Hình 4.1 Sđ khi c ah th ng SLAM
B ng 5.12 So sánh thi gian tính tốn [ms] cat ng tác v tron gh th ng khi ch y tp
LIO2 vƠ c a ta khi ch y t p NewerCollege.
LeGO-LOAM FAST-LIO2 Ours
0.7696 0.7837 0.3110
Xét đ ng RPE c a các h th ng, ta nh n th y h th ng c a ta cho k t qu t t nh t trong t t c tr ng h p. i u nƠy ch ng t đ ng c l ng c a ta khơng nh ng có đ chính xác vƠ tính n đ nh cao nh t mƠ còn th hi n đ trơi th p nh t.
Hình 5.21. So sánh đ ng RPE c a LeGO-LOAM (l c), FAST-LIO2 (lam) và c a ta (đ ) khi ch y t p NewerCollege.
T ng t ph n tr c, ta kh o sát th i gian th c thi c a t ng tác v trong h th ng đ đánh giá tính kh thi khi ch y trong th i gian th c. Vì t ng th i gian đ th c hi n m t chu k c l ng khi có d li u đ ng b t LiDAR vƠ camera luôn nh h n chu k l y m u c a LiDAR nên tính th i gian th c c a h th ng đư đ c đ m b o.
B ng 5.12. So sánh th i gian tính tốn [ms] c a t ng tác v trong h th ng khi ch y t p NewerCollege. NewerCollege.
Time for preprocessing 26.03 ± 1.23
Time for image alignment 29.14 ± 6.91
Time for cloud registration 12.12 ± 1.48
Time for windowed optimization 2.07 ± 0.18
Time for map management 2.26 ± 7.02
63
6. K T LU N VÀ H NG PHÁT TRI N 6.1. K t lu n
Lu n v n đư đ t đ c nh ng k t qu sau:
• Phát tri n thành công gi i thu t image alignment đ c l ng đ d i t th gi a 2 khung nh camera, có c i ti n v t c đ tính tốn vƠ tính b n v ng. • Phát tri n thƠnh công gi i thu t cloud registration đ c l ng t th gi a
đám mơy LiDAR vƠ b n đ , có c i ti n khi gi m đáng k kh i l ng tính tốn. • Phát tri n thƠnh công gi i thu t windowed optimization đ k t h p c l ng t camera vƠ LiDAR, d a trên vi c t xơy d ng vƠ t i u m t đ th nhơn t . • Hi n th c hố h th ng thành cơng b ng ch ng trình máy tính thơng qua
ngơn ng C++, trên c s module hoá các ch c n ng, tích h p các gi i thu t đư phát tri n vƠ m t s th vi n có s n.
• Xơy d ng thành công môi tr ng mơ ph ng sơng ngịi vƠ ph ng ti n mô ph ng USV trên Gazebo đ trích xu t t p d li u riêng GazeboRiverine. • ư ch ng minh vi c tích h p c l ng t camera vƠ LiDAR không nh ng
giúp h th ng ch y n đ nh h n mƠ cịn chính xác h n thơng qua kh o sát trên t p d li u ICL-NUIM_RGB-D và GazeboRiverine.
• Ch ng minh h th ng SLAM trong lu n v n ho t đ ng n đ nh, chính xác vƠ th hi n đ trôi th p h n so v i các h đ nh v th giác vƠ laser khác trong môi tr ng sơng ngịi ( t p USVInland).
• M r ng kh o sát trên các t p d li u môi tr ng đô th và khuôn viên đ i h c (UrbanLoco vƠ NewerCollege) đ ch ng minh tính t ng quát vƠ tính u vi t ( n đ nh h n, chính xác h n, trơi th p h n) c a h th ng SLAM trong lu n v n so v i các h đ nh v th giác vƠ laser khác.
Lu n v n đư thƠnh công trong vi c xơy d ng m t h th ng SLAM v i nh ng u đi m nh sau so v i các ph ng pháp c a các nhóm nghiên c u khác trên th gi i:
• chính xác cao h n: h th ng c a ta cho sai s RSME ATE nh nh t trong
64
• trôi th p h n: h th ng c a ta cho sai s RPE t nh ti n vƠ RPE xoay (trung
bình trên t t c đo n đ ng) th p nh t trong h u h t phơn t p d li u.
• n đ nh cao h n: h th ng c a ta lƠ ph ng pháp duy nh t ch y thƠnh công
trong t t c phơn t p d li u.
• Tính t ng qt cao h n: h th ng c a ta ch y thƠnh công vƠ gi nguyên nh ng
u đi m nêu trên trong nhi u môi tr ng phơn bi t (sơng ngịi, đ ng đơ th , khuôn viên đ i h c), v i nhi u d ng chuy n đ ng khác nhau (ch y u 2D trên m t sông, di chuy n leo d c nhanh vƠ d ng đ t ng t trong đô th , g p gh nh đ t quưng trong khuôn viên đ i h c).
B ng 6.1. So sánh RMSE ATE [m] c a đ ng c l ng t i t t c t p d li u c a LeGO-LOAM, VINS-Mono, FAST-LIO2, DVL-SLAM vƠ c a ta.