私は、移動ロボットのためのステレオカメラベースの障害物回避システムに取り組んでいます。それは屋内で使用されるので、私はグランドプレーンがフラットであるという前提で作業しています。また、私たち自身の環境を設計するようになるので、偽陽性または陰性を生成する特定のタイプの障害を避けることができます。ステレオビジョンによる障害回避
私はすでに、カメラの較正と画像の整列、および視差マップ/奥行きマップの生成に関する情報を豊富に用意しています。私が苦労しているのは、これからの障害を検出する技術です。代わりにグランドプレーンを検出することによって機能する技術も同様に有用です。
私はopenCVを使って、OpenCVを参考にして学習しています。
おかげで、私が読んだ文献からすべて
は、三つの主要なアプローチがあります。
グランドプレーンがはステレオデータから、接地面を決定していることをすべての点を前提と近づき飛行機に乗っていないものは障害物です。地面が画像内の支配的な平面であると仮定すれば、頑強なモデルフィッティングアルゴリズム（RANSACなど）を使用して、再構成されたポイントクラウドへの平面だけを見つけることができます。
視差マップに近づくステレオ出力を点群にスキップすることをスキップします。私が見てきた最も一般的なアルゴリズムは、v-disparityとuv-disparityです。両者は視差マップ内の同じ属性を探すが、視差はV視差のみでは不可能ないくつかのタイプの障害を検出することができる。
点群アプローチ視差マップを3次元点群に投影し、それらの点を処理します。一例は、任意の非平らな地形上の障害物を検出するために、最小の障害物高さ、最大の障害物高さ、および最大の地面傾斜を使用する「逆円錐アルゴリズム」である。
これら3つのアプローチのうち、グランドプレーンの検出は最も簡単で信頼性が低いものです。あなたの環境に疎な障害物やテクスチャが付いている場合は、十分なはずです。私は視差マップアプローチの経験はあまりありませんが、結果は非常に有望です。最後に、Manduchiアルゴリズムは、不均一な地形を含む最も広い範囲の条件で非常にうまく機能します。残念ながら、実装することは非常に難しく、非常に計算コストが高い。
参照：
地面の障害物検出アルゴリズムに関する論文はいくつかありますが、私は頭の上から良いものは分かりません。出発点が必要な場合は、最近のプロジェクトのセクション4.2.3とセクション4.3.4のthis design reportの実装について読むことができます。完全な実装について議論するのに十分なスペースがありませんでしたが、遭遇する可能性のある問題のいくつかに対処しています。