Simultaneous Localization and 3D-Semi Dense Mapping for Micro Drones Using Monocular Camera and Inertial Sensors
Dit artikel stelt een real-time, edge-aware lichtgewicht monoculair SLAM-systeem voor micro-drones voor dat diepe leergebaseerde dieptevoorspelling combineert met inertiële gegevens via een uitgebreid Kalmanfilter om nauwkeurige 3D semi-dense mapping en autonome navigatie op platformen met beperkte middelen te bereiken zonder afhankelijk te zijn van globale loop closure.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een piepkleine drone voor, niet groter dan een hand, die probeert te navigeren door een rommelige gang. Om veilig te kunnen bewegen zonder tegen iets aan te botsen, moet de drone direct de vorm van de wereld om zich heen begrijpen. De drone moet weten waar het is, waar de muren zijn en hoe ver de obstakels verwijderd zijn. Decennialang hebben ingenieurs gestreden om deze kleine machines dit soort visie te geven. De camera's die ze meedragen zijn vaak te zwak om een gedetield beeld van de kamer op te bouwen, terwijl de krachtige computers die nodig zijn om complexe beelden te verwerken te zwaar zijn en de batterij te snel leegtrekken. Dit creëert een moeilijke afweging: of de drone ziet de wereld als een ijle verzameling punten, waarbij het grootste deel van de structuur wordt gemist, of het probeert een rijke, gedetailleerde kaart te bouwen maar raakt de stroom kwijt voordat het klaar is.
De oplossing voor dit probleem ligt in een nieuwe aanpak ontwikkeld door onderzoekers van de Universiteit van Haifa. Zij creëerden een systeem waarmee een micro-drone een semi-gedetailleerde 3D-kaart van zijn omgeving kan bouwen in real-time, met behulp van slechts één camera en basisbewegingssensoren. In plaats van te proberen elk afzonderlijk punt in een kamer in kaart te brengen, wat rekentechnisch zeer intensief is, richt hun methode zich op de randen—de scherpe lijnen waar muren de vloer raken of waar objecten uitsteken tegen de achtergrond. Door deze scherpe visuele lijnen te combiner truceren met een lichtgewicht voorspelling van de diepte van de scène, kan de drone een duidelijke, bruikbare kaart van de omgeving construeren zonder een supercomputer nodig te hebben.
De onderzoekers testten dit systeem op een kleine, commercieel beschikbare drone uitgerust met een enkele camera en inertiële sensoren die beweging meten. In het verleden vertrouwden vergelijkbare systemen op het matchen van specifieke punten, zoals hoeken of texturen, over verschillende beelden heen om te bepalen waar de drone zich bevond. Hoewel dit goed werkt om de algemene richting te bepalen, slaagt het er vaak niet in om de volledige vorm van een kamer vast te leggen, waardoor er grote gaten in de kaart ontstaan. Andere moderne methoden gebruiken complexe kunstmatige intelligentie om die gaten op te vullen, waardoor realistische, dichte 3D-modellen worden gecreëerd. Echter, deze AI-zware benaderingen vereisen enorme hoeveelheden rekenkracht en energie, wat het onmogelijk maakt om ze te draaien op de kleine processors die in micro-drones te vinden zijn. Het nieuwe systeem overbrugt deze kloof door een slimme mix van oude en nieuwe technieken te gebruiken. Het gebruikt een lichtgewicht neuraal netwerk, een type eenvoudige kunstmatige intelligentie, om de diepte van de scène op basis van de afbeelding te raden, en gebruikt vervolgens de scherpe randen die in de foto worden gedetecteerd om die gok op zijn plaats te vergrendelen.
Om er zeker van te zijn dat de drone precies weet hoe ver dingen verwijderd zijn, voegt het systeem de cameradata samen met informatie van de bewegingssensoren van de drone. Monoculaire camera's, die slechts één lens gebruiken, hebben een natuurlijke blinde vlek: ze kunnen het verschil niet zien tussen een klein object dat dichtbij is en een groot object dat ver weg is. Dit staat bekend als een schaalambiguïteit. De onderzoekers losten dit op door de bewegingsgegevens van de interne sensoren van de drone in een wiskundig filter te voeden dat de gissingen van de camera constant corrigeert. Dit proces zorgt ervoor dat de kaart met de juiste omvang groeit, waardoor voorkomt dat de drone denkt dat een gang tien keer langer is dan hij in werkelijkheid is.
De resultaten van deze aanpak zijn opmerkelijk. Bij testen tegenover standaard navigatiesystemen op een bekende dataset van binnenruimtes, bewees het nieuwe systeem aanzienlijk nauwkeuriger te zijn. De onderzoekers ontdekten dat de fout in het geschatte pad van de drone met bijna 75 procent werd verminderd vergeleken met de leidende traditionele methode. Belangrijker nog was dat de geproduceerde kaart niet slechts een verzameling verspreide punten was, maar een samenhangende structuur van randen en oppervlakken die de lay-out van de kamer duidelijk definieerden. Het systeem functioneerde soepel op hardware met een laag vermogen, in staat om te draaien op apparaten zoals een Raspberry Pi Zero, wat een kleine, goedkope computerkaart is. Dit betekent dat de technologie niet alleen een theoretisch concept is, maar een praktisch hulpmiddel dat vandaag de dag al op echte drones ingezet kan worden.
In praktische termen betekent dit dat een micro-drone nu door een complexe binnenruimte kan vliegen, zoals een magazijn of een binnencorridor, en een betrouwbare 3D-kaart van de obstakels in zijn pad kan bouwen zonder gegevens naar een krachtige server te hoeven sturen of een zware batterij mee te dragen. Het systeem navigeerde succesvol door binnen corridors en vermeed obstakels tijdens tests, wat aantoonde dat het de uitdagingen van navigatie in de echte wereld aankan. Door zich te concentreren op de randen van objecten en een gestroomlijnde methode te gebruiken om diepte te schatten, hebben de onderzoekers aangetoond dat hoogwaardige mapping geen zware machines vereist. In plaats daarvan kan het worden bereikt door een slimme combinatie van eenvoudige sensoren en efficiënte algoritmen, wat de deur opent naar een nieuwe generatie autonome drones die onafhankelijk kunnen opereren in de meest beperkte omgevingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.