Chương 1 TỔNG QUAN 1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố Vấn đề tái tạo bản đồ 3D dựa trên camera RGB-D dần trở thành điểm nóng trong những năm gần đây [1, 2]. So với bản đồ 2D, bản đồ 3D chứa nhiều thông tin môi trường có giá trị hơn và cung cấp nhiều thông tin hơn, đặc biệt là việc lập kế hoạch đường đi [3-5]. Để có được thông tin bản đồ 3D hoàn chỉnh, vấn đề quan trọng nhất là tính toán sự biến đổi của các đám mây điểm với các góc nhìn khác nhau.
Thủ tục tính toán các tham số biến đổi hệ tọa độ được gọi là Ước lượng chuyển động. Để giải quyết vấn đề này, các nhà nghiên cứu đã đề xuất các giải pháp khác nhau [6-8]. Một trong những giải pháp được sử dụng phổ biến nhất là thuật toán ICP [9]. Thuật toán này có hiệu quả ghép các đám mây điểm chính xác hơn, nhưng vẫn còn những hạn chế.
Thuật toán ICP là một loại phương pháp đăng ký điểm - điểm, do đó với sự gia tăng số lượng điểm, hiệu quả của thuật toán sẽ giảm xuống rõ ràng. Ngoài ra, vị trí ban đầu của điểm đóng vai trò quan trọng trong quá trình đăng ký, vị trí ban đầu không phù hợp của điểm sẽ khiến kết quả đăng ký bị mắc kẹt trong tính tối ưu cục bộ và ảnh hưởng nghiêm trọng đến độ chính xác của thuật toán. Theo các đặc điểm của thuật toán ICP, các nhà nghiên cứu đã tiến hành nghiên cứu sâu rộng và đã đề xuất nhiều thuật toán cải tiến khác nhau. Izadi đã trình bày một hệ thống tái tạo và tương tác 3D thời gian thực kết hợp với công nghệ tăng tốc GPU để cải thiện hiệu quả hoạt động [10].
Tuy nhiên, phương pháp này đòi hỏi cao về hiệu suất phần cứng và do hạn chế của bộ nhớ, phương pháp này không thể hoàn thành việc tái tạo cảnh quy mô lớn. Nghiên cứu [11] đã đề xuất một thuật toán ICP cải tiến dựa trên point-to-plane giúp tăng tốc độ tính toán. Mặt khác, phương pháp này sẽ không thể hội tụ khi độ cong bề mặt có sự thay đổi lớn, do đó độ bền của thuật toán kém. Mitra đã đề xuất một thuật toán ICP cải tiến dựa trên các ghép các điểm đặc trưng [12].
So với thuật toán ICP ban đầu, phương pháp này đã cải thiện đáng kể hiệu quả hoạt động. Tuy nhiên, do sự hiện diện của các ngoại lệ, do đó độ chính xác đăng ký của thuật toán này kém. Tổng quan Gibson Hu đã đề xuất một thuật toán sử dụng RANSAC để giải quyết mô hình ICP dựa trên các điểm tương ứng để cải thiện độ chính xác và tính mạnh mẽ của thuật toán ICP dựa trên các đặc trưng [13]. Tuy nhiên, các điểm tương đồng được chọn ngẫu nhiên trong mô hình ICP có khả năng quá gần nhau khiến kết quả ghép đám mây chỉ mang tính chất cục bộ, không đáp ứng được yêu cầu của bản đồ toàn cục.
Bài báo [14] optimized the global map using General Gragh Optimiza-tion (G2O) framework combining with key frames, and reconstructed the 3D map. Các cách tiếp cận gần đây đối với RGB-D SLAM đã hoàn toàn tập trung vào việc sử dụng độ sâu thô [15] hoặc kết hợp độ sâu và thông tin RGB [16, 17] để dự đoán chuyển động của camera. Các kỹ thuật kiểu kết hợp nhìn chung đã cho thấy tính mạnh mẽ hơn vì chúng đưa cả thông tin hình ảnh và hình học vào ước lượng chuyển động [18]. Tuy nhiên, khi xử lý các môi trường phức tạp trong nhà, hai trường hợp có thể xảy ra khiến thuật toán loại RGB-D truyền thống không thành công.
Đây là những cảnh không gian rộng lớn, nơi thu được rất ít hoặc không có thông tin về chiều sâu và những cảnh phẳng, nơi thiếu rất nhiều cấu trúc hình học. Đây là lý do tại sao các kỹ thuật này tự giới hạn trong các môi trường kiểu văn phòng và hướng tới các kịch bản kiểu tái tạo đối tượng. Cảm biến Kinect RGB-D đã được sử dụng để thay thế hệ thống camera nổi để nội địa hóa robot [19]. Loại cảm biến RGB-D này không chỉ có độ chính xác phù hợp mà còn cho phép tính toán thời gian gia công với tốc độ nhanh.
Ngoài ra, nó rẻ hơn nhiều so với cảm biến 3D có cùng chức năng và dễ dàng cài đặt để sử dụng. Do đó, các thuật toán đã được áp dụng bằng cách sử dụng cảm biến RGB-D để xác định không gian chuyển động cũng như xác định và định vị trong không gian của robot tự hành trong những năm gần đây [20, 21]. Một nhược điểm của cảm biến RGB-D này là thông tin độ sâu của nó thường bị nhiễu. Do đó, nếu một robot được trang bị Kinect di chuyển một khoảng cách xa, thì sai số tích lũy đối với nội địa hóa robot sẽ tăng lên theo thời gian [22].
Đã có nhiều phương pháp được đề xuất như xem xét đặc tính nhiễu, cập nhật phụ thuộc khoảng cách để giảm sai số này cũng như nâng cao độ chính xác của ánh xạ 3D [23-25]. Tổng quan Trong bài báo này, chúng tôi đề xuất một thuật toán ICP cải tiến dựa trên việc tính toán vị trí của robot và dữ liệu 3D từ các đám mây. Vị trí robot trong không gian 3D sẽ được tính dựa vào các vật mốc trong môi trường. Các vật mốc này đều đã được xác định tọa độ trước đó thông qua quá trình nhận dạng và thu thập vật mốc.
Bên cạnh đó, dữ liệu 3D từ các đám mây điểm giúp tính toán góc lệch giữa 2 khung hình, từ đó có thể tính toán được góc lệch của ro-bot trong không gian. Cuối cùng, một ma trận chuyển đổi sẽ được tính dựa vào các thông tin này và giúp cho quá trình ghép đám mây được chính xác hơn. Tính cấp thiết Thông tin không gian 3D về môi trường trong nhà ngày càng được yêu cầu sử dụng nhiều hơn trong các ứng dụng khác nhau như quản lý nguy cơ thiên tai, xác định vị trí của con người, tự động hóa robot. Tiến bộ khoa học và công nghệ trong thu thập dữ liệu không gian 3D đã được phát triển thành phần cứng, phần mềm và các tiêu chuẩn kỹ thuật phức tạp hơn, sử dụng cụ thể cho mô hình hóa và lập bản đồ.
Các cảm biến cung cấp một vai trò quan trọng cho việc cung cấp thông tin trong môi trường trong nhà, như cảm biến laser, cảm biến RGB-D, cảm biến gia tốc và là mục tiêu chính của các nghiên cứu. Camera 3D đã và đang được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau trong đó có việc định vị và vẽ bản đồ. Camera 3D cung cấp nhiều thông tin hơn về môi trường, điều này vượt trội hơn so với các loại camera khác là chỉ cung cấp thông tin về ảnh 2D. Thông số này phù hợp với tác vụ vẽ bản đồ và định vị trong nhà.
Dựa vào bản đồ 3D với các vật mốc, robot với camera có thể tự định vị, tránh vật cản và tìm đường di chuyển đến đích, ứng dụng trong sắp xếp sách trong thư viện, sắp xếp hàng hóa trong siêu thị, hỗ trợ y tế trong bệnh viện hay xe lăn tự hành cho người khuyết tật. Bên cạnh việc xây dựng được bản đồ 3D không gian trong nhà để hổ trợ cho việc định vị và tìm đường đi cho robot tự hành, việc nghiên cứu với những phương pháp hiện đại sẽ hỗ trợ trong giáo dục như giảng dạy Đại học, Cao học. Sinh viên, học viên sẽ có cơ hội tiếp cận những thuật toán, phương pháp mới để phát triển việc học tập và nghiên cứu. Mục tiêu đề tài Thiết kế và xây dựng bản đồ 3D không gian trong nhà sử dụng dữ liệu thu thập được từ hệ thống camera 3D và vật mốc tự nhiên.
Bản đồ cho phép robot tự hành có thể định vị, tránh vật cản và tìm đường di chuyển đến đích mong muốn. Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu Cách tiếp cận - Đám mây 3D của không gian được chuyển đổi từ dữ liệu ảnh 2D và thông tin độ sâu của từng điểm ảnh được thu thập từ camera 3D. Dữ liệu của đám mây 3D riêng lẽ được ghép với nhau thông qua phép dịch chuyển trong không gian 3D để thành 1 đám mây lớn hơn. Quá trình chuyển đổi được thực hiện thông qua các cặp điểm tương đồng của các đám mây.
Các vật mốc trong môi trường giúp hiệu chỉnh lại thông tin độ sâu của các điểm ảnh và làm tăng độ chính xác, chất lượng của bản đồ 3D. Phương pháp nghiên cứu - Sử dụng các phép chiếu hình học không gian để chuyển ảnh 2D và độ sâu thành dữ liệu đám mây 3D. - Sử dụng thuật toán Speeded up robust features (SURF) để nhận dạng vật mốc trong quá trình di chuyển. - Sử dụng phép biển đổi không gian 3D để xác định vị trí tương đối của vật mốc và robot từ đó suy ra vị trí tuyệt đối của robot.
- Sử dụng phương pháp dịch chuyển trong không gian 3D để ghép dữ liệu 3D riêng lẽ thành đám mây hoàn chỉnh. Phạm vi nghiên cứu - Đề tài tập trung nghiên cứu thuật toán định vị và vẽ bản đồ trong không gian trong nhà. - Không gian được vẽ phải tĩnh và không có người di chuyển xung quanh. - Phạm vi vẽ bản đồ trong không gian có bán kính 10m.
Tổng quan Nội dung nghiên cứu - Nghiên cứu phương pháp thu thập dữ liệu ảnh 2D và ảnh độ sâu sử dụng camera 3D. - Nghiên cứu phương pháp chuyển đổi từ ảnh 2D và ảnh độ sâu thành đám mây 3D. - Nghiên cứu phương pháp ghép đám mây 3D. - Nghiên cứu phương pháp định vị dùng xử lý đám mây 3D.
- Nghiên cứu phương pháp định vị dùng vật mốc. - Đo đạc kết quả và thống kê sai số. - Viết báo cáo khoa học. - Chỉnh sửa báo cáo khoa học.
- Hoàn thiện các hồ sơ. Cơ sở lý thuyết Chương 2: CƠ SỞ LÝ THUYẾT 2. Bản đồ 3D môi trường Bản đồ 3D về môi trường trong nhà ngày càng được sử dụng nhiều hơn trong các ứng dụng khác nhau trong cuộc sống. Sự phát triển của khoa học và công nghệ trong thu thập dữ liệu không gian 3D đã giúp cho việc mô hình hóa và lập bản đồ ngày càng tốt hơn.
Các cảm biến giữ một vai trò quan trọng cho việc cung cấp thông tin trong môi trường trong nhà cho nhiều nghiên cứu như cảm biến laser, cảm biến RGB-D, cảm biến gia tốc và camera [4-8]. Bản đồ của robot được chia thành hai loại là bản đồ 2D và và bản đồ 3D.