quarta-feira, 8 de abril de 2015

Semana 4

Durante esta semana de modo a melhorar a fiabilidade do método dos mínimos quadrados, decidi complementar com uma regressão robusta, sendo esta insensível à ocorrência de erros grosseiros nas observações. Pois o método dos mínimos quadrados é altamente sensível a outliers, que são observações que não seguem o padrão das outras observações.

Dos vários métodos de regressão robusta o escolhido foi Least Trimmed Squares (LTS),do qual é capaz de resistir a uma elevada quantidade de outliers (até um máximo de 50%). Este método segue a seguinte ordem:
  1. É aplicado o método dos mínimos quadrados para estimar as variáveis desconhecidas;
  2. Calcular o valor residual quadráticos de cada uma das n observações e colocados em ordem crescente do seguinte modo
  3. Calcular o valor do breakdown point, que define a percentagem de observações a utilizar das iniciais, deixando assim de fora as observações com valor residual quadrático mais elevado. Esse valor é calculado da seguinte forma:
    Onde n é a quantidade de observações e p o número de variáveis desconhecidas;
  4. Aplicar novamente o método dos mínimos quadrados às observações selecionadas no ponto anterior.

sexta-feira, 27 de março de 2015

Semana 3

Extração de linhas retas

Dando continuação ao trabalho da semana passada, que era extrair linhas retas da segmentação de dados de um scan de laser, após alguma discussão chegou-se à conclusão que o método referido anteriormente (algoritmo de Douglas-Peucker) poderia ter algumas falhas, perdendo assim alguma fiabilidade. Pois no caso em que existe um conjunto de pontos bastante lineares, e o último ponto se desvia dessa linearidade, vai provocar um erro no grau de confiança que se tem nessa detecção, pois na realidade esse segmento poderá de facto ser um bom exemplar de uma linha reta. As seguintes figuras poderão ilustrar de forma melhor o problema.
Reta obtida com algoritmo de Douglas-Peucker.

Reta que deveria ser obtida.
Com isto decidi usar o método dos mínimos quadrados, que é uma técnica de otimização matemática que procura encontrar o melhor ajuste para um conjunto de dados tentando minimizar a soma dos quadrados das diferenças entre o valor estimado e os dados observados. Foi então aplicada uma regressão linear para obter a equação da reta.
Após isso através do rviz representou-se a segmentação dos dados do scan do laser com a correspondente reta representada por cima como se pode ver na seguinte figura. 
Interface gráfica rviz.
Agora chega a altura em que é necessário saber o grau de confiança na extração de linhas retas dos segmentos, ou seja averiguar se o segmento em estudo pode de facto ser considerado uma linha reta ou se pertence a outro grupo. Para isso será usado o desvio médio dos pontos à reta que será comparado com um valor de comparação pré-defenido. Na seguinte figura está representado um caso onde a linha reta não corresponde aos dados obtidos.

Extração de círculos

Usando igualmente o método dos mínimos quadrados, é possível obter a equação da circunferência minimizando a soma dos quadrados das distâncias. Contudo apenas foram efetuados alguns testes no matlab dando para verificar que o método funciona bem.
Faltando agora adquirir dataset do laser que contenha o contorno de superfícies redondas para fazer os testes necessários e quantificar qualidade da extração.

quarta-feira, 18 de março de 2015

Semana 2

Esta semana foi dedicada à identificação de segmentos de reta em dados de laser já segmentados. Antes disso a segmentação não é mais do que extrair grupos de pontos do scan que partilhem propriedades espaciais semelhantes permitindo identificar os limites circundantes dos objetos.

Contudo isto não é assim tão simples pois existem vários problemas na realização da segmentação. Como situações em que objetos estão muito próximos, e não é claro se se deve segmentar em 1 ou vários objetos. Quando se trabalha com elevados níveis de ruído no scan do laser, que é um erro de medida na transição de um objeto mais próximo para um mais distante onde aparecem leitura intermédias, causando assim um erro na detecção dos contornos dos objetos. E ainda problemas de oclusão, quando os objetos de sobrepõem uns aos outros, e problemas com a vegetação.

Os vários métodos de segmentação podem ser divididos em dois grupos:
  • Distance-based
  • Stochastic distance-based
Os métodos de "Distance-based" são os mais comuns para a segmentação de dados em 2D graças à sua simplicidade e rapidez de processamento, apresentando também boa eficiência.

