Luận văn Tối uu hóa bản đồ 2D với bộ lọc kalman dùng camera nổ (Phần 1)

Nội dung text: Luận văn Tối uu hóa bản đồ 2D với bộ lọc kalman dùng camera nổ (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN CẨM NHÂN TỐI UU HÓA BẢN ÐỒ 2D VỚI BỘ LỌC KALMAN DÙNG CAMERA NỔ NGÀNH: KỸ THUẬT ÐIỆN TỬ – 60520203 S K C0 0 4 8 9 8 Tp. Hồ Chí Minh, tháng 4/2016
2. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN CẨM NHÂN TỐI ƯU HÓA BẢN ĐỒ 2D VỚI BỘ LỌC KALMAN DÙNG CAMERA NỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Tp. Hồ Chí Minh, tháng 4/2016
3. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN CẨM NHÂN TỐI ƯU HÓA BẢN ĐỒ 2D VỚI BỘ LỌC KALMAN DÙNG CAMERA NỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hướng dẫn khoa học: TS NGUYỄN THANH HẢI Tp. Hồ Chí Minh, tháng 4/2016
4. LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƯỢC Họ & tên: Trần Cẩm Nhân Giới tính: Nam Ngày, tháng, năm sinh: 26/01/1989 Nơi sinh: Ninh Thuận Quê quán: Ninh Thuận Dân tộc: Hoa Địa chỉ: 51/32 Đường 10, Phường Linh Chiểu, Quận Thủ Đức, TPHCM Điện thoại cơ quan: Điện thoại: 0947 834 511 E-mail: trancamnhan@yahoo.com Fax: II. QUÁ TRÌNH ĐÀO TẠO 1. Trung học chuyên nghiệp Hệ đào tạo: . Thời gian đào tạo từ đến Nơi học (trường, thành phố): Ngành học: 2. Đại học Hệ đào tạo: Đại học chính quy Thời gian đào tạo từ 9/2007 đến 3/ 2012 Nơi học (trường, thành phố): Trường Đại Học Sư Phạm Kỹ Thuật TPHCM, Thành Phố Hồ Chí Minh Ngành học:Kỹ thuật Điện Điện Tử Tên đồ án, luận án hoặc môn thi tốt nghiệp: Nghiên cứu và biên soạn giáo trình KIT KM9260 trên nền Linux Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp:Tháng 02/2012 tại trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Người hướng dẫn: ThS. Nguyễn Đình Phú Trang i
5. III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC Thời gian Nơi công tác Công việc đảm nhiệm Từ 3/2012 Công ty cổ phần xây dựng điện Kỹ sư dự án đến nay Hưng Thịnh Trang ii
6. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Tp. Hồ Chí Minh, ngày tháng năm 2016 (Ký tên và ghi rõ họ tên) Trang iii
7. LỜI CẢM TẠ Lời cảm tạ sâu sắc đầu tiên xin được chân thành gửi đến Thầy TS Nguyễn Thanh Hải, Trưởng Bộ môn Điện tử công nghiệp, khoa Điện điện tử trường Đại học sư phạm kỹ thuật Thành phố Hồ Chí Minh, vì những giúp đỡ của thầy trong việc hướng dẫn về nội dung và phương pháp nghiên cứu khoa học trong suốt thời gian thực hiện luận văn. Tôi cũng xin được cảm ơn thầy Ths Nguyễn Tấn Như, Giảng viên Bộ môn Điện tử công nghiệp, khoa Điện điện tử trường Đại học sư phạm kỹ thuật Thành phố Hồ Chí Minh, đã giúp đỡ những trang thiết bị để luận văn được hoàn thiện về nội dung về lý thuyết và thực tế; thầy Ths Nguyễn Đình Phú đã tạo điều kiện phòng nghiên cứu để thực hiện luận văn; cô PGS. TS Trần Thu Hà đã thực hiện các công tác quản lý trong ngành kỹ thuật điện tử để đề tài được bảo vệ đúng thời gian và tiến độ. Tôi xin được tỏ lòng biết ơn đến tập thể ban lãnh đạo và chuyên viên của phòng Đào tạo Sau đại học, trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh đã luôn làm tốt công tác quản lý hồ sơ và thông tin đến từng học viên giúp cho việc hoàn thành những nhiệm vụ học tập trong toàn khóa học luôn đạt những điều kiện để đạt kết quả tốt nhất. Cuối cùng tôi cũng gửi lời cảm tạ đến gia đình và những bạn bè khác đã luôn khích lệ tinh thần tạo động lực mạnh mẽ để dành thời gian nghiên cứu và làm việc tích cực hoàn thành những nội dung khoa học trong luận văn. Trang iv
