Görsel-Atalet Odometrisi (VIO)

Görsel-atalet odometrisi (İng. Visual-Inertial Odometry – VIO), bir hareketli platformun konumunu, yönelimini ve hızını kamera ile atalet ölçüm biriminden (Inertial Measurement Unit – IMU) elde edilen verileri birleştirerek tahmin eden navigasyon yöntemidir. Küresel Navigasyon Uydu Sistemleri (GNSS/GPS) sinyallerinin bulunmadığı veya güvenilir olmadığı ortamlarda konum belirleme amacıyla geliştirilmiştir. Özellikle insansız hava araçları, mobil robotlar, artırılmış gerçeklik sistemleri ve otonom araçlarda yaygın olarak kullanılmaktadır.

VIO sistemleri, kameraların çevreden elde ettiği görsel bilgiyi IMU'nun yüksek frekanslı hareket ölçümleriyle birleştirir. Böylece her iki sensörün tek başına sahip olduğu zayıflıklar azaltılır ve daha kararlı bir konum tahmini elde edilir.

Odometri kavramı, hareket eden bir aracın kat ettiği mesafeyi ölçme fikrine dayanır ve kökenleri mekanik sayaçlara kadar uzanır. Dijital çağda bu yaklaşım, robotik ve bilgisayarlı görü alanlarının gelişmesiyle yeni bir boyut kazanmıştır.

1980'li yıllarda NASA'nın gezegen keşif programlarında yürütülen çalışmalar, görsel odometrinin ilk önemli uygulamalarını ortaya çıkarmıştır. Mars yüzeyinde görev yapacak araçların GPS benzeri bir altyapıdan yararlanamaması, çevresel görüntülerden hareket tahmini yapılmasını gerekli kılmıştır. Takip eden yıllarda bilgisayarlı görü tekniklerinin gelişmesiyle görsel odometri bağımsız bir araştırma alanına dönüşmüştür.

2000'li yıllarda araştırmacılar, görsel odometri sistemlerinin uzun süreli kullanımda hata biriktirdiğini fark etmiş ve bu sorunu azaltmak amacıyla IMU verilerinin sisteme dâhil edilmesi yönünde çalışmalar yürütmüştür. Görsel ve atalet verilerinin sistematik biçimde birleştirilmesi, günümüzdeki VIO yaklaşımının temelini oluşturmuştur. Alanın dönüm noktalarından biri, Mourikis ve Roumeliotis tarafından geliştirilen Çok Durumlu Kısıtlı Kalman Filtresi (MSCKF) algoritmasıdır. Bu yöntem, hesaplama maliyetini makul düzeyde tutarken yüksek doğruluk sağlayabilmesi nedeniyle sonraki çalışmalar üzerinde önemli etki bırakmıştır.^【1】

Görsel-atalet odometrisinin temelinde iki farklı sensör türünün birbirini tamamlayan özelliklerinden yararlanılması yatmaktadır.

Kameralar çevredeki nesnelerden, köşelerden ve dokusal yapılardan özellik noktaları çıkarır. Bu noktaların ardışık görüntülerde nasıl hareket ettiğinin izlenmesiyle sistem kendi hareketini tahmin eder. Ancak yalnızca kamera kullanan sistemler hızlı hareket, bulanıklık veya yetersiz aydınlatma gibi koşullardan olumsuz etkilenebilir.

IMU sensörleri ise ivme ve açısal hız verilerini yüzlerce hatta binlerce Hertz frekansında ölçebilir. Bu sensörler kısa zaman aralıklarında son derece hassas hareket bilgisi sağlar; ancak ölçüm hataları zaman içinde birikerek sürüklenme (drift) problemine yol açar.

VIO sistemleri, kameranın uzun vadeli doğruluğu ile IMU'nun kısa vadeli hassasiyetini bir araya getirerek daha güvenilir bir durum tahmini üretir. Bu yaklaşım sayesinde sistem hem hızlı hareketlere tepki verebilir hem de zamanla oluşan konumsal sapmaları sınırlayabilir.

^{VIO Sensör Füzyon Süreci (Yapay Zekâ ile Oluşturulmuştur.)}

VIO sistemlerinde sensörlerden gelen bilgilerin birleştirilmesi veri füzyonu olarak adlandırılır. Bu süreçte iki temel yaklaşım öne çıkmaktadır.

