin
MEHMET ERGİN
Yüksek Lisans
Türkçe
1999
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. HALUK GYİDOĞAN
PROF.DR. MUSTAFA AKTAR
- Breast sentinel lymph node cancer detection from mammography images based on quantum wavelet transform and atrous pyramid convolutional neural network
Başlık çevirisi yok
MOHAMMED NAYYEF QASIM
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BAYAT
- 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
2024
Radyoloji ve Nükleer Tıpİstanbul Teknik ÜniversitesiNükleer Araştırmalar Ana Bilim Dalı
PROF. DR. NESRİN ALTINSOY
- 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
2014
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. CANKUT ÖRMECİ
DOÇ. DR. ELİF SERTEL