Monokulare Sicht-unterstützte Tiefenmessung aus RGB-Bildern für die autonome UAV-Navigation

Die monokulare Sicht-basierte 3D-Szenenverständnis ist ein integraler Bestandteil vieler Anwendungen der Maschinenvision. Ziel ist es immer, die Tiefe mit einer einzigen RGB-Kamera zu messen, die gleichwertig zu Tiefenkameras ist. In diesem Zusammenhang gewinnt die monokulare Sicht-geführte autonome Navigation von Robotern schnell an Beliebtheit in der Forschungsgemeinschaft. Wir schlagen eine effektive monokulare Sicht-unterstützte Methode vor, um die Tiefe eines unbemannten Luftfahrzeugs (UAV) gegenüber einem bevorstehenden Frontalhindernis zu messen. Darauf folgt die kollisionfreie Navigation in unbekannten GPS-kontrollierten Umgebungen. Unser Ansatz basiert auf dem grundlegenden Prinzip der perspektivischen Vision, dass die Größe eines Objekts im Verhältnis zu seinem Sichtfeld (FoV) zunimmt, während sich der Projektionsmittelpunkt dem Objekt näher nähert. Unser Beitrag beinhaltet die Modellierung der Tiefe, gefolgt von ihrer Realisierung durch skalierungsinvariante SURF-Features. Rauschende Tiefenmessungen, die aufgrund von externem Wind oder Turbulenzen im UAV entstehen, werden durch ein geschwindigkeitsbasiertes Kalman-Filtermodell korrigiert. Notwendige Steuerbefehle werden dann basierend auf dem korrigierten Tiefenwert entworfen, um das Hindernis vor der Kollision zu vermeiden. Strenge Experimente mit SURF-skalierungsinvarianten Features zeigen eine Gesamtgenauigkeit von 88,6 % bei variierenden Hindernissen in sowohl Innen- als auch Außenbereichen.