8. TÓM TẮT Để một con robot tự hành có thể hoạt động trong một căn phòng thì nó cần một bản đồ 3D của căn phòng đó. Nên trước tiên việc xây dựng bản đồ 3D cho căn phòng là rất quan trọng và là điều kiện tiên quyết. Camera 3D Kinect cho ta dữ liệu ảnh RGB và ảnh độ sâu của khung cảnh, từ hai dữ liệu này ta có thể chuyển thành dữ liệu mây điểm 3D của khung cảnh. Với ảnh RGB của khung cảnh ra tìm các điểm đặc trưng và mô tả đặc trưng bằng thuật toán SIFT. Ta thực hiện thuật toán SIFT trên hai góc khác nhau của một khung cảnh. Sau đó ta tìm các cặp điểm tương đồng của hai ảnh RGB này. Ta xác định các cặp điểm tương đồng trong hai mây điểm 3D tương ứng với hai ảnh RGB. Tiếp theo ta xác định ma trận chuyển đổi để ghép các cặp điểm tương đồng này lại với nhau, cũng như là ghép hai đám mây 3D của khung cảnh lại thành một đám mây của khung cảnh lớn hơn. Tương tự ta chụp nhiều góc của khung cảnh căn phòng và ghép nhiều đám mây 3D lại với nhau để tạo thành bản đồ 3D của căn phòng. Trang v
9. SUMMARY The paper proposes an application of RGB-D camera systems in 3D indoor mapping. In order to reconstruct the 3D model of an indoor space where the robot is located, a RGB-D camera system is installed in the robot's cage to continuously capture the separate 2D image frames and 3D point clouds. All corresponding 2D points between the two consecutive image frames are firstly estimated based on the algorithm of SIFT. After that, all pixel coordinates of these matching points are projected to the respective 3D space based on the depth information from the RGB- D camera at each pixel. The outputs of this stage are currently the 3D points in the two successive point clouds that are applied to find out the transformation matrix from the second to the first point cloud's coordination system. Finally, the two point clouds are merged together by transforming the second point cloud to the first one's coordination system. The result after repeating the above process with other pair of image frames and point clouds is the 3D model of the robot's navigational space. The aimed method is relatively low cost compared to the other one when using laser scanners; moreover, its accuracy is still acceptable with the indoor robot applications. Trang vi
10. MỤC LỤC TRANG Lý lịch cá nhân i Lời cam đoan iii Lời cảm tạ iv Tóm tắt v Summary vi Mục lục vii Danh sách các bảng x Danh sách các hình xi Các thuật ngữ viết tắt, ký hiệu khoa học, tiếng Anh-Việt xv Chương 1: TỔNG QUAN 16 1.1 Tổng quan về hướng nghiên cứu 16 1.2 Tính cấp thiết của đề tài, ý nghĩa khoa học và thực tiễn của đề tài 17 1.3 Mục đích nghiên cứu và đối tượng nghiên cứu của đề tài 18 1.4 Nhiệm vụ và giới hạn 19 1.4.1 Nhiệm vụ 19 1.4.2 Giới hạn 19 1.5 Phương pháp nghiên cứu 20 1.6 Kế hoạch thực hiện đề tài 20 Chương 2: CƠ SỞ LÝ THUYẾT 22 2.1 Khoảng cách Euclid giữa hai điểm trong hệ toạ độ Descartes 22 2.2 Các phép biến đổi tọa độ ba chiều 23 2.2.1 Phép tịnh tiến 24 Trang vii
