On-board Visual Odometry For Control Of Micro Aerial Vehicles

Abstract

İnsansız hava araçlarının otonom kontrolü, konum ve hız bilgilerinin doğru ve gerçek zamanlı olarak ölçülmesini gerektirmektedir. Bunun yanında iç ortamda gerçekleştirilen uygulamalarda, robotun çarpışmalardan kaçınarak kontrol edilebilmesi için çevrenin 3 boyutlu modeline de ihtiyaç duyulur. Bu çalışmada, insansız araç uygulamalarında kullanılmak üzere, piksel yoğunluklarından faydalanan, görsel poz kestirimi yöntemi uygulanmıştır. Bu yöntemde, iç ortamlarda çalışan insansız aracın konumu, üzerindeki kameradan elde edilen görüntülerde oluşan değişimleri takip ederek gerçek zamanlı ve artımlı olarak tahmin edilmektedir. Aracın konumunun kestirilmesinde, geleneksel yöntemlerin aksine, sahnedeki köşe, kenar ve yüzeyler gibi görsel özellikler yerine doğrudan tüm pikseller kullanılmaktadır. Doğrudan yaklaşım sayesinde, özellik tanımlama ve eşleştirme algoritmaları kullanılmadan hareket kestirimi yapılabilmektedir. Bu yüzden, sistem gerçek zamanlı uygulamalarda daha verimli olarak çalışmaktadır. Uygulamada kamera sisteminden sağlanan renk ve derinlik bilgisi kullanılmaktadır. Oluşan hatalar ise bir enerji fonksiyonu ile minimize edilmektedir. Sistemin test edilmesinde iç ortam koşullarında üretilen veri seti kullanılmış ve kamera hareket tahmini başarıyla gerçekleştirilmiştir.

Autonomous control of unmanned aerial vehicles requires fast and accurate measurements of vehicle's pose and velocity in real-time. Moreover, for indoor applications, collusion free control of robots demands knowledge of environment's 3D model. In this study, a visual odometry process based on pixel intensities is proposed for unmanned vehicle applications. In contrast to conventional methods, the proposed method does not uses visual features such as corners, edges or surfaces. In this approach, the motion estimation is obtained without using a feature descriptor or matching algorithm. Thus, the odometry system has better performance in real-time. For the real world application, camera's color and depth images are used. In order to minimize the error, an energy function has utilized. The process has been tested with an indoor dataset and pose of camera is tracked successfully.