Acoustic Camera-Based Pose Graph SLAM for Dense 3-D Mapping in Underwater Environments

Wang, Yusheng; Ji, Yonghoon; Woo, Hanwool; Tamura, Yusuke; Yamashita, Atsushi; Asama, Hajime

doi:10.1109/joe.2020.3033036

Cited by 18 publications

(7 citation statements)

References 50 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Guerneve et al linearized the sonar projection model to an orthogonal projection and applied min filtering to achieve a carving scheme [5]. Wang et al used occupancy mapping with an inverse sensor model to probabilistically carve the space and update an object [2]. Westman et al utilized non-line-of-sight for 3D reconstruction [16], [17].…”

Section: A Acoustic Camera 3d Reconstructionmentioning

confidence: 99%

“…Theoretically, φ can be obtained from the y-axis rotation. However, in practice, y-axis rotation is not very efficient [2]. With the same configuration (r = 3.5 m, φ = 3.5 • , ω y = 10 • ), Figure 3(b) shows the sensitivity analysis of y-axis rotation.…”

Section: Basic Motion Influencementioning

confidence: 99%

“…yamashita@robot.t.u-tokyo.ac.jp images to generate 3D models. They usually require a large number of viewpoints, making it necessary to hover around the target using underwater vehicles [5], [6] or rotate the camera with motors [2]. Single-view methods utilize shadow information or model ultrasound propagation for 3D reconstructions [7].…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Learning Pseudo Front Depth for 2D Forward-Looking Sonar-based Multi-view Stereo

Wang

Asama

et al. 2022

2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Self Cite

View full text Add to dashboard Cite

2D forward-looking sonar is a crucial sensor for underwater robotic perception. A well-known problem in this field is estimating missing information in the elevation direction during sonar imaging. There are demands to estimate 3D information per image for 3D mapping and robot navigation during fly-through missions. Recent learning-based methods have demonstrated their strengths, but there are still drawbacks. Supervised learning methods have achieved highquality results but may require further efforts to acquire 3D ground-truth labels. The existing self-supervised method requires pretraining using synthetic images with 3D supervision. This study aims to realize stable self-supervised learning of elevation angle estimation without pretraining using synthetic images. Failures during self-supervised learning may be caused by motion degeneracy problems. We first analyze the motion field of 2D forward-looking sonar, which is related to the main supervision signal. We utilize a modern learning framework and prove that if the training dataset is built with effective motions, the network can be trained in a self-supervised manner without the knowledge of synthetic data. Both simulation and real experiments validate the proposed method.

show abstract

Section: A Acoustic Camera 3d Reconstructionmentioning

confidence: 99%

Section: Basic Motion Influencementioning

confidence: 99%

See 1 more Smart Citation

Learning Pseudo Front Depth for 2D Forward-Looking Sonar-based Multi-view Stereo

Wang

Asama

et al. 2022

2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Self Cite

View full text Add to dashboard Cite

show abstract

“…Nokta bulutunokta bulutu (Cloud to Cloud/C2C) analizi C2C analizi, referans nokta bulutu ile karşılaştırılan nokta bulutu arasındaki her noktanın en yakın komşu mesafesini Hausdorff mesafe yapısı kullanarak hesaplanması metodolojisi ile çalışmaktadır (Eşitlik 9). En yakın komşu mesafesi ilkesi, karşılaştırılan nokta bulutundaki her nokta için referans bulutundaki en yakın noktanın arandığı ve Öklid mesafesinin hesaplandığı iki nokta arasındaki mesafeleri hesaplamak için kullanılır (Girardeau-Montaut, 2016;Rossi, 2020;Wang, 2020). ℎ(𝐴, 𝐵) = 𝑚𝑎𝑥 𝛼∈𝐴 𝑚𝑖𝑛 𝛽∈𝐵 (𝑚𝑖𝑛 𝛽∈𝐵 {𝑑(𝛼, 𝛽)} (9) Eşitlikte; α= A setinin nokta sayısı β = B setinin nokta sayısı d(α,β)= Bu noktalar arasındaki herhangi metrik, anlamına gelmektedir.…”

