Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Τα μηνύματά μου    Αναζήτηση

  • Όλες οι κατηγορίες
  • Δημόσιες Ανακοινώσεις
  • Δημόσιες Παρουσιάσεις Φοιτητών
  • Παρουσίαση Διπλωματικής Εργασίας κας Μαραγκάκη Μαρίας - Σχολή ΗΜΜΥ

Παρουσίαση Διπλωματικής Εργασίας κας Μαραγκάκη Μαρίας - Σχολή ΗΜΜΥ

  • Συντάχθηκε 22-11-2022 15:10 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 24/11/2022 15:00
    Λήξη: 24/11/2022 16:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Προπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

    ΜΑΡΙΑ ΜΑΡΑΓΚΑΚΗ

    με θέμα

    Επιτάχυνση σε Πλατφόρμα Αναδιατασσόμενης Λογικής του Αλγορίθμου ORB-SLAM2 για Αυτόνομα Υποβρύχια Οχήματα

    Acceleration on a Reconfigurable Logic Platform of the ORB-SLAM2 Algorithm for Autonomous Underwater Vehicles 

    Εξεταστική Επιτροπή
    Καθηγητής Απόστολος Δόλλας (επιβλέπων)
    Καθηγητής Άγγελος Μπλέτσας
    Δρ. Ευριπίδης Σωτηριάδης, μέλος ΕΔΙΠ


    Περίληψη

    Τα τελευταία χρόνια η χρήση των αλγορίθμων visual Simultaneous Localization and Mapping (vSLAM) απέκτησε ευρεία ανάπτυξη και χρήση σε όλους τους τομείς όπως αυτόνομα αυτοκίνητα, robots , εναέρια drones, αυτόνομα υποβρύχια οχήματα και άλλα. Τα αυτόνομα υποβρύχια οχήματα έχουν πληθώρα εφαρμογών, από τη συλλογή σκουπιδιών σε ρηχά λιμάνια έως την εύρεση τρυπών σε δίχτυα ψαρέματος. Τα υποβρύχια σενάρια είναι περίπλοκα και ακριβά λόγω το μεγάλου αριθμού αισθητήρων που χρειάζονται, όπως, αισθητήρες DVL , αισθητήρες βάθους κλπ. Η χρήση των αλγορίθμων vSLAM σε τέτοιες εφαρμογές είναι σημαντική, οδηγώντας στην ανάγκη μιας πραγματικού χρόνου υλοποίησης σε χαμηλής ενεργειακής κατανάλωσης πλατφόρμες. Σε αυτή τη περίπτωση χρησιμοποιείται είτε μια πλατφόρμα με έναν γρήγορο επεξεργαστή αλλά με υψηλή κατανάλωση ενέργειας προκειμένου να επιτευχθεί η υλοποίηση σε πραγματικό χρόνο, ή μια χαμηλής ενεργειακής κατανάλωσης πλατφόρμα αλλά με την επεξεργασία εικόνων ανα δευτερόλεπτο να είναι μικρότερη, με αποτέλεσμα την ανεπιθύμητα αργή απόδοση του συστήματος. Οι FPGAs καθώς και οι GPUs μπορούν να προσφέρουν υλοποίηση σε πραγματικό χρόνο με χαμηλό ενεργειακό κόστος. Στην παρούσα διπλωματική αναπτύξαμε μια αρχιτεκτονική βασισμένη σε FPGA προκειμένου να επιταχύνουμε το πιο χρονοβόρο κομμάτι του αλγορίθμου ORB-SLAM2 δηλ. Το κομμάτι της εξαγωγή των σημείων αναφοράς ORB . Η προτεινόμενη αρχιτεκτονική είναι κατά 60% λιγότερο ενεργειακά απαιτητική ανά εικόνα σε σχέση με την υλοποίηση του αλγορίθμου σε λογισμικό του ORB κομματιού του αλγορίθμου ORB-SLAM2 , διατηρώντας παράλληλα ικανοποιητική απόδοση έναντι ενός επεξεργαστή υψηλής τεχνολογίας.

    Abstract 

    Over the last few years, the use of visual Simultaneous Localization and Mapping (vSLAM) algorithms gained widespread development and use in all areas, e.g., self-driving cars, robots, aerial drones, autonomous underwater vehicles and more. Autonomous underwater vehicles have various applications ranging from garbage collection in shallow ports and port mapping, to finding holes in fishery nets. Underwater scenarios are complex and costly due to the large amount of sensors needed such as Doppler Velocity Log (DVL) sensors, depth sensors etc. The use of vSLAM algorithms in these applications is important, leading to a need for real time implementation on low-power platforms. In this case either a platform with a fast processor but with high power consumption is used in order to have the real time implementation, or a low-power consumption processor with lower processing power in frames per second is used, resulting to undesirably slow system performance. Field Programmable Gate Arrays (FPGAs) and Graphics Processing Units (GPUs) can offer real time implementation with low energy cost. In this thesis we have developed an FPGA-based architecture to accelerate the most time consuming part of the ORB-SLAM2 algorithm, i.e. the Oriented FAST and Rotated BRIEF (ORB) feature extraction part. The proposed architecture requires per image 60% less energy vs. the software implementation of the ORB part of ORB-SLAM2 algorithm, while maintaining competitive performance vs. a high-end processor.
     



© Πολυτεχνείο Κρήτης 2012