Navegando por Autor "Fernandez, Luis Enrique Ortiz"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
Tese Method to measure, model, and predict depth and positioning errors of RGB-D Cameras in function of distance, velocity, and vibration(Universidade Federal do Rio Grande do Norte, 2021-08-02) Fernandez, Luis Enrique Ortiz; Gomes, Rafael Beserra; Gonçalves, Luiz Marcos Garcia; 32541457120; http://lattes.cnpq.br/1562357566810393; http://lattes.cnpq.br/5849107545126304; http://lattes.cnpq.br/3725377549115537; Silva, Bruno Marques Ferreira da; http://lattes.cnpq.br/7878437620254155; Distante, Cosimo; Clua, Esteban Walter Gonzalez; http://lattes.cnpq.br/4791589931798048Esta tese propõe uma metodologia versátil para medir, modelar e estimar erros como a Raiz do Erro Quadrático Médio (RMSE) na profundidade e o Erro no Posicionamento Relativo (RPE) da câmera utilizando dados capturados de uma câmera RGB-D montada no topo de uma plataforma robótica móvel de baixo custo. O método proposto tem três etapas, sendo que a primeira consiste na criação de dados que expressem um ground truth, tanto para pontos 3D (mapeamento) quanto para poses de câmera (localização) mediante o uso dos novos marcadores inteligentes. A próxima etapa é a aquisição de um conjunto de dados para cálculo dos erros RMSE e RPE utilizando a plataforma móvel com câmera RGB-D. Por fim, a terceira etapa consiste em modelar e estimar os erros nas medidas de profundidade e posicionamento da câmera em função da distância, velocidade e vibração. Para este estágio de modelagem e estimação, uma abordagem simples baseada em redes neurais do tipo Perceptron Multicamadas é usada. Isso resulta em duas redes, NrmseZ para a predição do erro de profundidade e NRPE para a previsão do erro de posicionamento da câmera. Experimentos mostram que as redes NrmseZ e NRPE têm uma precisão de ± 1% e ± 2,5%, respectivamente. A metodologia proposta pode ser usada diretamente nas técnicas que requerem uma estimativa do erro dinâmico. Como por exemplo em aplicações de robótica probabilística para localização e mapeamento, usando câmeras RGB-D montadas em Veículos Aéreos Não Tripulados, Veículo Terrestre Não Tripulados e também Veículos de Superfície Não Tripulados (incluindo veleiros robóticos). Tarefas que usam sensores RGB-D, tais como monitoramento ambiental, manutenção de obras de engenharia e segurança pública, podem contar com esta abordagem para obter informações sobre o erro associado às medições da câmera (profundidade e posicionamento).Dissertação Método genérico para estimação e modelagem do erro RMS em dados de profundidade de sensores para visão 3D(2017-07-05) Fernandez, Luis Enrique Ortiz; Gonçalves, Luiz Marcos Garcia; http://lattes.cnpq.br/1562357566810393; http://lattes.cnpq.br/3725377549115537; Silva, Bruno Marques Ferreira da; http://lattes.cnpq.br/7878437620254155; Souza, Anderson Abner de Santana; http://lattes.cnpq.br/2563070123322776Na visão artificial usam-se vários dispositivos como o MS Kinect v1/v2, as câmeras estéreo PG Bumblebee XB3 e a Stereolabs ZED, entre outros. Como todos são dispositivos que estimam dados de profundidade, podem conter erros. Neste trabalho, apresenta-se o projeto e implementação de um método genérico para a estimação do erro RMS em dados de profundidade fornecidos por qualquer dispositivo, capaz de gerar dados do tipo RGB-D, isto é, uma imagem e um mapa de profundidade ao mesmo tempo. Para verificação do método foi construído um sistema embarcado baseado na placa NVIDIA Jetson TK1 e três sensores, as duas versões do MS Kinect e a câmera estéreo ZED. No momento da coleta de dados foram estabelecidos os modelos matemáticos do erro RMS para cada dispositivo e, ao final, foi feita uma análise da exatidão de cada um.