11. 2.2.2 Phép xoay 24 2.3 Bộ lọc Kalman 25 Chương 3: SƠ ĐỒ KHỐI VÀ THU THẬP, XỬ LÝ DỮ LIỆU LẤY TỪ CAMERA KINECT 28 3.1 Sơ đồ khối 28 3.2 Camera Kinect 30 3.2.1 Những thành phần chính của cảm biến Kinect 31 3.2.2 Thông số kỹ thuật của camera Kinect 32 3.2.3 Nguyên lý đo độ sâu của camera Kinect 33 3.3 Chuyển đổi dữ liệu ảnh 2D có được từ cảm biến Kinect thành ảnh 3D 34 Chương 4: NHẬN DẠNG ĐIỂM ĐẶC TRƯNG VÀ CẶP ĐIỂM TƯƠNG ĐỒNG TRÊN ẢNH 2D 38 4.1 Nhận dạng các điểm đặc trưng trên ảnh 2D dùng thuật toán SIFT 38 4.1.1 Xác định vị trí của điểm đặc trưng 38 4.1.2 Mô tả đặc tính điểm đặc trưng 41 4.2 Nhận dạng các cặp điểm tương đồng của 2 ảnh 2D 43 Chương 5: GHÉP CÁC CẶP ĐIỂM TƯƠNG ĐỒNG CỦA MÂY 3D 46 5.1 Ghép các cặp điểm tương đồng của hai đám mây 3D 46 5.2 Ghép các cặp điểm tương đồng của nhiều đám mây 3D: 50 5.3 Xác định ma trận chuyển đổi từ encoder của robot tự hành 53 Chương 6: KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ 57 6.1 Thi công mô hình robot 57 6.2 Chuyển đổi dữ liệu ảnh 2D có được từ cảm biến Kinect thành ảnh 3D 58 Trang viii
12. 6.3 Nhận dạng các điểm đặc trưng của vật thể trong ảnh RGB dùng thuật toán SIFT 59 6.4 Tìm các cặp điểm đặc trưng tương đồng của 2 ảnh RGB 61 6.5 Xác định các cặp tương đồng của 2 đám mây 3D tương ứng với các cặp điểm tương đồng của 2 ảnh RGB liên tiếp 62 6.6 Ghép các cặp điểm tương đồng của hai đám mây 3D lại với nhau 62 6.7 Ghép các cặp điểm tương đồng của nhiều đám mây 3D lại với nhau 63 6.7.1 Kết quả với lối đi có ít chi tiết 64 6.7.2 Kết quả với lối đi có nhiều chi tiết 69 6.8 Tối ưu hóa bản đồ 3D bằng bộ lọc Kalman 73 Chương 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 80 7.1 KẾT LUẬN 80 7.2 HƯỚNG PHÁT TRIỂN 81 TÀI LIỆU THAM KHẢO 82 Trang ix
13. DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 1.1: Kế hoạch thực hiện đề tài 20 Bảng 3.1: Bảng thống kê bằng thực nghiệm tầm nhìn của camera Kinect 32 Trang x
14. DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Hệ toạ độ Descartes Oxy với hai điểm A,B 22 Hình 2.2: Hệ toạ độ Descartes Oxyz với hai điểm A,B 22 Hình 2.3:Hai hệ tọa độ Descartes và ′ ′ ′ ′ 23 Hình 2.4: Mật độ xác suất kết hợp của hai ước lượng 27 Hình 3.1: Ba tác vụ cơ bản của một robot tự hành 28 Hình 3.2: Sơ đồ khối hệ thống vẽ bản đồ 3D cho robot tự hành 29 Hình 3.3: Hình ảnh của camera Kinect 31 Hình 3.4:Các thành phần của cảm biến Kinect 32 Hình 3.5: Lược đồ thể hiện mối quan hệ giữa độ sâu với độ sai lệch 33 Hình 3.6: Dữ liệu ảnh 2D thu được từ camera Kinect 35 Hình 3.7: Camera Kinect lấy thông tin độ sâu của điểm ảnh 35 Hình 3.8: Hệ trục tọa độ Descartes của ảnh 3D 36 Hình 3.9: Ảnh RGB của khung cảnh trong phòng học chụp từ hai góc khác nhau bằng camera Kinect 