Resumo: O problema de localização e mapeamento simultâneos (SLAM) aborda a possibilidade de um robô se localizar em um ambiente desconhecido e, simultaneamente, criar um mapa consistente desse ambiente. Um dos principais componentes do SLAM, chamado Odometria, é responsável por estimar a localização do agente e as mudanças de posição ao longo do tempo. Recentemente, as câmeras foram usadas com êxito para obter as características do ambiente para executar SLAM e Odometria, que são chamados SLAM visual (VSLAM) e Odometria visual (VO), respectivamente. No entanto, os algoritmos clássicos de VO e VSLAM podem ser facilmente induzidos a falhar quando o movimento do robô ou o ambiente são muito desafiadores. Portanto, novas abordagens baseadas em redes neurais profundas (DNNs) alcançaram resultados promissores em VO/VSLAM. Dessa forma, propomos combinar o potencial dos descritores de características baseados em aprendizado profundo com o VSLAM tradicional baseado em geometria, criando um novo sistema VSLAM para robôs móveis chamado LIFT-SLAM. As experiências realizadas nos conjuntos de dados KITTI e EuRoC mostram que o aprendizado profundo pode ser usado para melhorar a performance de sistemas de VSLAM tradicionais, uma vez que a abordagem proposta foi capaz de alcançar resultados comparáveis ao estado da arte sendo robusto à ruídos sensoriais Ver menos

Abstract: The Simultaneous Localization and Mapping (SLAM) problem addresses the possibility of a robot to localize itself in an unknown environment and simultaneously build a consistent map of this environment. One of the main components of SLAM is called Odometry, which is responsible for estimating the agent's location and changes in position over time. Recently, cameras have been successfully used to get the environment features to perform SLAM and Odometry, which is referred to as visual SLAM (VSLAM) and visual Odometry (VO), respectively. However, classical VO and VSLAM algorithms can be easily induced to fail when either the motion of the robot or the environment is too challenging. Therefore, new approaches based on Deep Neural Networks (DNNs) have achieved promising results in VO/VSLAM. In this way, we propose to combine the potential of deep learning-based feature descriptors with the traditional geometry-based VSLAM, building a new VSLAM system for mobile robots called LIFT-SLAM. Experiments conducted on KITTI and EuRoC datasets show that deep learning can be used to improve the performance of traditional VSLAM systems, as the proposed approach was able to achieve results comparable to the state-of-the-art while being robust to sensorial noise Ver menos