Histogram-based sampling and multi-level global registration for 3D point clouds
3B nokta bulutları için histogram tabanlı örnekleme ve çok katmanlı global eşleştirme
- Tez No: 911200
- Danışmanlar: PROF. DR. HAKAN TEMELTAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Science and Technology, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 169
Özet
Ortamın algılanması robotik sistemlerin geli¸stirilmesi için öncelikli olarak gerekli en temel ihtiyaçlardan biridir. Literatiürdeki çalı¸smalar dikkate alındıgında ortamın ˘ algılanmasına yönelik çalı¸smalar ba¸slangıçta iki boyutlu (2B) algılama ¸seklindeydi. Kameralardan alınan görüntülerin görüntü i¸sleme teknikleriyle i¸slenmesiyle bu alanda ilk adımlar atılmı¸stır. Bu çalı¸smalar çoklu kameralar kullanılarak üç boyutlu (3B) görüntüler elde edilmeye çalı¸sılmı¸stır ve ortam algılamasına yönelik çalı¸smalar daha kapsamlı bir hale getirilmi¸stir. Kameraların performansının ı¸sık ko¸suluna baglı ˘ olarak degi¸skenlik göstermesi, bu alanda yeni sensör teknolojilerinin geli¸stirilmesi ˘ ihtiyacını dogurmu¸stur. Bu amaca hizmet etmesi için öncelikle 2B ortam algılaması ˘ yapan sensörler geli¸stirilmi¸stir. Bu sensörler temelde sesin ya da ı¸sıgın bir nesneye ˘ çarpıp tekrar çıkı¸s kaynagı üzerine geri dönü¸s süresini de ˘ gerlendirerek fiziksel bir ˘ engelin sensöre olan uzaklıgını hesaplamaktadır. Bu sayede ortam 2B olarak ˘ modellenmektedir ve bu veriler ortamın haritalandırılmasında kullanılabilmektedir. Bu tür sensörler iç ortamların haritalndırılmasında kullanı¸slı olsa da, detayların çok daha fazla ve karma¸sık oldugu dı¸s ortamlarda kullanıma çok uygun de ˘ gildir. Özellikle ˘ yükseltinin de degi¸sken olu¸su, 2B algılama yapan sensörlerin yetersiz kalmasına ˘ neden olmu¸stur. 3B ölçüm yapan sensörler bu ihtiyaç üzerine dogmu¸stur. 3B bir ˘ uzayda fiziksel çevrenin detaylı bir modelini elde etmek için genellikle 3B LiDAR (Light Detection and Ranging) sensörleri kullanılmaktadır. 3B LiDAR sensörler temel çalı¸sma prensibi olarak 2B LiDAR sensörlere fazlasıyla benzemektedir. 2B LiDAR sensörler göndermi¸s oldukları lazer ı¸sınıyla ortamın 2B haritasını çıkartırken, 3B LiDAR sensörler çok katmanlı bir 2B LiDAR sensör gibi çalı¸smaktadır. Bu sayede birden fazla katman tarafından toplanan 2B veri, ortaya 3B daha geli¸smi¸s bir ortam algılamasına imkan tanımaktadır. Tarihsel açıdan degerlendirildi ˘ ginde, nokta bulutu üretimi, o dönemin teknolojik ve ˘ teorik altyapısındaki sınırlamalar nedeniyle önemli zorluklarla kar¸sıla¸smı¸stır. 3B veri edinimine yönelik ilk çalı¸smalar, sensörlerin sınırlı çözünürlügü ve do ˘ grulu ˘ gu ile ˘ sınırlı kalmı¸s, bu da üretilen nokta bulutlarının dü¸sük kaliteli olmasına yol açmı¸stır. Bunun yanı sıra, toplanan büyük hacimli verilerin i¸slenmesi ve yorumlanması için gerekli olan hesaplama gücü, erken dönem teknolojilerinin kapasitesini a¸smı¸s ve bu durum, 3B verilerin etkin bir ¸sekilde kullanılmasını kısıtlamı¸stır. Dolayısıyla, ilk dönemlerde elde edilen 3B veriler hem nitelik hem de nicelik açısından istenilen düzeye ula¸samamı¸stır. Bu teknolojik sınırlamaların ötesinde, veri toplama sürecinde kullanılan teorik çerçeveler ve algoritmalar da nokta bulutu üretiminin erken dönemlerindeki en büyük engellerden biri olmu¸stur. Erken