İnsansız Sistemlerde Görsel Eş Zamanlı Haritalama ve Konumlandırma Tekniğinin Simulink Ortamında Uygulanabilirlik Analizi

Year 2023, Volume: 35 Issue: 1, 109 - 118, 28.03.2023

Celal Çağrı Altındaş Hasan Şakir Bilge

https://doi.org/10.35234/fumbd.1168202

Abstract

Günümüzde insansız sistemler birçok alanda görevler almakta ve bu görevlerini başarıyla yerine getirmektedirler. Ancak bu insansız sistemler otonom bir şekilde uçarak görevlerini yerine getirdiklerinden ötürü hem çevresini hemde bulunduğu konumunu bilmesi gerekmektedir. Eş Zamanlı Konumlandırma ve Haritalama (SLAM) yöntemi sayesinde çevre bilgisini anlık olarak elde ederek bu çevrede bulunduğu konumu kestiriminde avantaj sağlayan bir yöntemdir. Ancak bu yöntem genellikle düşük hızlarda uçan insansız sistemler için yaygın olarak kullanılmaktadır. Bu çalışmada, Windows’ta çalışmakta olan MATLAB 2021b Simulink UAVToolbox ve Unreal Engine v4.25 oyun motor platformu kullanılarak yüksek hızlarda uçan sistemler için Görsel Eş Zamanlı Konumlandırma ve Haritalama (vSLAM) tekniğinin benzetimi gerçekleştirmiştir. Bu gerçeklemede fotorealistik benzetim senaryosu Unreal Engine v4.25 aracılığıyla üretilerek MATLAB Simulink aracılığı ile benzetim yapılmıştır. Bu benzetimde kameralardan sağlanan görüntüler yardımı ile kamera tabanlı vSLAM yaklaşımı olan ORB-SLAM2.0 algoritması farklı hız, irtifa ve rotalarda senaryolar başarıyla koşturulmuştur. Benzetim testlerinin amacı olan yüksek hızlı sistemler için vSLAM algoritmasının çalıştırılabildiği gözlemlenmiştir.

Keywords

Eş zamanlı konum belirleme ve haritalama, Simulink, vSLAM, UAVToolbox, Unreal Engine

References

• Nex, F., & Remondino, F. (2014). UAV for 3D mapping applications: a review. Applied geomatics, 6(1), 1-15.
• Cracknell, A. P. (2017). UAVs: regulations and law enforcement. International Journal of Remote Sensing, 38(8-10), 3054-3067.
• Rieke, M., Foerster, T., Geipel, J., & Prinz, T. (2011). High-precision positioning and real-time data processing of UAV systems. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(1/C22).
• Huang, B., Liu, J., Sun, W., & Yang, F. (2019). A robust indoor positioning method based on Bluetooth Low Energy with separate channel information. Sensors, 19(16), 3487.
• Liu, J., Chen, R., Chen, Y., Pei, L., & Chen, L. (2012). iParking: An intelligent indoor location-based smartphone parking service. Sensors, 12(11), 14612-14629.
• Aulinas, J., Petillot, Y., Salvi, J., & Lladó, X. (2008). The SLAM problem: a survey. Artificial Intelligence Research and Development, 363-371.
• Castellanos, J. A., & Neira, J. ve Tardos, JD, 2006. Lecture Notes on SLAM and Consensus in Data Association, Department of Informatics and System Engineering, University. Zaragoza.
• Bailey, T., & Durrant-Whyte, H. (2006). Simultaneous localization and mapping (SLAM): Part II. IEEE robotics & automation magazine, 13(3), 108-117.
• H. F. Durrant-Whyte and T. Bailey,” IEEE Robot. Autom. Mag., vol. 13, no. 2, pp. 99–110, Jun. 2006.
• Särkkä, S., Vehtari, A., & Lampinen, J. (2007). Rao-Blackwellized particle filter for multiple target tracking. Information Fusion, 8(1), 2-15.
• Globally Consistent Range Scan Alignment for Environment Mapping( Lu, Millos 1997)
• Davison, A. J., Cid, Y. G., & Kita, N. (2004). Real-time 3D SLAM with wide-angle vision. IFAC Proceedings Volumes, 37(8), 868-873. [13] Thrun, S., & Montemerlo, M. (2006). The graph SLAM algorithm with applications to large-scale mapping of urban structures. The International Journal of Robotics Research, 25(5-6), 403-429.
• Lemaire, T., Berger, C., Jung, I. K., & Lacroix, S. (2007). Vision-based slam: Stereo and monocular approaches. International Journal of Computer Vision, 74(3), 343-364.
• Nobis, F., Papanikolaou, O., Betz, J., & Lienkamp, M. (2020, September). Persistent map saving for visual localization for autonomous vehicles: An orb-slam 2 extension. In 2020 Fifteenth International Conference on Ecological Vehicles and Renewable Energies (EVER) (pp. 1-9). IEEE.
• A. Geiger, P. Lenz, C. Stiller, and R. Urtasun, “Vision meets robotics: The kitti dataset,” International Journal of Robotics Research (IJRR), 2013.
• Macario Barros, A., Michel, M., Moline, Y., Corre, G., & Carrel, F. (2022). A comprehensive survey of visual slam algorithms. Robotics, 11(1), 24.
• Abouzahir, M.; Elouardi, A.; Latif, R.; Bouaziz, S.; Tajer, A. Embedding SLAM algorithms: Has it come of age? Robot. Auton. Syst. 2018, 100, 14–26.
• Yu, J.; Gao, F.; Cao, J.; Yu, C.; Zhang, Z.; Huang, Z.;Wang, Y.; Yang, H. CNN-based Monocular Decentralized SLAM on embedded FPGA. In Proceedings of the 2020 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW), New Orleans, LA, USA, 18–22 May 2020; pp. 66–73.
• Yang, G., Chen, Z., Li, Y., & Su, Z. (2019). Rapid relocation method for mobile robot based on improved ORB-SLAM2 algorithm. Remote Sensing, 11(2), 149.
• Tang, E., Niknam, S., & Stefanov, T. (2019, August). Enabling cognitive autonomy on small drones by efficient on-board embedded computing: An ORB-SLAM2 case study. In 2019 22nd Euromicro Conference on Digital System Design (DSD) (pp. 108-115). IEEE.
• Mur-Artal, Raul, and Juan D. Tardós. "ORB-SLAM2: An open-source SLAM system for monocular, stereo, and RGB-D cameras." IEEE Transactions on Robotics 33, no. 5 (2017): 1255-1262.