37 Hình 3.10: Ảnh hai đám mây 3D được chụp từ hai góc máy tương ứng khác nhau của phòng học 37 Hình 4.1:Các phiên bản ảnh của vật mẫu tương ứng với các hệ số và σ 39 Hình 4.2:Các phiên bản ảnh sai khác , , 휎 tương ứng với các hệ số và σ 40 Hình 4.3:Hai mươi sáu vị trí được so sánh với vị trí X để tìm 40 Hình 4.4:16x16 điểm ảnh xung quanh điểm đặc trưng và vector Gradient tương ứng cho mỗi điểm ảnh 41 Hình 4.5:Các vector Gradient được thống kê thành 8 giá trị góc quay khác nhau 42 Hình 4.6: Các điểm đặc trưng của khung cảnh trong phòng học được xác định bởi thuật toán SIFT 43 Hình 4.7: Các điểm đặc trưng tương đồng nhau của hai ảnh RGB chụp từ hai góc khác nhau của phòng học 45 Trang xi
15. Hình 5.1: Hai đám mây nằm trên hai hệ trục tọa độ khác nhau có các điểm x tương đồng nhau 46 Hình 5.2: Hai đám mây có điểm tương đồng x được ghép với nhau 48 Hình 5.3:Các cặp điểm đặc trưng tương đồng của hai đám mây 3D chụp từ hai góc khác nhau của phòng học 49 Hình 5.4: Các điểm tương đồng của mây 3D được ghép với nhau bằng ma trận chuyển đổi 49 Hình 5.5: Cách ghép các cặp điểm tương đồng của bốn đám mây 3D lại với nhau 50 Hình 5.6: Bản đồ 3D của một góc phòng học bị lỗi do sai số cộng dồn 51 Hình 5.7: Bản đồ 3D của một góc phòng học đã giảm thiểu sai số cộng dồn bằng bộ lọc Kalman với tín hiệu encoder được giả lập 53 Hình 5.8: Mô hình khái quát robot chuyển động với hai bánh xe 53 Hình 6.1: Ảnh mặt trước của mô hình robot 57 Hình 6.2: Ảnh mặt bên của mô hình robot 58 Hình 6.3: Ảnh RGB của căn phòng chụp từ hai góc khác nhau 58 Hình 6.4: Ảnh mây 3D được kết hợp từ ảnh RGB và ảnh độ sâu của căn phòng 59 Hình 6.5: Các điểm đặc trưng trên ảnh RGB bên trái 60 Hình 6.6: Điểm đặc trưng trên ảnh RGB bên phải 60 Hình 6.7: Điểm đặc trưng trên ảnh RGB kết hợp hai ảnh RGB bên trái và bên phải 61 Hình 6.8: Các cặp điểm tương đồng của hai ảnh RGB 61 Hình 6.9: Các cặp điểm tương đồng của hai đám mây điểm 3D 62 Hình 6.10: Các cặp điểm tương đồng được ghép với nhau để tạo ra đám mây 3D lớn hơn 63 Hình 6.11: Ma trận chuyển đổi được tính toán để dịch đám mây bên phải đến đám mây bên trái 63 Hình 6.12: Bản đồ 3D của đường đi ít chi tiết khi robot di chuyển trong phòng phòng thí nghiệm 64 Hình 6.13: Không gian đường đi thẳng ít chi tiết của robot 65 Trang xii
16. Hình 6.14: So sánh số lượng cặp điểm đặc trưng tương đồng của ảnh RGB và mây 3D khi robot di chuyển thẳng trong không gian ít chi tiết 66 Hình 6.15: Thống kê thời gian xử lý của thuật toán tính từ lúc kết hợp hai ảnh RGB và ảnh độ sâu tới lúc ghép xong một cặp mây 3D khi robot di chuyển thẳng trong không gian ít chi tiết 66 Hình 6.16: Không gian di chuyển đường cong ít chi tiết của robot 67 Hình 6.17: So sánh số lượng cặp điểm đặc trưng tương đồng của ảnh RGB và mây 3D khi robot di chuyển cong trong không gian ít chi tiết 68 Hình 6.18: Thống kê thời gian xử lý của thuật toán tính từ lúc kết hợp hai ảnh RGB và ảnh độ sâu tới lúc ghép xong một cặp mây 3D khi robot di chuyển cong trong không gian ít chi tiết 68 Hình 6.19: Bản đồ 3D của đường đi