algoritmalar, 3B verilerin hassas bir ¸sekilde i¸slenmesi için yeterince optimize edilmemi¸s, bu da veri yorumlama sürecinde hataların ve dogruluk eksikliklerinin ortaya çıkmasını ˘ beraberinde getirmi¸stir. Ancak, yakın zamanda yapılan çalı¸smalar 3B görüntüleme teknolojilerinde devrim niteliginde bir dönü¸süm getirmi¸stir. Geli¸stirilen yeni sensör ˘ teknolojileri, yüksek çözünürlük ve dogrulu ˘ ga sahip verilerin toplanmasını mümkün ˘ kılmı¸stır. Bu baglamda, özellikle 3B LiDAR sensörleri, hem veri yo ˘ gunlu ˘ gu hem ˘ de hassasiyet açısından çıgır açıcı bir yenilik olarak öne çıkmı¸stır. 3B LiDAR ˘ sensörleri, fiziksel çevrenin detaylı bir nokta bulutunu olu¸sturabilme yetenegi ile ˘ yalnızca akademik ara¸stırmalar için degil, aynı zamanda ticari uygulamalar için de ˘ kritik bir araç haline gelmi¸stir. Bu geli¸smeler, 3B verilerin sadece sayısal modelleme ve haritalama i¸slemlerinde degil, aynı zamanda otonom araçlar, robotik, mimarlık ve ˘ cografi bilgi sistemleri gibi birçok alanda da geni¸s kapsamlı uygulamalar bulmasına ˘ olanak tanımı¸stır. LiDAR teknolojisinin sundugu yüksek do ˘ gruluk, büyük ölçekli veri ˘ toplama kapasitesi ve geli¸smi¸s uzaysal çözünürlük, bu teknolojinin çevre algılaması ve modellemesi alanında standart bir çözüm haline gelmesini saglamı¸stır. Bu sayede, ˘ nokta bulutu verileri, çe¸sitli platformlardan elde edilen çoklu sensör verilerinin entegrasyonu ile daha karma¸sık ve ayrıntılı 3B modellerin olu¸sturulmasına katkıda bulunmu¸stur. Nokta bulutu verilerinin i¸slenmesinin önemi, robotik, 3B nesne rekonstrüksiyonu, otonom sistemler, haritalama ve tıbbi görüntüleme gibi giderek daha karma¸sık ve çok disiplinli hale gelen uygulamaların talepleri dogrultusunda büyük ölçüde artmı¸stır. ˘ Bu tür uygulamalar, yüksek çözünürlüklü ve ayrıntılı 3B veriler gerektirdiginden, ˘ genellikle büyük hacimli ve karma¸sık veri setlerinin i¸slenmesini zorunlu kılmaktadır. Bu veri setleri, ortamın hassas bir ¸sekilde modellenmesi ve analiz edilmesi için gerekli olan bilgiyi barındırsa da, bu verilerin etkin bir ¸sekilde i¸slenebilmesi için önemli ölçüde hesaplama gücü ve depolama kapasitesine ihtiyaç duyulmaktadır. Özellikle gerçek zamanlı uygulamalarda, bu tür verilerin i¸slenmesi daha da büyük bir zorluk haline gelmektedir. Nokta bulutu verilerinin i¸slenmesi konusundaki zorluklar, sensörlerin sahip oldugu do ˘ gal sınırlamalar nedeniyle daha da karma¸sık ˘ bir hale gelmektedir. Nokta bulutu verilerini saglayan sensörler, ideal ko¸sullar ˘ altında çalı¸ssalar bile, çe¸sitli faktörlerden dolayı sıklıkla gürültülü veriler üretebilir. Bu gürültüler, sensörün çevresel ko¸sullara verdigi tepkiler, yüzey yansımalarındaki ˘ düzensizlikler veya sensörün kendisine özgü teknik sınırlamalardan kaynaklanabilir. Ayrıca, bu verilerde sıklıkla hatalı ölçüm degerleri bulunabilir, ki bu hatalı ölçüm ˘ degerleri genellikle analiz süreçlerinde istenmeyen sonuçlara yol açar. Bunun yanı ˘ sıra, ham nokta bulutu verilerinin dogası gere ˘ gi, bazı veriler i¸slenebilirlik açısından ˘ anlamlı bilgi ta¸sımayabilir, bu da verilerin kalitesini dü¸sürerek i¸sleme süreçlerinde ciddi sorunlara neden olabilir. Bu tür sorunlar, verilerin daha dogru ve verimli bir ˘ ¸sekilde kullanılabilmesi için etkili ön i¸sleme tekniklerinin