A stochastic parallel method for real time monocular slam applied to augmented reality

Abstract

En las aplicaciones de realidad aumentada es necesario estimar la posición y la orientación del observador para poder configurar una cámara virtual que dibuje objetos virtuales alineados con los reales. En el mercado existe una gran variedad de sensores de movimiento destinados a este propósito. Sin embargo, normalmente resultan caros o poco prácticos. En respuesta a estos sensores, algunas técnicas de visión por computador permiten estimar la posición de la cámara utilizando únicamente las imágenes capturadas, si se conoce de antemano la estructura 3D de la escena. Si no se conoce, existen métodos que utilizan marcadores externos. Sin embargo, requieren intervenir el entorno, cosa que no es siempre posible. Las técnicas de Simultaneous Localization and Mapping (SLAM) son capaces de hacer frente a escenas de las que no se conoce nada, pudiendo estimar la posición de la cámara al mismo tiempo que la estructura 3D de la escena. Normalmente, estos métodos se basan en técnicas de optimización no lineal que, siendo muy precisas, resultan difíciles de implementar en tiempo real. Sobre esta premisa, esta Tesis propone una solución altamente paralelizable basada en el método de Monte Carlo diseñada para ser ejecutada en el hardware gráfico del PC. Como se demuestra, la precisión que se obtiene es comparable a la de los métodos clásicos de optimización no lineal, consiguiendo tiempo real utilizando hardware gráfico de consumo. A lo largo del presente documento, se detalla el método de SLAM propuesto, así como su implementación en GPU. Además, se expone un resumen de las técnicas existentes en este campo, comparándolas con el método propuesto.