Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

mgr

No description
by

Damian Głowacki

on 10 October 2012

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of mgr

Damian Głowacki Modelowanie obiektów 3D
z wykorzystaniem kamery Kinect Czym jest SLAM? Agenda Simultaneous Localization And Mapping Zastosowania Czym jest SLAM? SLAM grafika komputerowa
śledzenie ruchu robotyka
sztuczna inteligencja sensory i czujniki przetwarzanie obrazu
filtracja Etapy SLAM Mapowanie inspekcje rurociągów
podwodna eksploracja (dno oceanów, rafy koralowe, zatopione obiekty)
mapowanie kopalni
zastosowania architektoniczne (CAD/CAM)
szeroko pojęte odwzorowanie modeli
zastosowania wojskowe i policyjne Sprzęt i oprogramowanie PCGTX590 Intel Core i7 @ 3.2 Ghz
8GB DDR3
GeForce GTX 590
2x1536MB GDDR5
2x512 rdzeni CUDA
Windows 7 64bit

Sensor Kinect PCQUADRO2000 http://www.pointclouds.org struktury danych
filtracja
segmentacja
rejestracja
rekonstrukcja
wizualizacja
I/O http://developer.nvidia.com/cuda http://www.openni.org Opis procesu Wyniki Lokalizacja Modelowanie Detekcja Konwersja ICP - Iterative Closest Point Iteracyjny najbliższy sąsiad wybranie punktów z najbliższego sąsiedztwa
oszacowanie parametrów transformacji za pomocą średniokwadratowej funkcji kosztu
transformacja punktów
analiza błędów i kolejna iteracja Point Cloud
Chmura Punktów renderowanie izopowierzchni - marching cubes Filtracja Usuwanie punktów outlier PCL StatisticalOutlierRemoval
ConditionalRemoval
RadiusOutlier Filtr MLS Moving Least Squares aproksymacja hiperpłaszczyzny H projekcja MLS Filtr bilateralny własna implementacja filtracja lokalna
zachowanie krawędzi up- i downsampling Porównanie filtrów MLS vs Bilateral szybkość zachowanie krawędzi wpływ parametrów wejściowych na błąd dopasowania Podsumowanie i wnioski SLAM stabilność i optymalizacja PCL wykorzystanie CUDA sprzętowa lokalizacja (żyroskop) Filtracja implementacja CUDA Zastosowania Sprzęt i oprogramowanie Opis procesu Filtracja Podsumowanie i wnioski Detekcja Lokalizacja Modelowanie integracja wolumetryczna TSDFs nałożenie tekstury Dziękuję za uwagę Damian Głowacki
damian@gg.pl
Full transcript