uygulanmasını zorunlu kılmaktadır. Ön i¸sleme adımları, ham nokta bulutu verilerindeki gürültülerin ve hatalı ölçüm degerlerin filtrelenmesi, veri yo ˘ gunlu ˘ gunun optimize edilmesi ve i¸slenebilir ˘ veri noktalarının belirlenmesini içermektedir. Ayrıca, verilerin düzgün hizalanması, koordinat sistemlerinde dogrulu ˘ gun sa ˘ glanması ve veri boyutunun optimize edilmesi ˘ gibi adımlar da bu süreçte önem kazanmaktadır. Bu tür ön i¸sleme teknikleri, sadece verilerin kalitesini artırmakla kalmaz, aynı zamanda bu verilerin i¸sleme a¸samasında daha dü¸sük hesaplama maliyeti ile yönetilmesine olanak tanır. Sonuç olarak, nokta bulutu verilerinin i¸slenmesi, giderek karma¸sıkla¸san uygulamaların gerektirdigi ˘ dogruluk ve performans seviyelerine ula¸sılabilmesi için büyük bir öneme sahiptir. Bu süreçte, sensörlerden elde edilen ham verilerin, etkili ön i¸sleme teknikleri ile optimize edilmesi ve anlamlı hale getirilmesi, ba¸sarılı bir veri i¸sleme ve analiz sürecinin temelini olu¸sturmaktadır. Geli¸smi¸s algoritmalar ve hesaplama teknikleri, bu süreci destekleyerek, sensörlerden elde edilen verilerin daha dogru, güvenilir ve uygulanabilir ˘ olmasını saglamaktadır. ˘ Bir nokta bulutu verisinin ilk olu¸sturulma amacı ne olursa olsun, genellikle ortamın ya da nesnenin daha eksiksiz ve ayrıntılı bir temsilini elde edebilmek için farklı açılardan ve mesafelerden ek veri toplanması gerekli hale gelir. Bu çe¸sitli açılardan elde edilen nokta bulutları, genellikle bir küresel koordinat sisteminde birle¸stirilir ve böylece çevrenin ya da nesnenin daha bütüncül ve dogru bir modeli olu¸sturulur. Bu i¸slem, ˘“nokta bulutu kayıt i¸slemi”(point cloud registration) olarak adlandırılır ve robotik, otonom sürü¸s, haritalama, ve tıbbi görüntüleme gibi çok çe¸sitli disiplinlerde kritik bir öneme sahiptir. Nokta bulutu kayıt i¸slemi, birden fazla nokta bulutu veri setini, aralarındaki dönü¸sümler (rotasyon, translasyon ve ölçekleme gibi) tahmin edilerek hizalamayı içerir. Temel amaç, her bir veri setinin birbirine göre konumunu ve yönelimini dogru bir ¸sekilde belirleyerek, nihai olarak tek ve do ˘ gru bir küresel temsil ˘ elde etmektir. Bu süreç, elde edilen nokta bulutlarının gerçege uygun, bozulmalardan ˘ arındırılmı¸s ve yanlı¸s hizalamalardan uzak bir ¸sekilde birle¸smesini saglar. Nokta bulutu ˘ kaydı sürecinde kar¸sıla¸sılan en önemli zorluklardan biri, sensörlerden elde edilen verilerin dagınık yapısıdır. Farklı açılardan alınan nokta bulutları arasında örtü¸sme ˘ seviyeleri degi¸siklik gösterebilir ve bu da hizalama sürecini daha karma¸sık hale ˘ getirebilir. Örtü¸sme oranlarının dü¸sük oldugu durumlarda, dönü¸süm parametrelerinin ˘ dogru bir ¸sekilde tahmin edilmesi zorla¸sır. Aynı zamanda, sensörlerden kaynaklanan ˘ gürültü ve hatalı ölçüm degerleri, hizalama i¸sleminin do ˘ grulu ˘ gunu etkileyebilir. Bu ˘ tür verilerin önceden i¸slenmesi ve temizlenmesi, nokta bulutu kaydı için kritik bir adım olarak kabul edilmektedir. Nokta bulutu kayıt i¸slemi, genel olarak iki ana a¸samaya ayrılır: kaba hizalama ve ince hizalama. Kaba hizalama a¸samasında, veri setleri arasında büyük ölçüde tahmini dönü¸sümler uygulanarak noktaların birbirine kabaca uyumlu hale getirilmesi amaçlanır. Bu a¸sama, genellikle daha dü¸sük dogruluk ˘ gerektirir ancak