nhiều chi tiết khi robot di chuyển trong phòng phòng thí nghiệm 69 Hình 6.20: Không gian đường đi thẳng nhiều chi tiết của robot 70 Hình 6.21: So sánh số lượng cặp điểm đặc trưng tương đồng của ảnh RGB và mây 3D khi robot di chuyển thẳng trong không gian nhiều chi tiết 70 Hình 6.22: Thống kê thời gian xử lý của thuật toán tính từ lúc kết hợp hai ảnh RGB và ảnh độ sâu tới lúc ghép xong một cặp mây 3D khi robot di chuyển thẳng trong không gian nhiều chi tiết 71 Hình 6.23: Không gian đường đi cong nhiều chi tiết của robot 71 Hình 6.24: So sánh số lượng cặp điểm đặc trưng tương đồng của ảnh RGB và mây 3D khi robot di chuyển cong trong không gian nhiều chi tiết 72 Hình 6.25: Thống kê thời gian xử lý của thuật toán tính từ lúc kết hợp hai ảnh RGB và ảnh độ sâu tới lúc ghép xong một cặp mây 3D khi robot di chuyển thẳng trong không gian nhiều chi tiết 72 Hình 6.26: Bản đồ 3D của đường đi khi robot di chuyển trong phòng không dùng bộ lọc Kalman 73 Hình 6.27: Bản đồ 3D của đường đi khi robot di chuyển trong phòng có dùng bộ lọc Kalman ở góc thứ nhất 74 Trang xiii
17. Hình 6.28: Bản đồ 3D của đường đi khi robot di chuyển trong phòng có dùng bộ lọc Kalman ở góc thứ hai 74 Hình 6.29: Bản đồ 3D của đường đi khi robot di chuyển trong phòng có dùng bộ lọc Kalman ở góc thứ ba 75 Hình 6.30: Thống kê giá trị tọa độ X của robot 76 Hình 6.31: Thống kê giá trị tọa độ Y của robot 76 Hình 6.32: Thống kê giá trị tọa độ Z của robot 77 Hình 6.33: Bản đồ 3D của phòng kín ở góc nhìn thứ nhất 78 Hình 6.34: Bản đồ 3D của phòng kín ở góc nhìn thứ hai 78 Hình 6.35: Bản đồ 3D của phòng kín ở góc nhìn thứ ba 79 Hình 6.36: Bản đồ 3D của phòng kín ở góc nhìn thứ tư 79 Trang xiv
18. CÁC THUẬT NGỮ VIẾT TẮT, KÝ HIỆU KHOA HỌC, TIẾNG ANH-VIỆT - RGB-D: Red Green Blue – Depth - RGBD-ICP: Red Green Blue Depth-Iterative Closest Point - SIFT: Scan Invariant Feature Transform - SUFT: Speeded up robust features - 2D: 2 dimention - 3D: 3 dimention - SLAM: Simultaneous localization and mapping - IR: Infrared - Red Green Blue – Depth: đỏ xanh lá xanh lam – độ sâu - Iterative Closest Point: vòng lặp ghép điểm gần nhất - Scan Invariant Feature Transform: Tìm đặc tính không thay đổi - Speeded up robust features: tăng cường đặc tính ảnh - Simultaneous localization and mapping: định vị và vẽ bản đồ đồng thời - Using depth cameras for dense 3D modeling of indoor enviroment: Ứng dụng cảm biến độ sâu để mô hình hóa 3D môi trường trong nhà - Local and Global Localization for Mobile Robots using Visual Landmarks: Định vị cục bộ và định vị toàn cục cho robot tự hành dùng vật mốc ảo - Calibrated Kinect Sensors for Robot Simultaneous Localization and Mapping: Cân chỉnh cảm biến Kinect để định vị và vẽ bàn đồ cùng lúc cho robot - Method to Convert Kinect’s 3D Depth Data to a 2D Map for Indoor SLAM: phương pháp chuyển dữ liệu độ sâu của cảm biến Kinect 3D thành bản đồ 2D cho SLAM trong nhà - 3D depth sensor: cảm biến độ sâu 3 chiều - Multi array Microphone: dãy thu âm lượng - Motorized Tilt: động cơ góc ngẩn - IR emitter: bộ phát hồng ngoại - Color sencor: cảm biến màu - IR Depth sensor: cảm biến độ sâu hồng ngoại - ( , ): điểm A có tọa độ trong hệ trục tọa độ Descartes 2 chiều là ( , ) ′ - ( , , ): điểm O có tọa độ trong hệ trục tọa độ Descartes 3 chiều là ( , , ) - 10: Ma trận chuyển đổi để dịch chuyển đám mây 푃1 sang đám mây 푃0 Trang xv
