Indoor Benotzer Lokaliséierung Mat visuell Plaz Unerkennung

Visuell Plaz Unerkennung ass ee vun de Grondsteen vun Computer Visioun Entwécklung an Robotik. D'Aufgab vun de VPR Algorithmen ass d'Identifikatioun vun iwwerpréiften Plazen op Basis vu Biller. D'Technologie kann autonom Roboteren an d'mënschlech Aarbechtskräft ënnerstëtzen, d'Ëmgéigend z'identifizéieren an d'Ausféierung vun gewënschten Aktiounen erliichteren.

Fuerscher bei NeuroSYS benotzt Computer Visioun Algorithmen als Deel vun der entwéckelter AR Plattform, Nsflow, aktivéiert interaktiv Aarbechtsinstruktiounen an praktesch Ausbildung fir Benotzer Positiounen z'identifizéieren wärend Dir Training op der Plaz mécht. An dësem Fall féiert d'Benotzung vu VPR zu enger wesentlecher Beschleunegung vun Onboarding a Léierprozesser wéinst engem reduzéierte Bedierfnes fir virausbildung an Iwwerwaachung.

Eng Persoun ze lokaliséieren oder déi gewënscht Plaz mat GPS ze fannen ass schonn al Neiegkeet. Awer wat maache wann de Satellit-baséiert Navigatiounssystem inoperabel ass? Indoor Positionéierungssystemer (IPS) kommen zur Rettung. 

Wann Dir no enger Nadel an engem Heestapel sicht, kënnt Dir verschidde Technike benotzen, dorënner Beaconen, magnetesch Positionéierung, Inertialmessungsunitéiten (IMU) mat Beschleunigungsmeter a Gyroskopen, Moossebewegung vum leschte bekannte Punkt, Wi-Fi-baséiert Positionéierung, oder einfach - benotzt visuell Markéierer. 

All déi uewe genannte Methoden hunn hir Mängel (zB d'Notzung fir Markéierer oder Beaconen z'installéieren, IMU erhéicht de Messfehler mat der Zäit an erfuerdert d'Repositionéierung), déi hir Virdeeler iwwerwannen. D'Léisung, déi de entscheedende Problem beäntweren - allgemenge Benotzer-Wunneng mat Genauegkeet bis zu den nootste Meter - stellt sech eraus am Beräich vun Algorithmen. 

d' Prozess vun unerkennen Plaze baséiert op eng zwee-Schrëtt Prozedur, schafen zwou Datenbanken. Am Ufank gëtt d'Zilplaz fotograféiert a verschidde Elementer, Schlësselpunkte, ginn duerch e Featuredetektor markéiert fir charakteristesch Elementer vun der Géigend z'identifizéieren. Duerno ginn déi markéiert Punkte mat engem Referenzbild verglach. Wann d'bewäertte Schlësselpunkte vun engem Feature Matcher ähnlech genuch ugesi ginn, qualifizéiert d'Bild als déiselwecht Plaz ze weisen. 

d' Bild Datebank kombinéiert Biller vun Zilplazen, an dësem Fall, Aarbechtsberäicher, an eng Rei vun hiren Eegeschafte mat eenzegaartegen Identifizéierer, gefollegt vu lokalen a globalen Deskriptoren. Deen anere Set, de Raum Datebank, entsprécht Singular Keypoints mat bestëmmte Beräicher am considéréierte Raum. 

Mat SuperPoint, SuperGlue, an netVLAD neural Netzwierker aus dem visuellen Plazerkennungsfeld hunn d'Fuerscher den uewe genannte Prozess an der Benotzerlokaliséierung benotzt. Déi déif neural Netzwierker, SuperPoint a SuperGlue, kooperéieren an der Feature Detektioun a Matching, extrahéieren Informatioun aus den Datenbanken. 

Déi global Descriptoren ginn op d'Bühn

De Prozess fuerdert global Deskriptoren, déi als Vektoren déngen, déi d'Plaz ënnerscheeden, Gebidder z'identifizéieren op eng Manéier déi keng Ambiguititéite presentéiert. Fir hir Roll ze erfëllen, sollten d'Vecteure Beliichtung & Point-of-View-agnostesch sinn - egal wéi d'Perspektiv an d'Beliichtungsbedéngungen, d'global Descriptoren sollten keen Zweiwel verloossen wann se Plazen a verschiddene Biller ënnerscheeden. 

Zousätzlech, verännerlech Objete präsent am Beräich vun Interessi soll net duerch global Descriptoren gebonnen ginn als Funktiounen z'ënnerscheeden Plazen. Elementer wéi Miwwelen an Ausrüstung sinn ufälleg fir Ännerungen (Neidekoratioun, Ofbau), dat heescht datt se keng Beräicher duerch hir Präsenz definéieren kënnen. 

Computer-Visioun-ugedriwwen Plaz Unerkennung hänkt op permanent Elementer vun ënnersicht Plazen, wéi Dieren, Fënsteren, Trapen, an aner ënnerscheedlechen Elementer vun laang-dauerhafter Natur. Wärend der Fuerschung a Fro gouf dat déif neuralt Netz NetVLAD fir Berechnungen benotzt, als Resultat vu Vektoren ze presentéieren déi de festgeluegten Ufuerderunge entspriechen. Am Prozess vun der globaler Descriptor Matching gi Biller vun den ähnlechsten Vektore veraarbecht, no Berechnunge vun der Distanz tëscht all charakteristeschen Ankerpunkt. 

Beim Veraarbechtung vun zwou Datenbanken - d'Raumdatenbank an déi aner, déi Schlësselpunkten a global Descriptoren enthält - beschäftegt de System d'Attributer vu Biller. Nodeems Dir d'Ähnlechkeeten an d'kürzest Distanzen Schätzung gemaach hutt, identifizéiert dat zweet neuralt Netzwierk, SuperGlue, Location Biller. De System mat VPR erlaabt d'Benotzer Lokaliséierung baséiert, kuerz, op der Unzuel vun de passende Schlësselpunkten. 

D'Algorithmen fonnt Applikatioun am AI & AR Plattform, hëlleft de Benotzer Training mat Smart Brëller ausgestatt. VPR erméiglecht de Stagiairen d'Lokalisatioun op der Aarbechtsplaz, lancéiert entspriechend Tutorials a Guiden déi op bestëmmte Plazen zougewisen sinn, d'Sécherheet verbesseren an d'Bedierfnes fir direkt Iwwerwaachung reduzéieren. 

Projet cofinanzéiert vun der Europäescher Unioun Fongen ënner den Europäesche Regionalentwécklungsfongen als Deel vum Smart Growth Operational Programme. Projet ëmgesat als Deel vum National Center fir Fuerschung an Entwécklung: Fast Track.