Dissertação

{pt_PT=A Unified Approach for Pose Graph Optimization} {} EVALUATED

{pt=A optimização de grafos de poses (PGO) é um importante problema em robótica e visão computacional, cujo objetivo consiste em determinar um conjunto de transformações rı́gidas que permita registar a informação visual proveninente de múltiplos observadores num referencial global comum. Apesar do sucesso das técnicas atuais de PGO, o teto de performance foi atingido aquando do aparecimento de novas aplicações de grande-escala, entre as quais, a navegação de veı́culos aéreos autónomos e smart-cities, onde é necessário fundir inúmeras imagens correspondentes a cenas de grandes dimensões. As formulações de PGO atuais mais comuns baseiam-se em métodos iterativos que refinam uma estimativa inicial até à convergência da mesma. Alternativamente, trabalhos de investigação recentes levaram à identificação de uma nova restrição global e ao aparecimento de novos algoritmos. Até ao momento, estas duas formulações existiam em paralelo, incapazes de tirar partido uma da outra. Nesta tese, apresentamos um novo modelo que permite a sua unificação, e que admite uma solução em forma-fechada próxima do óptimo global. A nossa solução permite optimizar grafos de poses de grande-escala com elevada precisão e baixo custo computacional., en=Pose Graph Optimization (PGO) is an important problem in computer vision, particularly in motion estimation, whose objective consists of finding the rigid transformations that achieve the best global alignment of visual data on a common reference frame. PGO’s relative success in robotics has been recently overshadowed by large-scale applications such as unmanned aerial vehicles, self-driving cars and smart-cities, where it is necessary to fuse many images covering large areas but where each of them has few pairwise observations. The vast majority of state-of-the-art PGO approaches rely on iterative techniques which refine an initial estimate until convergence is achieved. Alternatively, recent works have identified a global constraint which has cast this problem into the matrix completion domain. Until now, both formulations coexisted unable to share the advantages of each other. We developed a methodology that unifies them, leading to a closed-form solution near the global optimum. Our formulation allows for high scalability, low computational cost and high precision, simultaneously.}
{pt=Nuvens de pontos, Optimização, SLAM, Reconstrução 3D, Registo, en=SLAM, Point clouds, Registration, Pose Graph Optimization, 3D reconstruction}

Setembro 11, 2020, 14:0

Orientação

ORIENTADOR

Manuel Ricardo De Almeida Rodrigues Marques

Polo IST-ISR (CC. 1601)

ORIENTADOR

João Paulo Salgado Arriscado Costeira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado