توصيفگر ها :
مكان‌يابي و نقشه‌برداري هم‌زمان , رباتيك , بينايي ماشين , شناسايي الگو , محيط پويا
چكيده فارسي :
مكان‌يابي و نقشه‌برداري هم‌زمان (SLAM) شگردي است كه براي تخمين حركت حسگر و بازسازي ساختار محيط ناشناخته به‌كار مي‌رود. با توجه به نوع حسگر در دسترس مي‌توان از فاصله‌سنج‌ها، دستگاه‌هاي راداري و يا دوربين‌ها استفاده كرد. در موضوع مكان‌يابي و نقشه‌برداري استفاده از دوربين‌ها بيشتر مورد توجه قرار مي‌گيرد چرا كه استفاده از ديگر حسگرها از لحاظ شگرد پياده‌سازي مشكلات بيشتري دارد. در الگوريتم‌هاي ديداري اخير SLAM فرض اصلي، ساكن بودن محيط است. به همين دليل پياده‌سازي اين الگوريتم‌ها در محيط‌هاي واقعي ناكارآمد خواهد بود. چرا كه وجود عوامل محيطي متحرك يكي از فرضيات بديهي پياده‌سازي صنعتي و عملي الگوريتم‌هاي SLAM است. استفاده از روشهاي هندسه تصويري و پردازش تصوير اولين راه‌حل‌هاي اين چالش بوده است. امروزه پيشرفت زمينه‌هاي هوش مصنوعي در شناسايي اشيا توجه بسياري را به خود جلب كرده است. در اين پايان‌نامه سه روش شناسايي اشيا با كاربرد مكان‌يابي و نقشه‌برداري هم‌زمان مورد بررسي قرار مي‌گيرد. با افزودن اين روش‌ها به الگوريتم‌هاي كلاسيك SLAM سه نوآوري جديد در اين عرصه ارائه شده است. همچنين يك الگوريتم پيشنهادي براي پياده‌سازي‌هاي غير تصويري نيز معرفي مي‌گردد. در اين پايان‌نامه مهم‌ترين الگوريتم‌هاي موجود SLAM با تمركز بر محيط‌هاي پويا دسته‌بندي شده و مورد مطالعه و بررسي قرار مي‌گيرند. سپس به برخي از روشهاي شناسايي اشيا و پردازش تصوير اشاره مي‌شود. در نهايت با تكيه بر روشهاي موجود شناسايي الگو سعي شده الگوريتم مناسبي براي SLAM در محيط‌هاي پويا ارائه گردد. در اين پايان‌نامه با تركيب روشهاي شناسايي اشيا با الگوريتم‌هاي كلاسيك SLAM سه الگوريتم GMM-SLAM و Yolov5-SLAM و Det-SLAM پيشنهاد شده است. در الگوريتم Det-SLAM ايده نوآورانه بخش‌بندي سريع تصاوير رنگي و داده‌هاي عمق پيشنهاد شده است كه روش جديدي براي شناسايي الگو‌هاي حركتي ارائه مي‌كند. نتايج آزمايشگاهي اين الگوريتم كه با ديگر الگوريتم‌هاي هم‌رده مقايسه شده است نشان مي‌دهد دقت نقشه در الگوريتم پيشنهادي در برخي پايگاه داده‌ها با عوامل پويا تا حدود 40 درصد بهبود يافته است. اين الگوريتم مي‌تواند راه‌حلي مناسب براي مكان‌يابي و نقشه‌برداري هم‌زمان در محيط‌هاي پويا باشد.
چكيده انگليسي :
Simultaneous Localization and Mapping (SLAM) is a technique used to estimate sensor motion and reconstruct the structure of an unknown environment. Visual sensors include sensors, radar devices, and cameras, depending on the type of sensor available. Due to the implementation issues of other sensors, visual sensors, specifically cameras, are more prevalent in the field of SLAM. Recent visual SLAM algorithms presume a static environment, rendering their implementation in real-world environments inefficient, as the presence of moving environmental factors is an inherent presupposition of industrial and practical SLAM algorithms. Utilizing geometric constraint techniques and image processing was the initial response to this problem. The development of artificial intelligence disciplines in object recognition has attracted considerable interest in recent years. The objective of this thesis is to provide a better understanding of SLAM, particularly in dynamic environments. Also, the most significant available SLAM algorithms are categorized, studied, and investigated, with an emphasis on dynamic environments. This thesis introduces three distinct object recognition-based strategies i.e., GMM-SLAM, Yolov5-SLAM, and Det-SLAM to improve SLAM in dynamic environments. In addition, a filter-based method is proposed for non-visual implementations. Experimental results show that the proposed Det-SLAM algorithm enhances the efficacy of SLAM in terms of rapid segmentation of RGB images and depth data, and provides a new technique for identifying motion patterns. Compared with other algorithms, the experimental results of the proposed algorithms demonstrate a significant improvement in terms of precision, speed, and robustness.
