Ortsvariante Karte als effektives Datenformat zur Integration visueller Navigationsaufgaben

Die Eigenbewegung eines Beobachters durch eine strukturierte Umgebung verursacht ein globales Bewegungsmuster auf dessen Retina, den optischen Fluss. Die Auswertung dieses Flusses liefert wichtige Informationen zur Steuerung verhaltensbezogener Aufgaben, wie beispielsweise Kollisionsvermeidung und Navigation in offenen Umgebungen. Eine Fahrtrichtungsregelung, die den optischen Fluss in der linken und rechten Peripherie ausgleicht, erreicht eine sichere Navigation zwischen seitlichen Hindernissen hindurch. Der zentrale optische Fluss erlaubt dagegen die Vermeidung von Hindernissen in Fahrtrichtung. Eine Analyse der allgemeinen Struktur des Flussfeldes in dieser Situation fuhrt uns dazu, eine spezielle Form der komplex-logarithmischen Transformation des Bildes als effizientes, einheitliches Datenformat fur diese Aufgaben zu untersuchen. Unsere Roboter-Simulation zeigt die Geschwindigkeit und Zuverlassigkeit der vorgeschlagenen Architektur.

[1]  Hanspeter A. Mallot,et al.  Neural mapping and space-variant image processing , 1990, Neural Networks.

[2]  Ramesh C. Jain,et al.  Motion Stereo Using Ego-Motion Complex Logarithmic Mapping , 1987, IEEE Transactions on Pattern Analysis and Machine Intelligence.

[3]  Berthold K. P. Horn Robot vision , 1986, MIT electrical engineering and computer science series.

[4]  Ta Camus,et al.  Real-Time Optical Flow , 1995 .

[5]  Yiannis Aloimonos,et al.  Is visual reconstruction necessary? obstacle avoidance without passive ranging , 1992, J. Field Robotics.

[6]  Mandyam V. Srinivasan,et al.  Natural and artificial low-level seeing systems - How bees exploit optic flow: behavioural experiments and neural models , 1992 .

[7]  Yiannis Aloimonos,et al.  Purposive and qualitative active vision , 1990, [1990] Proceedings. 10th International Conference on Pattern Recognition.

[8]  Martin Herman,et al.  Real-time obstacle avoidance using central flow divergence and peripheral flow , 2017, Proceedings of IEEE International Conference on Computer Vision.

[9]  Mandyam V. Srinivasan,et al.  Structure from motion: determining the range and orientation of surfaces by image interpolation , 1996 .

[10]  T. Poggio,et al.  A parallel algorithm for real-time computation of optical flow , 1989, Nature.

[11]  Karen Roberts,et al.  Centering behavior using peripheral vision , 1993, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.

[12]  Pattie Maes,et al.  Maze Navigation Using Optical Flow , 1996 .

[13]  Tsai Hong Hong,et al.  Real-time Obstacle Avoidance Using Central Flow Divergence and Peripheral Flow | NIST , 1995 .

[14]  Giulio Sandini,et al.  On the Advantages of Polar and Log-Polar Mapping for Direct Estimation of Time-To-Impact from Optical Flow , 1993, IEEE Trans. Pattern Anal. Mach. Intell..