Thermal SLAM: Harnessing Temperature Variations to Enhance Object Detection and Tracking Performance

Year 2025, Volume: 8 Issue: 2, 57 - 58

Fathia Salem , Osman Serdar Gedik

https://doi.org/10.34248/bsengineering.1578563

Abstract

Thermal Simultaneous Localization and Mapping (SLAM) is a burgeoning field that collects robotics, computer vision, and thermal imaging. In this paper, we tried to present a thorough review of recent advancements in thermal SLAM, with a focus on its role in enhancing object detection and tracking. For better performance in low light, resistance to obstructions, and accuracy in bad weather, thermal SLAM systems work better with visual-based SLAM systems because they use changes in temperature in the environment. The review paper explains the fundamental principles of SLAM, including sensor technologies, data fusion techniques, and mapping algorithms. It then explores the methodologies used for object detection and tracking within the Thermal SLAM framework, encompassing classical approaches and deep learning techniques tailored for thermal imagery analysis. Additionally, the paper discusses challenges and limitations specific to thermal SLAM, such as thermal drift, sensor noise, and calibration issues, while also identifying potential areas for future research. The paper provides a comprehensive survey of applications that utilize thermal SLAM for object detection and tracking across various domains, including autonomous navigation, surveillance, search and rescue operations, and environmental monitoring. It synthesizes case studies and experimental results from relevant literature to demonstrate the effectiveness and practicality of thermal SLAM in complex scenarios where traditional visual-based methods struggle. Overall, this review emphasizes the role of thermal SLAM in advancing autonomous systems and enabling robust object detection and tracking in challenging environments. Examining recent developments, challenges, and applications, it sheds light on the progress made in this field.

Keywords

SLAM, thermal camera, object detection, robust localization, object tracking.

Thermal SLAM: Harnessing Temperature Variations to Enhance Object Detection and Tracking Performance

Abstract

Termal Eşzamanlı Yerelleştirme ve Haritalama (SLAM), robotik, bilgisayarlı görüş ve termal görüntülemeyi bir araya getiren gelişen bir alandır. Bu makalede, nesne algılama ve izlemeyi geliştirmedeki rolüne odaklanarak termal SLAM'deki son gelişmelerin kapsamlı bir incelemesini sunmaya çalıştık. Düşük ışıkta daha iyi performans, engellere karşı direnç ve kötü hava koşullarında doğruluk için termal SLAM sistemleri, ortamdaki sıcaklık değişimlerini kullandıkları için görsel tabanlı SLAM sistemleriyle daha iyi çalışır. İnceleme makalesi, sensör teknolojileri, veri birleştirme teknikleri ve haritalama algoritmaları dahil olmak üzere SLAM'in temel ilkelerini açıklar. Ardından, termal SLAM çerçevesi içinde nesne algılama ve izleme için kullanılan metodolojileri, termal görüntüleme analizi için uyarlanmış klasik yaklaşımları ve derin öğrenme tekniklerini kapsayacak şekilde inceler. Ek olarak, makale termal kayma, sensör gürültüsü ve kalibrasyon sorunları gibi termal SLAM'e özgü zorlukları ve sınırlamaları tartışırken, aynı zamanda gelecekteki araştırmalar için potansiyel alanları belirler. Makale, otonom navigasyon, gözetleme, arama ve kurtarma operasyonları ve çevresel izleme dahil olmak üzere çeşitli alanlarda nesne tespiti ve takibi için termal SLAM'ı kullanan uygulamalara dair kapsamlı bir inceleme sunmaktadır. Geleneksel görsel tabanlı yöntemlerin zorlandığı karmaşık senaryolarda termal SLAM'ın etkinliğini ve pratikliğini göstermek için ilgili literatürden vaka çalışmalarını ve deneysel sonuçları sentezlemektedir. Genel olarak, bu inceleme, otonom sistemleri ilerletmede ve zorlu ortamlarda sağlam nesne tespiti ve takibini sağlamada termal SLAM'ın rolünü vurgulamaktadır. Son gelişmeleri, zorlukları ve uygulamaları inceleyerek, bu alanda kaydedilen ilerlemeye ışık tutmaktadır.

Keywords

SLAM, termal kamera, nesne tespiti, sağlam yerelleştirme, nesne takibi.

References

• Bijelic M, Gruber T, Mannan F, Kraus F, Ritter W, Dietmayer K, Heide F. 2020. Seeing through fog without seeing fog: Deep multimodal sensor fusion in unseen adverse weather. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, June 14-19, Seattle, WA, USA, pp: 11682-11692.
• Borges PVK, Vidas S. 2016. Practical infrared visual odometry. IEEE Trans Intell Transp Syst, 17(8): 2205-2213.