Section: Doğruluk Analiziunclassified

Su Altı Yapılarının 3B Modellemesi ve Dokümantasyonunda Kullanılan Video ve Fotoğraf Çekimi Yöntemlerinin Karşılaştırmalı Analizi

Hamal

Ulvi̇

Yi̇ği̇t

et al. 2022

Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

Su altındaki bir cismin üç boyutlu olarak belgelenmesi ve dijital platformlara aktarılması son yıllarda önem kazanmıştır. Bu amaçla fotogrametri yöntemi su altında denenmiş ve sualtı fotogrametrisi terimi literatürde kendine yer bulmuştur. Fotogrametri yönteminin tercih edilmesinin en önemli nedeni geleneksel yöntemlere göre daha kısa sürede veri üretimi, zaman ve maliyet açısından olumlu katkı sağlamasıdır. Ancak su altında fotografik veri toplayan dalgıçlar su altında sınırlı bir süre kalabildikleri için fotoğraflama işlemi tekrarlanmakta ve süreç uzamaktadır. Bu olumsuzluğu en aza indirmek için video çekim yöntemiyle veri elde etme çalışmaları denenmeye başlanmıştır. Bu çalışmada, bir havuza test amaçlı obje yerleştirilerek hem fotoğraf çekim hem de video çekim yöntemi ile üç boyutlu model üretiminin karşılaştırılmalı analizi yapılmıştır. Çalışma sonucunda video çekim yönteminin doğruluğunu test etmek için fotoğraf çekim yöntemi referans kabul edilmiştir. Her iki veriden elde edilen üç boyutlu nokta bulutları karşılaştırılarak doğruluk analizi yapılmış video çekim yönteminin karesel ortalama hatası ± 3.24 cm olarak tespit edilmiştir. Bu çalışma ile su altında video çekim yönteminin kullanılabilirliği araştırılmış sonuç olarak video çekim yönteminin doğruluk açısında yeterli düzeyde olduğu tespit edilmiş fakat görsel açıdan yetersiz bulunmuştur.

show abstract

“…Therefore, it is important to facilitate the understanding of acoustic images by 3D mapping the surrounding environment. Wang et al realized a dense 3D reconstruction of an underwater environment using an acoustic camera by SLAM using the 3D reconstruction [1,2]. However, in flat underwater terrain, the accuracy of SLAM is sometimes degraded due to the lack of shape information.…”

Section: Introductionmentioning

confidence: 99%

Underwater SLAM based on object recognition using YOLO in acoustic images

Nakamura

Nonoda

2023

Sixteenth International Conference on Quality Control by Artificial Vision

View full text Add to dashboard Cite

This paper proposes underwater simultaneous localization and mapping (SLAM) with 3D reconstruction by applying YOLOv7 to acoustic images. In underwater exploration, acoustic cameras, which are called the next generation of ultrasonic sensors, are gradually being applied, and underwater SLAM technologies based on 3D reconstruction with acoustic cameras have been proposed. However, many limitations remain in the accuracy of maps. In this study, we propose a novel approach to improve SLAM accuracy by applying detection results from YOLOv7 in acoustic images to the 3D reconstruction. We utilized the detected objects by YOLOv7 as feature information applied to iterative closest point (ICP)-based SLAM.

show abstract

Acoustic Camera-Based Pose Graph SLAM for Dense 3-D Mapping in Underwater Environments

Cited by 18 publications

References 50 publications

Learning Pseudo Front Depth for 2D Forward-Looking Sonar-based Multi-view Stereo

Learning Pseudo Front Depth for 2D Forward-Looking Sonar-based Multi-view Stereo

Su Altı Yapılarının 3B Modellemesi ve Dokümantasyonunda Kullanılan Video ve Fotoğraf Çekimi Yöntemlerinin Karşılaştırmalı Analizi

Underwater SLAM based on object recognition using YOLO in acoustic images

Contact Info

Product

Resources

About