büyük oranda veri setinin genel yapısını anlamak için yeterlidir. ˙ Ince hizalama a¸samasında ise, noktaların tam olarak örtü¸smesi saglanarak daha ˘ hassas dönü¸sümler uygulanır. Bu a¸samada, Iterative Closest Point (ICP) gibi yaygın kullanılan algoritmalar devreye girer ve her bir noktanın en yakın kom¸susuyla e¸sle¸stirilmesiyle hassas hizalama saglanır. Bu süreçte önemli bir di ˘ ger konu, dönü¸süm ˘ parametrelerinin dogru bir ¸sekilde optimize edilmesidir. Dönü¸süm parametrelerinin ˘ hatalı belirlenmesi, sonuçta elde edilen birle¸sik nokta bulutunun hatalı hizalanmasına ve bozulmu¸s bir çevre veya nesne temsiline yol açabilir. Bu nedenle, nokta bulutu kaydı sırasında kullanılan optimizasyon yöntemleri ve algoritmalarının dogrulu ˘ gu, ˘ i¸slemin ba¸sarısı için hayati öneme sahiptir. Sonuç olarak, nokta bulutu kaydı, çoklu nokta bulutlarının dogru bir ¸sekilde birle¸stirilmesini sa ˘ glayan, çevre veya nesnenin ˘ gerçek dünya temsilinin dogrulu ˘ gunu güvence altına alan kritik bir süreçtir. Ba¸sarılı ˘ bir nokta bulutu kaydı, birçok ileri teknoloji uygulamasında veri i¸sleme zincirinin önemli bir adımını olu¸sturur ve bu süreçte kullanılan teknikler, verilerin dogrulu ˘ gunu ˘ ve güvenilirligini do ˘ grudan etkiler. ˘ Bununla birlikte, nokta bulutu kayıt i¸slemi genellikle i¸sin dogasındaki büyük ˘ veri hacmi ve i¸sleme sürecinin gerektirdigi yüksek hesaplama maliyeti nedeniyle ˘ oldukça karma¸sık bir hale gelmektedir. Nokta bulutu verileri, çevrenin veya nesnenin ayrıntılı ve yogun bir 3B temsili oldu ˘ gundan, genellikle milyonlarca hatta milyarlarca noktayı içerebilir. Bu kadar büyük bir veri setinin i¸slenmesi, özellikle gerçek zamanlı uygulamalarda büyük zorluklar ortaya çıkarmakta ve i¸slem süresini ciddi ¸sekilde uzatabilmektedir. Bu durum, nokta bulutu kaydının verimli bir ¸sekilde gerçekle¸stirilmesini zorla¸stırmakta ve büyük veri setleriyle ba¸sa çıkmak için yenilikçi çözümler gerektirmektedir. Bu zorlukları hafifletmek için kullanılan temel yakla¸sımlardan biri, nokta bulutu örnekleme yöntemleridir. Örnekleme teknikleri, nokta bulutunun boyutunu küçültmeyi amaçlarken, aynı zamanda ortamın veya nesnenin kritik geometrik özelliklerini korumaya odaklanır. Böylece, daha az sayıda nokta ile kaydın yapılmasına imkan tanınırken, i¸sleme a¸samalarının verimliligi artırılmı¸s olur. Nokta bulutu örnekleme, yalnızca hesaplama yükünü ˘ azaltmakla kalmaz, aynı zamanda dikkatlice seçilen veri noktalarına odaklanarak kayıt i¸sleminin dogrulu ˘ gunu artırma potansiyeline de sahiptir. Nokta sayısının ˘ azaltılması, genel verinin geometrik bütünlügünü bozabilir ve bu da kaydedilen ˘ nokta bulutunun dogrulu ˘ gunu olumsuz yönde etkileyebilir. Bu nedenle, örnekleme ˘ teknikleri, veri yogunlu ˘ gunu dü¸sürürken önemli detayların kaybolmamasını sa ˘ glamak ˘ amacıyla özenle tasarlanmalıdır. ˙ Iyi tasarlanmı¸s bir örnekleme yöntemi, veri setindeki gürültü ve hatalı ölçüm degerlerinin de etkisini azaltarak daha temiz ve optimize ˘ edilmi¸s bir nokta bulutu olu¸sturabilir. Örneklenen nokta bulutları daha küçük ve daha yönetilebilir hale geldiginden, farklı veri setleri arasındaki hizalama hatalarını tespit ˘ etmek ve düzeltmek daha hızlı ve dogru bir ¸sekilde yapılabilir. Bu, özellikle karma¸sık ˘ ve büyük ölçekli ortamlarda