İlk yaklaşım süzgeç tabanlı yöntemlerdir. Bu yöntemlerde sistem durumu sürekli olarak güncellenir ve ölçüm hataları olasılıksal modeller yardımıyla düzeltilir. Görsel-atalet odometrisinin gelişiminde önemli rol oynayan Kalman filtresi ve onun doğrusal olmayan sistemlere uyarlanmış türevleri, sensör verilerinin birleştirilmesinde yaygın biçimde kullanılmaktadır. Kalman filtresi, sistemin gelecekteki durumuna ilişkin bir tahmin üretirken yeni ölçümler geldikçe bu tahmini güncelleyerek hata miktarını azaltmayı amaçlar. Bu yaklaşım, özellikle gerçek zamanlı navigasyon uygulamalarında hesaplama verimliliği sağlaması nedeniyle tercih edilmektedir.^【2】

İkinci yaklaşım ise optimizasyon tabanlı yöntemlerdir. Bu yöntemlerde belirli zaman aralıklarında elde edilen ölçümler toplu olarak değerlendirilir ve hata fonksiyonları minimize edilerek en olası hareket yolu hesaplanır. Özellikle son yıllarda yüksek doğruluk gerektiren uygulamalarda optimizasyon tabanlı yöntemlerin yaygınlaştığı görülmektedir. Li ve Roumeliotis tarafından geliştirilen EKF temelli yöntemler, tutarlılık ve doğruluk açısından alanın temel referansları arasında kabul edilmektedir.^【3】

Görsel-atalet odometrisi alanında farklı ihtiyaçlara yönelik çok sayıda algoritma geliştirilmiştir. MSCKF, düşük hesaplama maliyeti nedeniyle gömülü sistemlerde yaygın olarak kullanılmaktadır. ETH Zürih Robotik ve Algı Grubu tarafından geliştirilen ROVIO ve OKVIS sistemleri ise görsel ve atalet verilerinin işlendiği örnekler arasında yer alır.

Son yıllarda en çok bilinen sistemlerden biri VINS-Mono'dur. Hong Kong Bilim ve Teknoloji Üniversitesi bünyesinde geliştirilen bu sistem, yalnızca tek bir kamera ve düşük maliyetli bir IMU kullanarak altı serbestlik dereceli hareket tahmini gerçekleştirebilmektedir. Sistemin halka kapatma (loop closure) mekanizması sayesinde uzun süreli görevlerde biriken hata önemli ölçüde azaltılabilmektedir.^【4】

Görsel-atalet odometrisi günümüzde çok sayıda teknolojik sistemin temel bileşenlerinden biri hâline gelmiştir. İnsansız hava araçlarında GPS sinyalinin bulunmadığı iç mekânlarda güvenli uçuş gerçekleştirilmesini sağlar. Otonom kara araçlarında tüneller, kapalı otoparklar ve yoğun kent dokusu gibi uydu sinyalinin zayıfladığı bölgelerde konum bilgisinin sürekliliğini destekler. Artırılmış gerçeklik (AR) ve karma gerçeklik (MR) uygulamalarında kullanıcının baş ve cihaz hareketlerinin gerçek zamanlı olarak izlenmesinde rol oynar. Apple ARKit ve Google ARCore gibi platformlar, görsel-atalet tabanlı konum tahmin yöntemlerinden yararlanmaktadır. Bunların yanı sıra mobil robotlar, medikal robotik sistemler, arama-kurtarma platformları ve gezegen keşif araçları da VIO teknolojisinin kullanım alanları arasında yer almaktadır.

^{İnsansız Hava Araçlarında VIO Teknolojisi Temsili (}pixabay⁾

Görsel-atalet odometrisinin en önemli problemi uzun süreli kullanımda ortaya çıkan sürüklenme hatasıdır. Her ne kadar sensör füzyonu bu hatayı azaltabilse de tamamen ortadan kaldırılamamaktadır.

Monoküler sistemlerde mutlak ölçek bilgisinin doğrudan elde edilememesi bir diğer önemli sınırlılıktır. Ayrıca düşük aydınlatmalı ortamlar, tekrarlayan yüzey desenleri ve hareket bulanıklığı gibi koşullar görsel algılama performansını düşürebilmektedir.

Bunun yanında gerçek zamanlı optimizasyon işlemleri yüksek işlem gücü gerektirdiğinden özellikle küçük gömülü sistemlerde enerji tüketimi ve hesaplama kapasitesi önemli tasarım kısıtları oluşturmaktadır. ETH Zürih Robotik ve Algı Grubu tarafından geliştirilen veri setleri ve kıyaslama çalışmaları, bu problemlerin değerlendirilmesinde alanın temel referans kaynakları arasında kabul edilmektedir.^【5】