1. Biblioteca Digital de Trabalhos de Conclusão de Curso
  2. Trabalhos de Conclusão de Curso de Graduação
  3. Ciência da Computação
Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/3738
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorOliveira, Ricardo Augusto Rabelopt_BR
dc.contributor.advisorSilva, Mateus Coelhopt_BR
dc.contributor.authorSousa, Frederico Luiz Martins-
dc.date.accessioned2022-01-14T23:23:05Z-
dc.date.available2022-01-14T23:23:05Z-
dc.date.issued2022pt_BR
dc.identifier.citationSOUSA, Frederico Luiz Martins. Uso de SLAM na criação de modelos para odometria visual baseada em deep learning para robótica móvel. 2022. 57 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/3738-
dc.description.abstractA odometria é um problema comum em sistemas de navegação onde se tem a necessidade de estimar a posição do veículo ou dispositivo móvel no ambiente. Para realizar tarefas autônomas, dispositivos robóticos ou inteligentes precisam de ter ciência de sua posição no ambiente. Existem várias estratégias para resolver o problema de odometria, neste trabalho nós exploramos uma solução de odometria visual através de redes neurais profundas para inferência da posição do veículo robótico no ambiente conhecido e mapeado. Para realizar esta tarefa, um primeiro robô equipado com um LIDAR, IMU e câmera mapeia o ambiente através de uma técnica de SLAM. Os dados capturados pelo primeiro robô são usados como ground truth para treinar uma rede neural e posteriormente, outros robôs com apenas uma câmera monocular podem se localizar no ambiente. Também propomos uma validação e avaliação das redes neurais treinadas. A avaliação se baseia em três etapas: uma avaliação e validação de possíveis arquiteturas de redes neurais, comparação da arquitetura treinada ResNet com o algoritmo da literatura Orb-Slam e por fim uma avaliação de desempenho da rede treinada em três sistemas embarcados (Raspberry Pi 4, Jetson Nano e Jetson TX2).pt_BR
dc.language.isopt_BRpt_BR
dc.subjectRobótica móvelpt_BR
dc.subjectOdometriapt_BR
dc.subjectComputação em edgept_BR
dc.subjectRedes neurais profundaspt_BR
dc.subjectRobot operating systempt_BR
dc.titleUso de SLAM na criação de modelos para odometria visual baseada em deep learning para robótica móvel.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeSilva, Saul Emanuel Delabridapt_BR
dc.contributor.refereeCavalcanti, Carlos Frederico Marcelo da Cunhapt_BR
dc.contributor.refereeOliveira, Ricardo Augusto Rabelopt_BR
dc.description.abstractenOdometry is a common problem in navigation systems where there is a need to estimate the position of the vehicle or carrier in the environment. To perform autonomous tasks, robotic or intelligent devices need to be aware of its position in the environment. There are many strategies to solve an odometry problem, in this work we explore a visual odometry solution with a deep neural network to infer the robotic vehicle's position in a known and mapped environment. To perform this task the first robot, equipped with a LIDAR, IMU, and camera, map the environment through a SLAM technique. The data gathered by this first robot is used as ground truth to train the neural network and later, other robots with only one camera can locate themselves in the environment. We also propose a validation and evaluation of the neural network. The evaluation is based on three steps: an evaluation and validation of possible neural network architectures, comparison of the trained ResNet architecture with the Orb-Slam literature algorithm and, finally, an performance evaluation of the trained network in three embedded systems (Raspberry Pi 4, Jetson Nano and Jetson TX2).pt_BR
dc.contributor.authorID16.2.4102pt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_UsoSLAMCriação.pdf14,48 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Este item está licenciado sob uma Licença Creative Commons Creative Commons