elde edilen nokta bulutları için büyük bir avantaj saglar. ˘ Son yıllarda, çoklu robot uygulamalarında Heterojen Robotik Sistemlerin—˙ Insansız Kara Araçları (UGV'ler) ve ˙ Insansız Hava Araçları (UAV'ler) bile¸senlerini içeren—kullanımı giderek daha fazla önem kazanmı¸stır. Bu sistemler, çevrenin farklı perspektiflerden daha kapsamlı bir ¸sekilde algılanmasını saglama avantajına sahiptir. ˘ UGV'ler, zemine yakın bölgelerde gezinme ve detaylı veri toplama yetenekleriyle, bu alanların ayrıntılı bir ¸sekilde yeniden in¸sasında ba¸sarılıdırlar. Yüksek çözünürlüklü sensörlerle donatılan UGV'ler, engellerin etrafında dola¸sarak karma¸sık alanların detaylarını yakalama konusunda oldukça etkilidir. Bu nedenle, özellikle düzensiz arazilerde, dar geçitlerde veya insan eri¸siminin zor oldugu alanlarda, yer tabanlı ˘ veri toplama ve modelleme açısından büyük bir avantaj sunarlar. Öte yandan, UAV'ler, yer tabanlı araçların eri¸semedigi bölgelerin, örne ˘ gin çatılar, yüksek yapılar ˘ veya geni¸s açık alanların haritalanması konusunda önemli bir avantaj saglarlar. ˘ UAV'ler, yüksek irtifalardan geni¸s alanları hızlı bir ¸sekilde tarayarak, bu alanların genel yapısını ve topografyasını daha büyük ölçekte algılayabilir. Ayrıca, hızlı hareket yetenekleri ve yüksek manevra kabiliyetleri sayesinde, dogal afetler gibi acil ˘ durumlarda büyük ölçekli alanların hızlı bir ¸sekilde ke¸sfedilmesi ve haritalanması için kritik öneme sahiptirler. Özellikle geni¸s arazilerin, ormanların veya daglık ˘ bölgelerin haritalanması gibi görevlerde, UAV'ler son derece etkili bir çözüm sunar. Heterojen sistemlerin en büyük avantajlarından biri, UGV'ler ve UAV'ler tarafından elde edilen verilerin entegrasyonu ile ortaya çıkan sinerjidir. Bu sistemler, yer ve hava perspektiflerinden elde edilen verilerin birle¸smesi sayesinde, çevrenin daha kapsamlı, dogru ve ayrıntılı bir 3B haritasının olu¸sturulmasını sa ˘ glar. Bu ˘ entegrasyon, tek bir platformun saglayabilece ˘ gi veri kısıtlamalarını a¸sarak, eksiksiz ˘ bir çevre modeli olu¸sturur. Örnegin, sadece yer tabanlı bir haritalama sistemi, ˘ geni¸s alanlarda veya yüksek noktalarda bilgi eksikliklerine yol açabilirken, sadece hava tabanlı bir sistem ise yüzey detaylarını kaçırabilir. Ancak, UGV ve UAV verilerinin birlikte kullanılmasıyla bu eksiklikler giderilir ve her iki platformun güçlü yönleri bir araya getirilerek, büyük ölçekli haritalama ve ke¸sif süreçlerinde daha üstün sonuçlar elde edilir. Bu yer-hava robotları arasındaki entegrasyon, çevreyi daha derinlemesine anlama ve otonom navigasyon yeteneklerinin geli¸stirilmesinde önemli katkılar saglar. Özellikle, büyük ve karma¸sık alanların otonom olarak ke¸sfi ˘ ve haritalanması gerektiginde, heterojen robotik sistemler vazgeçilmez bir çözüm ˘ sunmaktadır. Arazi tarama, tarım, in¸saat, kentsel planlama ve altyapı izleme gibi uygulamalarda, bu sistemlerin sagladı ˘ gı çevresel farkındalık ve verimlilik önemli ˘ kazanımlar saglamaktadır. Bu i¸slem, sensörlerden elde edilen veri kümelerinin uygun ˘ bir ¸sekilde hizalanmasını ve birle¸stirilmesini içerir. Böylece, her iki platformdan elde edilen verilerin tek bir küresel koordinat sisteminde birle¸stirilmesiyle çevrenin eksiksiz bir temsili elde edilir. Bu tür kapsamlı 3B haritalar, otonom sürü¸s sistemlerinde, arama