Inertial and vision-based Simultaneous Localization and Mapping,I-vSLAM Source ： 工研院 智慧機器人技術專輯 Authors ： 謝祥文、張彥中、蔡雨坤、鄭明育 ( 工研院機械所 智慧機器人技術組 ) Speaker ：余俊瑩 Advisor ：洪國寶 老師 Date ：

2

 機器人自主移動研發主要核心技術包含兩大層面 : Scene Understanding and Localization  當環境資訊是未知的或環境中的參考點不可用時， 最常使用 SLAM( Simultaneous Localization And Mapping ) - 透過 Sensors 進行環境感知，藉由機器人接收 sequential 外部資訊使 用 Probabilistic 達到同步自行定位及環境地圖建置.  利用 MonoSLAM 並結合 EKF(Enhance Kalman Filter) 或 PF(Particle Filter) ，整合 inertial sensors 進行機器人 移動的預測及修正程序 3

4

 機器人移動與旋轉位移量的 Motion Prediction 透 過慣性感測模組提供 - Accelerometer: 偵測機器人在空間中三軸的位移及 角度資訊 - Gyroscope : 可測角速度 - Digital Compass: 計算機器人相對地球磁場的角度 直接整合於機器人上進行量測，不需要額外的外部 感測環境，既使外部環境有所變化，仍然可以達成 位置估測目的 5

 除了透過慣性融合技術降低機器人移動位置估測 的環境干擾，也透過整合單一攝影機所擷取的影 像資訊，進行 Motion Correction 6

7

8

 Accelerometer 及 Gyroscope 可感受機器人高速的 動態平移資訊與轉動資訊，但經過長時間的積分 計算，會造成無法消除的累積誤差  Digital Compass 易受外界電磁波干擾  以每種 sensors 的優點來彌補其他 sensors 的缺點， 進而估測出正確的機器人姿態與加速度，以提供 更準確的 3D 角度與位移量的估測 9

10

11 陀螺儀偵測機器人三軸角速度

12

 利用 EKF 來建構 I-vSLAM 的 Motion Model 及 Measurement Model  Motion Model  藉由機器人的運動，預測 ( Prediction ) 其狀態  使用 IMU 的加速度以及角度資訊，計算其預測之位置與朝向角  Measurement Model  藉由感測器量測之環境資訊，修正 ( Correction ) 其預測之狀態 13

14

15 系統狀態 (camera and feature) Camera 在空間中位置 Camera 預估線性速度 Camera 在空間各軸角度 Inertial 感測到載體在空間各軸角度 Camera 第一次看到特徵點 i 的世界座標 特徵點 i 相對於 camera 的深度倒數 camera 相對於世界座標的方向向量

16

17

18

19

20  藉由低成本之慣性融合演算法的開發，提升機器 人移動資訊預測的準確性 - 可降低機器人單純靠視覺感測器定位易造成的空間迷向  進而透過單一攝影機的影像資量的分析比對，達 到環境地圖的建構及機器人移動資訊 提升機器人對於 Scene Understanding and Localization 準確度

21 Thanks for your attention

22