Kamera görüntülerinden otonom bir aracın konumunun ve yönünün belirlenmesi

Abstract

Amaç: Stereo kamera ve özellik tabanlı görsel odometri yöntemi kullanılarak, otonom araçlar için görsel girdiden hareket yörüngesini tahmin etme problemi ele alınarak etkili bir algoritmanın kurulması ve algoritma aşamalarının yörünge tahminindeki başarıya etkilerinin değerlendirilmesi amaçlanmıştır. Yöntem: Temel yapısı iki görüntü arasında özellik noktası takibi, 3B model ve 2B görüntüler arasında örtüşmeyi kurarak poz tahmini ve yeni özellikleri üçgenleme yapmaya dayanan özellik tabanlı bir görsel odometri algoritması sunulmuştur. Algoritma ayrıca aykırı değerlere karşı sağlamlığı artırmak için M-Kestiricisi Örnek Konsensüsü (M-SAC) kullanır. Algoritmanın sonuçlarını değerlendirmek amacıyla KITTI veri seti kullanılmıştır. KITTI veri seti otonom sürüş algoritmalarının değerlendirilmesinde en sık kullanılan veri kümelerinden birini temsil etmektedir. Bulgular: Literatürde yapılan Mittal (2018)'in çalışması, tezde kullanılan algoritma ile karşılaştırılmış ve tezde kullanılan algoritmanın kesin yer referansını daha doğru bir şekilde kestirdiği gösterilmiştir. Sonuç: Bu tez kapsamında elde edilen sonuçlar değerlendirildiğinde dikdörtgen (bucket) büyüklüğü, özellik sayısı gibi unsurların yön takibi başarısında önemli bir rol oynadığı tespit edilmiştir. Veri setinin özelliklerine göre önerilen algoritmaların belirli bir uyarlamasürecinden sonra kullanılmasının veya uyarlanabilir algoritmalarla birlikte entegre edilmesinin daha faydalı olabileceği değerlendirilmektedir.

Purpose: It is aimed to establish an effective algorithm and evaluate the effects of algorithm steps on success in trajectory prediction by addressing the problem of predicting motion trajectory from visual input for autonomous vehicles by using stereo camera and feature-based visual odometry method. Method: A feature-based visual odometry algorithm, whose basic structure is based on feature point tracking between two images, pose estimation and triangulation of new features by establishing the overlap between 3D model and 2D images, is presented. The algorithm also uses the M-Estimator Sample Consensus (M-SAC) to increase robustness against outliers. KITTI data set is used to evaluate the results of the algorithm. The KITTI dataset represents one of the most frequently used datasets in the evaluation of autonomous driving algorithms. Findings: The study of Mittal (2018) in the literature has been compared with the algorithm used in the thesis, and it has been shown that the algorithm used in the thesis predicted the exact location reference more accurately. Results: As the results obtained within the scope of this thesis are evaluated, it has been determined that factors such as the size of the rectangle (bucket) and the number of features play an important role in the success of following the direction. it is considered that it may bemore beneficial to use the proposed algorithms after a certain adaptation process or to integrate them with adaptive algorithms based on the characteristics of the data set.