kurtarma operasyonlarında ve geli¸smi¸s robotik uygulamalarda kritik rol oynamaktadır. Örnegin, otonom araçlar, bu yüksek çözünürlüklü haritaları kullanarak çevrelerini ˘ daha güvenli bir ¸sekilde algılayabilir ve daha dogru rota planlaması yapabilirler. ˘ Arama kurtarma operasyonlarında ise, karma¸sık ve geni¸s alanların haritalanması, kaybolan ki¸silerin bulunması veya engellerin tespit edilmesi açısından büyük faydalar saglar. Heterojen robotik sistemler, hava ve yer tabanlı verilerin entegre edilmesiyle ˘ çevreyi daha kapsamlı bir ¸sekilde modelleme imkanı sunar. Bu sistemler, çevresel farkındalıgı artırarak, otonom navigasyon, ke¸sif ve 3B haritalama gibi görevlerde ˘ önemli ilerlemeler saglar. Bu nedenle, heterojen robotik sistemler, yalnızca ara¸stırma ˘ alanında degil, ticari ve endüstriyel uygulamalarda da geni¸s bir kullanım alanı bulmaya ˘ devam etmektedir. Bu tez kapsamında, nokta bulutu verilerinin birle¸stirilmesi üzerine odaklanmaktadır. Özellikle heterojen platformlardan (insansız hava araçları ve yer araçları gibi) elde edilen nokta bulutu verilerinin kaydedilmesi ve birle¸stirilmesi, 3D ortamların modellenmesi ve haritalanması için kritik öneme sahiptir. Bu tezde, büyük ölçekli nokta bulutlarının hızlı ve dogru bir ¸sekilde kaydedilmesi için iki temel yöntem ˘ önerilmektedir: HIBAS (Histogram Tabanlı Örnekleme Yöntemi) ve MULEG (Çok Seviyeli Küresel Nokta Bulutu Birle¸stirme Algoritması). Bu yöntemler, veri kümesinin geometrik özelliklerini dogrudan muhafaza etmek yerine, istatistiksel ˘ analizler üzerinden veri kaydını optimize etmektedir. Geleneksel yöntemler, çogu ˘ zaman noktalar arasındaki geometrik benzerliklere dayalı olarak kaydetme i¸slemi yaparken, bu tezde geli¸stirilen yöntem, histogram analizi kullanarak veri kümelerinin en önemli bölgelerini tespit etmekte ve bu bölgeler üzerinden örnekleme yapmaktadır. Bu yakla¸sım, sadece daha hızlı sonuç vermekle kalmaz, aynı zamanda büyük veri kümelerinde dogruluk oranını artırır.
Özet (Çeviri)
Environmental perception is one of the most fundamental requirements for the development of robotic systems. Considering the studies in the literature, early work on environmental perception was focused on two-dimensional (2D) sensing. Initial steps in this field were taken by processing images captured by cameras using image processing techniques. These efforts were expanded to three-dimensional (3D) perception by utilizing multiple cameras, thus enhancing environmental perception. However, the performance of cameras, which varies based on lighting conditions, led to the need for new sensor technologies. In response, sensors that initially provided 2D environmental perception were developed. These sensors calculate the distance to a physical obstacle by evaluating the time it takes for sound or light to bounce off an object and return to the source, thereby allowing the environment to be modeled in 2D, which could be used for mapping. While these sensors are useful for indoor mapping, they are less effective for complex outdoor environments where greater detail and varying elevations are present. Consequently, the need for 3D sensors arose. Typically, 3D LiDAR (Light Detection and Ranging) sensors are used to create a detailed model of the physical environment in 3D space. 