Estes métodos para identificar break-points calculam a distância Euclidiana entre dois pontos consecutivos e se essa distância for superior a um limite definido, um break-point é detetado.

Detecção de segmentos de reta

Para detetar se os segmentos são retas poderá utilizar-se o algoritmo de Douglas-Peucker, que se baseia no seguinte processo:
  1. Obter a linha que passe pelos pontos extremos
  2. Obter o ponto mais distante da linha
  3. Verificar se o pontos mais distante da linha está a cima do valor limite imposto

quarta-feira, 11 de março de 2015

Semana 1

Durante esta semana fizeram-se os primeiros teste no laser. Começando por instalar o software que veio juntamente com o laser (LD-MRS View) e configurar a rede do PC para ser possível comunicar com o laser.
Após isso facilmente se vê a representação dos dados do laser através da interface gráfica do software como se pode ver na seguinte figura.
Interface do software LD-MRS View.
No entanto este software só serviu para ter um primeiro contacto com o laser e testar o seu funcionamento, onde à partida não voltará a ser útil.
Posto isso depois de alguma pesquisa pude verificar que existe um package em ROS (sick_ldmrs) que faz a comunicação com o laser e devolve os dados individualmente de cada um dos 4 feixes do laser assim como a nuvem de pontos dos 4 feixes em conjunto. Permitindo ainda alterar a configuração do laser, como por exemplo o ângulo de início e fim de varrimento e a frequência a que o laser trabalha.
Já com o package a correr facilmente se observou os seus dados através da interface RVIZ.

terça-feira, 3 de março de 2015

Sobre o projeto

Enquadramento

Como devem imaginar para que um carro possa ter uma condução assistida e navegação autónomo é absolutamente vital detetar a estrada e seus agentes no meio que o rodeia para que se possa fazer um planeamento de trajetória antecipado. Para fazer essa detecção recorre-se preferencialmente a técnicas como LIDAR, RADAR e sistemas de visão. Tendo como interesse especial a utilização de visão e LIDAR uma vez que se complementam, levando à obtenção de precisões mais elevada.

Equipamento a usar

O equipamento que irei usar irá ser um sensor de longo alcance LIDAR, que embora tenha um campo de visão mais restrito que os de curto alcance, possibilita a detecção e obstáculos mais precocemente. Onde combinado com um sensor de curto alcance pode ser um procedimento que permite confirmar a relevância de uma grande série de alvos de um campo de vista mais amplo. Podendo mais tarde servir de filtro reduzindo o procura nas câmaras. 
Sensor SICK LD-MRS 400001
Características sensor laser:
  • Classe do laser: 1;
  • Campo de visão: 110º;
  • Frequência: 12,5 Hz/25 Hz/50 Hz;
  • Resolução angular: 0.125º/0.25º/0.5º;
  • Alcance operacional: 0.5m … 250 m;
  •  Alcance máximo com 10% de reflecção: 50 m;
  • Quantidade de ecos avaliados: 3.

     Objetivos principais

  • Instalação do novo hardware no ATLASCAR – sensor LIDAR de longo alcance.
  • Desenvolvimento de um módulo para fundir o sensor de longo alcance LIDAR com os sensores de curto alcance já existentes, e criar um mapa do espaço livre e obstáculos mais robusto e suas propriedades estáticas e dinâmicas (distância, dimensões e velocidade).
  • Desenvolvimento de um módulo que use mapas de distância (completo ou parcial) para selecionar que partes da imagem são suscetíveis de ser processadas de forma prioritária devido à sua potencial relevância.

Bem vindo!

O meu nome é Marcelo Silva Pereira e estou no último ano do Mestrado de Engenharia Mecânica na universidade de Aveiro. Nesta altura estou a começar a realizar a minha dissertação de mestrado que tem como título "Fusão multissensorial de LIDAR e imagem para deteção e seguimento de alvos".

Esta dissertação é do âmbito do projeto ATLASCAR que faz parte do Laboratório de Automação e Robótica (LAR) do departamento de Engenharia Mecânica, que tem como objetivo criar condições para que um carro seja capaz de uma condução assistida e navegação autónoma.