6D-tracking van objectposities

Met de snelle ontwikkeling van 3D-acquisitietechnologieën worden 3D-sensoren steeds meer beschikbaar en betaalbaar, waaronder verschillende soorten 3D-scanners, LiDAR's en RGB-D-camera's (zoals Kinect en RealSense). 3D-gegevens die door deze sensoren worden verkregen, kunnen rijke geometrische, vorm- en schaalinformatie opleveren, waardoor het geschikt is voor toepassingen zoals robotica, autonoom rijden, virtual reality en augmented reality. In dit onderzoek richten we ons op drie aspecten van de puntenwolkverwerking: puntenwolkregistratie, objectdetectie en semantische segmentatie. Puntenwolkregistratie wordt gedefinieerd als het vinden van de transformatie tussen twee afzonderlijke puntenwolk-coördinatensystemen. Het is de sleutel voor Simultaneous Localization and Mapping (SLAM), 3D-reconstructie van scènes en het is centraal komen te staan in vision-based autonoom rijden. Bij robotica-toepassingen zoals autonoom rijden zijn we geïnteresseerd in het detecteren van objecten in de 3D-ruimte. Dit is essentieel voor bewegingsplanning om een veilige route te plannen. Point cloud semantic segmentation (PCSS) is de taak om elk punt van een puntenwolk te associëren met een semantisch label. PCSS is een fundamentele en cruciale taak voor robots om de scène te begrijpen. Naast nauwkeurigheid is de verwerkingssnelheid ook van cruciaal belang voor deze toepassingen. We hopen een raamwerk voor te stellen dat in staat is om in realtime een nauwkeurige 3D-semantische kaart te bouwen met objectlocatie-informatie door deze drie taken te combineren.