3D LiDAR sensors work similarly to 2D LiDAR sensors, but they gather data in multiple layers to allow for more advanced 3D perception. Historically, point cloud generation faced significant challenges due to the technological and theoretical limitations of the time. Early 3D data acquisition efforts were constrained by the low resolution and accuracy of sensors, resulting in low-quality point clouds. Additionally, the computational power required to process large datasets exceeded the capacity of early technologies. As a result, early 3D data lacked the desired quality in terms of both quantity and detail. Beyond these technological limitations, the theoretical frameworks and algorithms used in the data collection process were also significant obstacles. Early algorithms were not optimized for accurately processing 3D data, leading to errors and lack of precision in data interpretation. However, recent advances have brought about a revolution in 3D imaging technologies. New sensor technologies enable the collection of high-resolution and accurate data, with 3D LiDAR sensors standing out as groundbreaking innovations in both data density and precision. LiDAR technology has become a standard solution in environmental perception and modeling, offering high accuracy, large-scale data collection capabilities, and advanced spatial resolution. This allows point cloud data to be integrated with multiple sensor data from various platforms, resulting in more complex and detailed 3D models. The importance of processing point cloud data has increased significantly due to the demands of increasingly complex and multidisciplinary applications, such as robotics, 3D object reconstruction, autonomous systems, mapping, and medical imaging. These applications require the processing of large and complex datasets, and while these datasets contain the necessary information for accurately modeling and analyzing the environment, they also require significant computational power and storage capacity to process effectively. In particular, real-time applications pose even greater challenges in processing such data. The inherent limitations of sensors further complicate the task of processing point cloud data, as noisy data can be produced due to environmental conditions, surface irregularities, or the technical limitations of the sensors themselves. Preprocessing techniques are essential for optimizing raw point cloud data, filtering out noise and erroneous measurements, and identifying processable data points. These techniques not only enhance data quality but also reduce the computational cost during the processing phase. Point cloud registration, the process of aligning multiple point clouds obtained from different angles or distances, is critical in creating a more comprehensive and accurate model of an environment or object. The registration process involves estimating the transformations (e.g., rotation, translation, scaling) between point cloud datasets to align them correctly. This ensures that the point clouds are merged without distortions or misalignments. Registration typically consists of two main stages: coarse alignment, where rough transformations are applied, and fine alignment, which involves more