Recomendados
Mais conteúdo relacionado
Destaque
Destaque (20)
Ratslam
- 2. RatSLAM Algoritmo bioinspirado Baseado nas head, place e grid cells identificadas no hipocampo dos ratos Modela com redes neurais dinâmicas Usa apenas uma web cam como sensor Roda em tempo real em um notebook Mapeamento topológico
- 3. Modelo Hipocampal Head Cells: cada neurônio representa 1 ângulo diferente Células excitam células próximas e inibem células distantes Movimento excita e inibe células Inibição global Extremidades são conectadas
- 4. Modelo Hipocampal O resultado após várias iterações é um “pacote” de ativações próximas, com formato similar a uma Gaussiana
- 5. Modelo Hipocampal Local View Cells excitam Head Cells Similar ao passo de de correção de localização baseada nos sensores em robótica Todo mesmo racioncínio para Place Cells, mas 2D
- 6. RatSLAM 3 módulos: Local View Cells: armazenam templates de imagens observadas Pose Cells: união das Head Cells com Place Cells, 3D Experience Map: guarda associações e transições
- 7. Pose Cells Mapa 3D de poses Cada face do cubo é ligada com a face oposta Permite mapas de tamanho ilimitado, mas compartilha diferentes locais em uma mesma célula
- 8. Pose Cells Exctitação e inibição lateral Aritmética modular para levar em conta as extremidades conectadas Inibição idêntica à excitação mas com sinal oposto e com inibição global
- 9. Pose Cells + Motion Ao contrário do modelo biológico que incorpora a informação de movimento através de excitações e inibições neurais, RatSLAM simplifica e agiliza o processo simplesmente deslocando as ativações diretamente, como é feito comumente em robótica
- 10. Local View + Pose Cells Matriz de associações é atualizada com aprendizado Hebbiano (fire together, wire together) Local View Cells excitam as pose cells através de suas associações
- 11. Experience Map Guarda associações de Local View e Place Cells que ocorrem simultaneamente Guarda também pose obtida pela odometria no momento Transições entre experiências guardam variação de pose
- 12. Experience Map “S” é uma medida de distância / similaridade entre 2 experiências Ao ultrapassar um limiar, uma nova experiência é criada Caso contrário, as experiências são atualizadas (correção da pose)
- 13. Visão Odometria visual Apenas pedaços das imagens obtidas são usados A: Template Matching para Local View Cells B: Estimação de Rotação C: Estimação de velocidade
- 14. Rotação Imagem (tons de cinza) é reduzida a um vetor 1D com a média de intensidade de cada coluna Vetores subsequentes são comparados com vários alinhamentos e o melhor é selecionado como estimativa da rotação
- 15. Velocidade Vetores subsequentes já alinhados pela rotação são comparados Estimativa de velocidade dada por uma função de distância das intensidades absolutas dos vetores
- 16. Template Matching Os vetores de intensidade alinhados também são usados no template matching
- 17. Experimento - Setup Apenas um notebook com web cam fixado no topo de um carro Trajeto de 66km 100min Área de 3km x 1,6km
- 18. Exemplos Imagens observadas pelo sistema ao longo do experimento
- 19. Resultados - Loop Closures Diferença entre variação de pose armazenada nas transições e pose relativa entre experiências Picos = loop closures
- 20. Rotação Estimação de rotação foi muito boa (o problema está na velocidade)
- 21. Velocidade Velocidade estimada ao longo de um trecho em que a velocidade real era constante Maior fonte de erro (40%), mas ainda tolerável Outros módulos do algoritmo compensam
- 22. Pose Cells Informação das Local View Cells cria novo pacote de ativações Ao longo de 6s esse pacote se torna dominante, e a informação antiga desaparece Similar ao passo de atualização baseada nos sensores comum em robótica
- 23. Pose Cells Os mesmos neurônios representam mais de um local no mapa, devido à natureza cíclica da rede neural usada Outros módulos acabam corrigindo ambiguidades
- 24. Local View Cells Novos templates vão sendo criados e ativados Locais já visitados tornam a ativar neurônios já existentes
- 25. Local View Cells Regiões do mapa com aparência (visual) similar são representadas pelas mesmas Local View Cells Interação com os outros módulos retira ambiguidade
- 26. Processamento
- 27. Parâmetros
- 28. Resultados
- 29. Resultados
- 31. Referências Milford, M.J. and Wyeth, G.F - Mapping a Suburb With a Single Camera Using a Biologically Inspired SLAM System - IEEE TRANSAC TIONS ON ROBOTICS, VOL. 24, NO. 5, OCTOBER 2008