Detecção de Mudanças e Recuperação de Forma em Mapas 3D Baseados em Nuvens de Pontos

• Paulo Drews Jr UFMG
• Mario Campos UFMG

Resumo

Este trabalho aborda o problema de se determinar a ocorrência de alterações em ambientes não necessariamente estruturados, representados por nuvens de pontos 3D. Apresenta-se, aqui, um arcabouço computacional baseado em modelos matemáticos que permitem a detecção e a consequente representação de mudanças em ambientes reais de maneira eficiente. A modelagem é obtida com o Modelo de Misturas de Gaussianas (GMM) sob pontos simplificados e a mudança é segmentada com o algoritmo Earth Mover’s Distance(EMD), por meio de uma técnica gulosa. Essa combinação permite detectar e segmentar mudanças entre duas nuvens de pontos obtidas do ambiente em momentos distintos. Dois métodos para a recuperação de formas 3D foram desenvolvidos e analisados. O primeiro método, inovador, modela a mudança por meio de primitivas geométricas básicas (planos, esferas e cilindros) aplicadas diretamente no espaço das Gaussianas. O segundo modela as mudanças por meio de superquádricas e do paradigma split-and-merge, visando dar uma maior expressividade à representação de forma 3D. As técnicas foram validadas por meio de experimentos realizados em ambiente de simulação e em ambientes reais, onde as nuvens de pontos 3D foram obtidas por sensores laser embarcados em robôs móveis.

Referências

Andreasson, H., Magnusson, M., and Lilienthal, A. J. (2007). Has something changed here? Autonomous difference detection for security patrol robots. In IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 3429–3435, San Diego, EUA.

Chevalier, L., Jaillet, F., and Baskurt, A. (2003). Segmentation and superquadric modeling of 3D objects. Journal of Winter School of Computer Graphics, 11(1):9–16.

Forstner, W. and Moonen, B. (1999). A metric for covariance matrices. Technical report, Stuttgart University.

Fox, D., Burgard, W., and Thrun, S. (1999). Markov localization for mobile robots in dynamic environments. Journal of Artificial Intelligence Research, 11:391–427.

Jaklič, A., Leonardis, A., and Solina, F. (2000). Segmentation and Recovery of Superquadrics. Kluwer Academic Publishers, Norwell, EUA.

Pauly, M., Gross, M., and Kobbelt, L. P. (2002). Efficient simplification of point-sampled surfaces. In IEEE Visualization (VIS), pages 163–170, Boston, EUA.

Rubner, Y., Tomasi, C., and Guibas, L. J. (1998). A metric for distributions with applications to image databases. In International Conference on Computer Vision (ICCV), pages 59–66, Bombay, India.

Rusu, R. B., Marton, Z. C., Blodow, N., Dolha, M., and Beetz, M. (2008). Towards 3D point cloud based object maps for household environments. Robotics and Autonomous Systems, 56(11):927–941.

Schnabel, R., Wahl, R., and Klein, R. (2007). Efficient RANSAC for point-cloud shape detection. Computer Graphics Forum, 26(2):214–226.

Solina, F. and Bajcsy, R. (1990). Recovery of parametric models from range images: The case for superquadrics with global deformations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(2):131–147.

Vieira Neto, H. and Nehmzow, U. (2008). Visual novelty detection for autonomous inspection robots. In Takahashi, Y., editor, Service Robot Applications, pages 309–330. I-Tech Education and Publishing, Vienna, Austria.