precise adjustments using algorithms like Iterative Closest Point (ICP). Accurate optimization of transformation parameters is crucial for the success of the registration process. Despite these advances, point cloud registration is often complex due to the large volume of data involved and the high computational cost. Sampling techniques, which reduce the size of the point cloud while preserving critical geometric features, can help address these challenges by increasing the efficiency of the registration process without compromising accuracy. Well-designed sampling methods also help reduce noise and erroneous measurements, enabling faster and more accurate registration, particularly in large and complex environments. In recent years, heterogeneous robotic systems, such as unmanned ground vehicles (UGVs) and unmanned aerial vehicles (UAVs), have become increasingly important in multi-robot applications. These systems offer the advantage of providing more comprehensive environmental perception from different perspectives. UGVs excel in navigating and collecting detailed data in ground-level areas, while UAVs offer significant advantages in mapping inaccessible areas such as rooftops and large open spaces. The integration of data from both UGVs and UAVs enables the creation of more accurate and detailed 3D maps of the environment. This synergy is especially beneficial in autonomous driving, search and rescue operations, and advanced robotic applications. This thesis focuses on the registration of point cloud data, particularly the point clouds obtained from heterogeneous platforms (such as UAVs and UGVs) for modeling and mapping 3D environments. Two key methods are proposed for the fast and accurate registration of large-scale point clouds: HIBAS (Histogram-Based Sampling Method) and MULEG (Multi-Level Global Point Cloud Registration Algorithm). These methods optimize data registration through statistical analysis rather than by preserving the geometric features of the dataset. The HIBAS method identifies the most important regions in the data through histogram analysis and samples these regions, resulting in faster and more accurate registration of large datasets.
Benzer Tezler
- Değişken rezolüzyonlu görüntü örnekleyici
Multi resolution image sampler
RIZA CAN TARCAN
Yüksek Lisans
Türkçe
1991
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiY.DOÇ.DR. M. SAİT TÜRKÖZ
- Color image segmentation: Multithresholding and constraint satisfaction methods
Renkli imge bölütleme: Çoklueşikleme ve kısıt sağlama metodları
FATİH KURUGÖLLÜ
Doktora
İngilizce
2000
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. A. EMRE HARMANCI
- Farklı sayısal yüzey modellerinin doğruluk değerlendirmesi
Accuracy assessment of different digital surface models
BARIŞ BEŞOL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Kalite çemberleri ve konfeksiyon uygulamaları
Başlık çevirisi yok
ŞENOL DALLI
Yüksek Lisans
Türkçe
1996
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. BAYRAM YÜKSEL
- Karma söz üretme yöntemi ile Türkçe yazılı metinden söze geçme
Text-to-speech in Turkish language by using a mixed speech synthesis method
MURAT SERVET ERER
Yüksek Lisans
Türkçe
1994
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. AHMET DERVİŞOĞLU