19. Chương 1: TỔNG QUAN 1.1 Tổng quan về hướng nghiên cứu Robot tự hành là một lĩnh vực mới, ra đời vào khoảng thế kỷ 20. Lĩnh vực này kết hợp nhiều kỹ thuật và nguyên lý khoa học, từ kiến thức về kỹ thuật cơ khí, điện, điện tử đến khoa học máy tính, nhận thức và xã hội. Trong bài báo “RGB-D Mapping: Using depth cameras for dense 3D modeling of indoor environments” [1] của nhóm tác giả Peter Henry , Michael Krainin , Evan Herbst , Xiaofeng Ren , Dieter Fox đã khẳng định rằng bản đồ 3D có một vai trò vô cùng quan trọng trong việc điều khiển robot. Được ứng dụng trong quá trình điều hướng, thao tác, điều khiển từ xa robot, Bài báo này còn định nghĩa camera RGB- D là một hệ thống cảm biến hình ảnh sẽ cho ta ảnh RGB kèm theo độ sâu của các pixel. Bài báo đã thực nghiệm vẽ bản đồ một không gian dài 114m của một phòng thì nghiệm với thuật toán RGBD-ICP nhưng đòi hỏi một hệ thống phần cứng máy tính tốc độ cao để xử lý các thuật toán. Bài báo này không đề cập đến việc tối ưu hóa bản đồ 3D. Trong bài báo “Real-time 3-D feature detection and correspondence refinement for indoor environment-mapping using RGB-D cameras” [2] của nhóm tác giả Liang- Chia Chen, Nguyen Van Thai và Hsien-I Lin đã công bố kết quả vẽ bản đồ 3D cho môi trường trong nhà đáp ứng thời gian thực bằng camera Kinect. Cũng nhóm tác giả này với bài báo “In situ clouds-powered 3-D radiation detection and localization using novel color-depth-radiation (CDR) mapping” [3] đã hoàn thành chương trình điều khiển robot tự hành có gắn camera Kinect và radar để di chuyển và vẽ bản đồ môi trường xung quanh. Cả hai bài báo này vẫn chưa đề cập đến vấn đề tối ưu hóa bản đồ. Với đề tài “Local and Global Localization for Mobile Robots using Visual Landmarks” nhóm tác giả Stephen Se, David Lowe, Jim Little của trường Đại Học Trang 16
20. University of British Columbia ở Canada đã xác định được vị trí cục bộ và toàn cục của robot dựa vào các vật mốc mà robot nhận dạng được [4]. Bài báo này đề cập đến việc xây dựng bản đồ dựa trên bản đồ cơ sở trước đó nhưng chưa nêu nên phương pháp cũng như là các bước thực hiện. Trong bài báo “Calibrated Kinect Sensors for Robot Simultaneous Localization and Mapping” của tác giả Yin-Tien Wang, Chin-An Shen và Jr-Syu Yang của trường đại học Tamkang, Đài Loan đã trình bày thuật toán định vị và vẽ bản đồ đồng thời của robot dùng cảm biến Kinect, cảm biến đo ba màu đỏ-xanh lá-xanh dương và độ sâu (RGB-D). Độ méo dạng của ảnh RGB và ảnh độ sâu sẽ được chuẩn hoá trước khi dùng cảm biến này để đo vật. Thuật toán SUFT (Speeded up robust features) sẽ nhận dạng ra vật mốc trong ảnh RGB thu được và xây dựng lên bản đồ môi trường [5]. Đề tài này xác định tọa độ robot bằng cách nhận dạng vật mốc và cần phải