MARC

 008260126s2024        us                              c    eng  d
■001000017360375
■00520260202105515
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263340797
■035    ▼a(MiAaPQ)AAI32309285
■035    ▼a(MiAaPQ)GeorgiaTech75250
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.4
■1001  ▼aChen,  Mengzhen.
■24510▼aRobust  Autonomous  Navigation  Framework  for  Exploration  in  GPS-Absent  and  Challenging  Environment
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a347  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Mavris,  Dimitri  N.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  benefits  of  autonomous  systems  have  attracted  the  industry's  attention  during  thepast  decade.  Different  kinds  of  autonomous  systems  have  been  applied  to  various  fieldssuch  as  transportation,  agriculture,  healthcare,  etc.  Tasks  unable  or  risky  to  be  completedby  humans  alone  can  now  be  handled  by  autonomous  systems  efficiently,  and  the  laborcost  has  been  greatly  reduced.  Among  various  kinds  of  tasks  that  an  autonomous  systemcan  perform,  the  capability  of  an  autonomous  system  to  understand  its  surrounding  environment  is  of  great  importance.  Either  using  an  Unmanned  Aircraft  System  (UAS)  forpackage  delivery  or  self-driving  vehicles  requires  the  autonomous  system  to  be  more  robust  during  operation  under  different  scenarios.  This  work  will  improve  the  robustness  ofautonomous  systems  under  challenging  and  GPS-absent  environments.When  exploring  an  unknown  environment,  if  external  information  such  as  a  GPS  signalis  unavailable,  mapping  and  localization  are  equally  important  and  complementary.  Therefore,  simultaneously  creating  a  map  and  localizing  itself  is  essential.  Under  such  conditions,  Simultaneous  Localization  and  Mapping  (SLAM)  was  created  in  the  robotics  community  to  provide  the  capability  of  building  a  map  for  the  surroundings  of  an  autonomoussystem  and  localizing  itself  during  operation.  SLAM  architecture  has  been  designed  fordifferent  kinds  of  sensors  and  scenarios  during  the  past  several  decades.  Among  differentSLAM  categories,  visual  SLAM,  which  uses  cameras  as  the  sensors,  outperforms  others.It  has  the  advantage  of  extracting  rich  information  from  images  while  other  sensors  aloneare  incapable.  Since  the  images  captured  by  the  camera  are  treated  as  the  inputs,  therefore,the  accuracy  of  the  results  will  heavily  depend  on  their  quality.  Most  SLAM  architecturecan  easily  handle  high-quality  images  or  video  streams,  while  poor-quality  ones  are  stillchallenging.  The  first  challenging  scenario  that  the  visual  SLAM  is  facing  is  the  motionblur  scenario  in  which  the  performance  of  the  visual  SLAM  will  be  severely  downgraded.The  other  challenging  scenario  that  the  visual  SLAM  is  facing  is  the  low-light  environment.Since  the  poor  illumination  condition  has  less  information  shared  with  the  camera,  it  alsodowngrades  the  accuracy  of  the  visual  SLAM  system.  Furthermore,  the  visual  SLAM  addsan  extra  requirement  for  computational  efficiency  since  the  operation  needs  to  be  real-time.Based  on  these  observations,  the  research  objective  of  this  dissertation  has  been  formedwhich  is  improving  the  visual  SLAM  performance  under  these  two  challenging  conditions.In  this  dissertation,  three  research  areas  have  been  defined  to  achieve  the  overarching  research  objective.  The  first  research  area  focuses  on  developing  the  capabilities  of  recovering  these  poor-quality  images  captured  under  these  challenging  scenarios  in  real-time.  Twohighly  efficient  deep  learning  models,  a  single  image  deblurring  model,  and  a  low-lightimage  enhancement  model,  have  been  developed  and  evaluated  in  this  dissertation.  Thesecond  research  area  focuses  on  the  uncertainty  quantification  for  the  results  generated  bythe  visual  SLAM  systems.  Since  some  of  the  visual  SLAM  systems  have  nondeterministicbehaviors,  a  statistical  approach  has  been  developed  in  this  dissertation  to  reduce  and  factor  out  the  uncertainties  in  the  results  and  provide  a  quantitative  method  for  performanceevaluation.  The  third  research  area  focuses  on  creating  a  visual  SLAM  validation  datasetthat  can  be  utilized  for  testing  the  performance  under  motion  blur  scenarios  since  the  majority  of  the  existing  dataset  does  not  have  enough  blurriness  or  is  limited  to  the  indoorenvironment.  In  this  dissertation,  a  synthetic  blurry  SLAM  dataset  has  been  created  withthe  help  of  utilizing  a  physics-based  virtual  simulation  environment.  From  a  combinationof  the  three  research  areas,  a  visual  SLAM  framework  is  proposed  and  tested  with  severalvisual  SLAM  datasets  captured  under  the  two  challenging  scenarios.  Based  on  the  experiment  results,  for  the  proposed  visual  SLAM  framework,  accuracy  improvements  have  beenobserved  through  a  statistical  approach  for  all  the  use  cases  when  compared  with  the  benchmark  visual  SLAM  system.  Therefore,  the  proposed  visual  SLAM  framework  in  which  theimage  enhancement  modules  have  been  added  does  improve  the  visual  SLAM  performanceunder  challenging  conditions.Two  key  contributions  have  been  made  through  work:A  visual  SLAM  framework  that  is  designed  for  tackling  real-world  challenging  conditions  such  as  motion  blur  and  low-light  environment.A  novel  pipeline  that  utilizes  the  physics-based  simulation  environment  to  generatea  realistic  synthetic  blurry  visual  SLAM  dataset.
■590    ▼aSchool  code:  0078.
■650  4▼aSpace  exploration
■650  4▼aDeep  learning
■650  4▼aNavigation  systems
■650  4▼aNeural  networks
■650  4▼aAerospace  engineering
■690    ▼a0538
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360375▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서