Resumen de Contribuciones al uso de marcadores para navegación autónoma y realidad aumentada

Francisco José Romero Ramirez

• 1. Introducción La estimación de la posición de un determinado dispositivo (robots, vehículos no tripulados, etc.) en su entorno es un problema que debe ser resuelto en multitud de aplicaciones. Un área relevante en la que también es necesario resolver el problema citado es el de la Realidad Aumentada.

  El empleo de sensores de bajo coste (cámaras) para determinar de manera precisa la posición y orientación del dispositivo de manera continua y ante cualquier tipo de escenario, se ha convertido en los últimos años en una alternativa muy útil para resolver el citado problema. Para solucionar el mismo se pueden emplear marcadores naturales ó artificiales. Los marcadores naturales tienen la ventaja de poder ser usados en cualquier entorno pero tienen el inconveniente de su dificultad de detección debido a problemas derivados de entornos con baja textura e iluminación excesivamente cambiante entre otros. Por el contrario, los marcadores artificiales son más robustos frente a los problemas citados, aunque requieren modificar el entorno de trabajo al ser introducidos en el mismo.

  Por las razones anteriores, los marcadores artificiales son comúnmente utilizados para resolver el problema de la estimación de la posición de la cámara y seguimiento de objetos en los últimos años. Cada marcador presenta un patrón único en su interior, que permite identificar fácilmente su posición relativa a los objetos presentes en el entorno.

  A lo largo de los últimos años, el uso de marcadores cuadrados ha ganado popularidad. Estos marcadores están compuestos por una codificación en su interior que identifica cada marcador. Numerosas herramientas han sido desarrolladas siguiendo esta metodología, como son ARToolKit, ARTag, y ArUCO [1-6] La Tesis Doctoral tiene como objetivo crear metodologías que permitan la detección de marcadores artificiales de forma robusta minimizando el error en la estimación de la posición de la cámara, y a su vez primando el tiempo de computo de su localización, teniendo en cuenta que en la mayoría de casos estos sistemas son utilizados por dispositivos con recursos limitados de cómputo tales como móviles o vehículos aéreos.

  2. Contenido de la investigación El documento de la Tesis se ha redactado de acuerdo con el modelo específico de la Universidad de Córdoba para defensa de Tesis que previamente a su defensa ya han obtenido un mínimo de tres artículos en Revistas científicas con índice de impacto JCR y que optan a la mención Internacional de la misma. Se estructura en un Resumen, una Introducción, tres capítulos en el que se insertan cada uno de los resultados científicos ya publicados y las conclusiones.

  Las contribuciones científicas derivadas de la Tesis Doctoral son:

  Tres publicaciones JCR:  Tracking fiducial markers with discriminative correlation filters. Romero-Ramirez, F.J., Muñoz-Salinas, R, Medina-Carnicer, R. Image and Vision Computing (2021) Volume 107, March 2021, Article number 104094 (Q1)  Fractal Markers: A New Approach for Long-Range Marker Pose Estimation under Occlusion.Romero-Ramirez, F.J., Muñoz-Salinas, R, Medina-Carnicer, R. IEEE Access (2019) Volume 7, 2019, Article number 8890613, Pages 169908-169919 (Q1)  Speeded up detection of squared fiducial markers. Romero-Ramirez, F.J., Muñoz-Salinas, R, Medina-Carnicer, R. Image and Vision Computing (2018) Volume 76, August 2018, Pages 38-47 (Q1) 3. Conclusión Las conclusiones de la Tesis se relacionan con la resolución de tres problemas específicos con respecto al uso de marcadores artificiales para estimar la pose de la cámara con dispositivos de bajo coste: (1) la necesidad de que la estimación se realice en tiempo real [9] (2) que los problemas de oclusión parcial no afecten a la robustez de la estimación [8] y (3) que la borrosidad de imágenes debido a desplazamientos rápidos de la cámara no afecten a la precisión de la estimación [7].

  4. Bibliografía [1]S. Garrido-Jurado, R. Muñoz Salinas, F. J. Madrid-Cuevas, M. J. Marín-Jiménez, Automatic generation and detection of highly reliable fiducial markers under occlusion, Pattern Recognition 47 (6) (2014) 2280–2292.

  [2]R. Muñoz-Salinas, M. J. Marín-Jimenez, E. Yeguas-Bolivar, R. Medina-Carnicer, Mapping and localization from planar markers, Pattern Recognition 73 (January 2018) 158 – 171.

  [3]Garrido-Jurado, S., Muñóz-Salinas R., Madrid-Cuevas, F.J, Medina-Carnicer, R., Generation of fiducial marker dictionaries using Mixed Integer Linear Programming, Pattern Recognition Volume 51, 1 (2016) 481-491.

  [4]E. Olson, Apriltag: A robust and flexible visual fiducial system, in: Robotics and Automation (ICRA), 2011 IEEE International Conference on, 2011, pp. 3400–3407.

  [5]F. Ababsa, M. Mallem, Robust camera pose estimation using 2d fiducials tracking for real-time augmented reality systems,in: Proceedings of the 2004 ACM SIGGRAPH International Conference on Virtual Reality Continuum and Its Applications in Industry, VRCAI ’04, 2004, pp. 431–435.

  [6]V. Mondéjar-Guerra, S. Garrido-Jurado, R. Muñoz-Salinas, M. J. Marín-Jiménez, R. Medina-Carnicer, Robust identification of fiducial markers in challenging conditions, Expert Systems with Applications 93 (1) (2018) 336–345.