xây một thư viện vật mốc gồm nhiều vật mốc khác nhau cho robot. Với bài báo “Method to Convert Kinect’s 3D Depth Data to a 2D Map for Indoor SLAM” nhóm tác giả Kamarulzaman Kamarudin, Syed Muhammad Mamduh, Ali Yeon Md Shakaff, Shaharil Mad Saad, Ammar Zakaria, Abu Hassan Abdullah and Latifah Munirah Kamarudin đến từ trường Đại Học Malaysia Perlis đã trình bày về vẽ bản đồ dùng camera Kinect 3D. Dữ liệu độ sâu của camera này lấy từ cảm biến độ sâu sẽ được truy hồi và chuyển sang bản đồ 2D. Tuy nhiên bài báo này chưa chắc chắn về độ tin cậy của camera Kinect cũng như phương pháp được đề cập khi robot hoạt động trong môi trường khác như robot di chuyển, gặp các vật thể các toà nhà bằng kính hoặc trong trường hợp không phát hiện ra vật mốc nào[6]. 1.2 Tính cấp thiết của đề tài, ý nghĩa khoa học và thực tiễn của đề tài Robot tự hành ra đời nhằm mục đích giúp con người thực hiện những nhiệm vụ lặp đi lặp lại nhiều lần với độ chính xác cao, làm những nhiệm vụ trong các môi trường nguy hiểm, có nguy cơ ảnh hưởng đến tính mạng nếu con người ở trong môi trường ấy như môi trường hoá chất, môi trường yếm khí, Ngoài ra, robot tự hành còn hoạt động ở những nơi mà con người không thể đến được như đáy lòng đại dương, Trang 17
21. các vệ tinh ngoài trái đất như mặt trăng, sao hoả, . Bên cạnh đó robot tự hành còn ứng dụng trong nhiều lĩnh vực của cuộc sống để phục vụ nhu cầu con người đặc biệt là trong y tế. Robot được mô hình hoá giống như con người vậy. Để robot có thể di chuyển đúng mục đích trong một không gian nhất định thì robot phải biết được mình đang ở đâu trong không gian đó và không gian đó trông như thế nào (to hay nhỏ, có vật cản hay không, đường đi trong không gian như thế nào, ). Tất cả những vấn đề này sẽ được giải quyết nếu như robot được cung cấp một thư viện bản đồ. Thư viện bản đồ này có chức năng giống như bản đồ mà chúng ta thường dùng trong thực tế để tìm đường đi đến nơi đích. Nên việc phát triển việc vẽ bản đồ là một yêu cầu rất cấp thiết để một con robot có thể hoạt động và phát huy chức năng của mình trong thực tế. 1.3 Mục đích nghiên cứu và đối tượng nghiên cứu của đề tài Với tính cấp thiết của đề tài như trên thì người nghiên cứu đã lựa chọn đề tài “Tối ưu hóa bản đồ 2D với bộ lọc Kalman dùng camera nổi” làm đề tài tốt nghiệp thạc sĩ chuyên ngành Điện-Điện Tử của mình. Với mục đích nghiên cứu là có thể xây dựng một hệ thống bản đồ cho robot tự hành, người nghiên cứu hi vọng đề tài của mình sẽ đóng góp được một phần nhỏ kiến thức cho dự án chế tạo và phát triển robot ở Việt Nam trong tương lai. Bản đồ 3D đươc tạo nên bằng cách sắp xếp nhiều lớp bản đồ 2D chồng lên nhau nên nó không những hội tụ được những ưu điểm của bản đồ 2D riêng rẻ mà còn có cả những ưu điểm của việc kết hợp các bản đồ 2D với nhau. Và trong thực tế bản đồ 3D có ứng dụng hơn bản đồ 2D nên cụ thể hơn đề tài sẽ xây dựng một hệ thống bản đồ 3D cho robot tự hành thay vì bản đồ 2D. Người nghiên cứu xác định đối tượng nghiên cứu của mình là phương pháp vẽ bản đồ 3D. Trang 18
22. S K L 0 0 2 1 5 4