111
6. CONCLUSIONI
In questo lavoro,è stata presentata una tecnica che permette, ad un veicolo autonomo, di costruire una mappa degli ostacoli presenti in un ambiente non strutturato mediante visione stereoscopica. La tecnica presentata si basa sull’algoritmo SIFT per l’estrazione di features dalle immagini.
E’ stata realizzata la clusterizzazione delle features triangolate che permette di distinguere le aree non navigabili da quelle navigabili. La possibilità di distinguere le aree non navigabili da quelle navigabili è di fondamentale importanza quando un veicolo autonomo deve effettuare l’obstacle avoidance.
Nell’effettuare la clusterizzazione, basata su un metodo incrementale, si è tenuto conto dell’errore di triangolazione e del funzionamento dell’algoritmo di estrazione delle features.
E’ stato presentato un algoritmo che crea una rappresentazione bidimensionale degli ostacoli.
Tale rappresentazione viene poi semplificata, in modo da avere una struttura dati che permetta di pianificare un percorso in maniera agevole.
E’ stato creato un database che ci permette di seguire lo spostamento delle features nel tempo. La posizione delle features è stata calcolata nel riferimento fisso ed è stata creata la mappa georeferenziata degli ostacoli. La georeferenziazione della mappa, è stata possibile grazie all’odometria che ci permetteva di stimare la posizione del robot rispetto ad un riferimento fisso.
Un possibile sviluppo di questo lavoro potrebbe essere realizzare un sistema di navigazione basato sul database di features.
Il database di features è stato utilizzato per realizzare un tracking dei clusters nel tempo. Il tracking dei clusters nel tempo potrà permettere al veicolo di seguire un oggetto che si trova davanti al cono visivo.
Sono state sviluppate due tecniche per la selezione delle features: una che utilizza la clusterizzazione eseguita in precedenza e si basa sulla precisione che si ha nella misura della posizione delle features, l’altra basata su una finestra temporale. La selezione delle features mediante finestra temporale è particolarmente indicata nel caso si lavori in ambienti dinamici.
L’algoritmo SIFT per l’estrazione di features è stato studiato mediante esperimenti.
Gli esperimenti effettuati hanno messo in evidenza che il SIFT non è in grado di estrarre features in maniera uniforme su tutti gli oggetti.
La qualità del funzionamento del SIFT dipende dall’aspetto degli oggetti che si trovano davanti al sistema di visione; il SIFT presenta alcuni problemi nell’estrazione di features quando un oggetto di colore uniforme si trova di fronte al sistema di visione. Questo problema è stato parzialmente risolto utilizzando un algoritmo di visione chiamato template matching. Tale algoritmo presenta maggiore semplicità computazionale rispetto al SIFT, visto che si basa su un principio di funzionamento più semplice e intuitivo. L’algoritmo di template matching può essere usato in alternativa al SIFT quando questo si trova in difficoltà.
Il software realizzato è stato fatto girare in tempo reale collegando ad un Personal Computer le telecamere del sistema di visione, la maggior parte del tempo di esecuzione è stata impiegata dall’algoritmo SIFT per l’estrazione delle features (1 secondo per una coppia di frames alla risoluzione 320x240).
Un possibile ampliamento di questo progetto potrà prevedere l’utilizzo di due telecamere che si muovono mediante motori elettrici. Tale sistema permetterebbe al robot di inquadrare la scena dove vuole ed il problema della limitatezza del campo visivo sarebbe risolto. Inoltre si potrebbero ottenere vantaggi durante la fase di triangolazione delle features. Dato che il campo visivo non sarebbe più limitato, si presenterebbe la possibilità di seguire un cluster nel tempo qualunque sia la sua direzione di movimento.
