İç Kullanıcı Yerelleştirme İçin Görsel Yer Tanıma Kullanımı

Görsel yer tanıma, bilgisayarlı görme geliştirme ve robotik的 temel taşlarından biridir. VPR algoritmalarının görevi, görüntülere dayanarak incelenen konumları tanımlamaktır. Bu teknoloji, hem otonom robotları hem de insan işgücünü destekleyebilir, surroundingsı tanımlayarak ve istenen eylemlerin gerçekleştirilmesini kolaylaştırabilir.

Araştırmacılar NeuroSYS’de, geliştirilen AR platformu Nsflow‘da bilgisayar görme algoritmalarını kullanarak, kullanıcıların konumlarını belirlemek için etkileşimli çalışma talimatları ve elden eğitim sağlar. Bu durumda, VPR’nin kullanılması, önceden eğitim ve denetim ihtiyacını azalttığı için eğitim ve öğrenme süreçlerini önemli ölçüde hızlandırır.

Bir kişiyi veya arzu edilen yeri GPS kullanarak bulmak artık eski haber. Ancak uydu tabanlı navigasyon sistemi çalışmazsa ne yapılır? İç konumlandırma sistemleri (IPS) kurtarmaya geliyor.

Bir çuvalda iğne ararken, çeşitli teknikler kullanılabilir, bunlar arasında beacon’lar, manyetik konumlandırma, ivmeölçer ve jiroskoplarla donatılmış ivmeölçer birimleri (IMU), son bilinen noktadan hareketi ölçme, wi-fi tabanlı konumlandırma veya basitçe – görsel işaretleyicileri kullanma.

Yukarıdaki tüm yöntemler, faydalarından daha fazla eksikliğe sahiptir (örneğin, işaretleyicileri veya beacon’ları kurma ihtiyacı, IMU’nun zamanla ölçüm hatasını artırması ve yeniden konumlandırılması gerektirmesi). Kullanıcıların genel olarak nerede olduklarını birkaç metrelik bir doğrulukla belirleme sorununa cevap veren çözüm, algoritmaların görev alanına giriyor.

Yer tanıma süreci, iki adımlı bir prosedürü içerir ve iki veritabanı oluşturur. İlk olarak, hedef yer fotoğraflanır ve belirli öğeler, anahtar noktalar, bir özellik dedektörü tarafından alanın karakteristik öğelerini tanımlamak için işaretlenir. Daha sonra, etiketli noktalar bir réféans görüntüsüne karşılaştırılır. Bir kez değerlendirilen anahtar noktaların, bir özellik eşleştirmesi tarafından yeterli benzerlikte olduğuna karar verilirse, resim aynı yeri gösteren olarak nitelendirilir.

Görüntü veritabanı, hedef konumların resimlerini, bu durumda çalışma alanlarını, ve benzersiz tanımlayıcılar, yerel ve küresel açıklamalar da dahil olmak üzere bir dizi özelliklerini birleştirir. Diğer küme, oda veritabanı, tekil anahtar noktaları belirli alanlarla eşleştirir.

Görsel yer tanıma alanından SuperPoint, SuperGlue ve netVLAD sinir ağlarını kullanarak araştırmacılar, yukarıdaki süreci kullanıcı yerelleştirme için kullandılar. Derin sinir ağları, SuperPoint ve SuperGlue, özellik dedektörü ve eşleştirmesinde işbirliği yaparak, veritabanlarından bilgi çıkardı.

Küresel tanımlayıcılar sahneye giriyor

Süreç, yerleri ayırt eden vektörler olarak görev yapan küresel tanımlayıcıları gerektirir, bu da farklı görüntülerdeki yerleri hiçbir belirsizlik olmadan tanımlar. Rolünü yerine getirmeleri için, vektörler aydınlatma ve bakış açısı açısından bağsız olmalıdır – bakış açısı ve aydınlatma koşullarından bağımsız olarak, küresel tanımlayıcılar farklı görüntülerdeki yerleri ayırt ederken hiçbir şüphe bırakmamalıdır.

Ayrıca, ilgi alanındaki değişken nesnelerin, yerleri ayırt eden özellikler olarak küresel tanımlayıcılar tarafından bağlı olmaması gerekir. Mobilya ve ekipman gibi öğeler değişime eğilimlidir (yeniden dekore etme, sökme), bu nedenle yerleri varlıklarıyla tanımlayamazlar.

Bilgisayarlı görme tabanlı yer tanıma, kapılar, pencereler, merdivenler ve diğer uzun süreli doğası olan ayırt edici öğeleri gibi incelenen yerlerin kalıcı öğelerine dayanır. Araştırma sırasında, derin sinir ağı NetVLAD, hesaplamalar için kullanıldı ve sonuç olarak, belirlenen gereksinimleri karşılayan vektörler sundu. Küresel tanımlayıcı eşleştirmesi sürecinde, en benzer vektörlerin görüntüleri işlenir, her karakteristik ankraj noktası arasındaki mesafe hesaplanır.

İki veritabanını – oda veritabanı ve diğerini, anahtar noktaları ve küresel tanımlayıcıları içeren – işlerken sistem, görüntülerin özellikleriyle ilgilenir. Benzerliklerin ve en kısa mesafelerin tahmin edilmesinden sonra, ikinci sinir ağı SuperGlue, konum görüntülerini tanımlar. VPR kullanan sistem, kısaca, eşleşen anahtar noktalarının sayısına dayanarak kullanıcı yerelleştirme sağlar.

Algoritmalar, AI ve AR platformunda uygulama buldu, kullanıcıların akıllı gözlüklerle eğitim yapmasına yardımcı oldu. VPR, eğitim alanlarının işyerinde yerelleştirilmesini, belirli noktalara atanmış uygun eğitimlerin ve rehberlerin başlatılmasını, güvenliği artırmasını ve doğrudan denetimi azaltmasını sağlar.

Proje, Avrupa Birliği fonlarından Smart Growth Operasyonel Programı kapsamında Avrupa Bölgesel Kalkınma Fonlarından finanse edildi. Proje, Ulusal Araştırma ve Geliştirme Merkezi: Fast Track kapsamında uygulandı.