Título: SLAM denso, globalmente consistente y acelerado por GPU
Director: Dr. Pablo De Cristóforis
Jurados:
Dr. Daniel Acevedo (Universidad de Buenos Aires)
Dr. Javier Civera (Universidad de Zaragoza)

Resumen:

Un sistema de SLAM (Simultaneous Localization and Mapping) denso es esencial para los robots móviles, ya que no sólo proporciona la localización del agente sino que también permite la navegación, la planificación de trayectorias, la evasión de obstáculos y la toma de decisiones en entornos no estructurados. A medida que aumentan las demandas computacionales, crece el uso de GPU en sistemas de SLAM denso. En este trabajo, presentamos coVoxSLAM, un novedoso sistema de SLAM volumétrico acelerado por GPU que aprovecha al máximo la potencia del procesamiento paralelo para construir mapas globalmente consistentes incluso en entornos de gran escala. El sistema se evaluó en diferentes plataformas (GPU discreta e integrada) y se comparó con el estado del arte. Los resultados obtenidos utilizando conjuntos de datos públicos muestran que coVoxSLAM ofrece una mejora significativa del rendimiento considerando los tiempos de ejecución manteniendo al mismo tiempo una localización precisa. Como contribución a la comunidad, el sistema desarrollado se publicó como código abierto en https://github.com/lrse-uba/coVoxSLAM