UNIVERSIDADE FEDERAL DO AMAZONAS – UFAM

INSTITUTO DE CIÊNCIAS EXATAS E TECNOLOGIA – ICET

CURSO: ENGENHARIA DE SOFTWARE

TRABALHO DE ENGENHARIA DE SOFTWARE EXPERIMENTAL

ITACOATIARA – AM
2023
TRABALHO DE ENGENHARIA DE SOFTWARE EXPERIMENTAL

Trabalho para obtenção de nota parcial na

disciplina de Engenharia de Software
Experimental, ministrada pela Profª. Dr.
Odette Passos Mestrinho no Curso de
Bacharelado em Engenharia de Software, do
Instituto de Ciências Exatas e Tecnologia, da
Universidade Federal do Amazonas.

ITACOATIARA – AM
2023
 RELATÓRIO DO MAPEAMENTO SISTEMÁTICO

Título: Estudo sobre Reconstrução de Mapas 3D Utilizando Sensores RGB-D.

1. Introdução

A evolução da tecnologia tem contribuído significativamente para o avanço da robótica,

permitindo que os robôs sejam usados em atividades que exigem habilidades excepcionais de
mobilidade. O uso de robôs móveis tem sido objeto de grande esforço nas últimas décadas, tanto em
cenários industriais quanto acadêmicos, especialmente no que diz respeito à navegação autônoma.
Para realizar tarefas de navegação mais precisas, o sistema de planejamento dos robôs precisa obter
informações precisas sobre o ambiente ao seu redor, comumente fornecidas por mapas do ambiente
(Altuntas et al., 2017).
O processo de mapeamento, para robótica móvel, envolve a criação e representação do
ambiente de navegação do robô. Existem vários tipos diferentes de mapas, como mapas métricos,
semânticos e topológicos. No entanto, uma estratégia de mapeamento mais sofisticada consiste em
representar informações tridimensionais ao redor da cena, por meio dos mapas 3D. Os mapas 3D
aprimoram as capacidades de percepção do robô, fornecendo informações de profundidade e
espaciais do ambiente. Além disso, permitem que o robô tenha uma compreensão mais precisa do
seu entorno, com informações detalhadas sobre a forma, tamanho e posições relativas de objetos e
obstáculos (Jesus et al., 2021).
Para identificar artigos relevantes sobre a temática deste trabalho, foi realizado um
Mapeamento Sistemático (MS) que visa fornecer uma visão geral de uma área de pesquisa,
identificando a quantidade, os tipos de pesquisas realizadas, os resultados disponíveis, além das
frequências de publicações ao longo do tempo para identificar tendências (Petersen et al., 2008).
A metodologia bem definida torna menos provável que os resultados encontrados na
literatura sejam tendenciosos (Kitchenham e Charters, 2007). Este tipo de revisão é útil para
mapeamento de áreas de estudo, onde é difícil visualizar a gama de materiais que possam estar
disponíveis (Arksey et al., 2005).
Kitchenham e Charter (2007), afirmam que estudos de MS em engenharia de software têm
sido recomendados, sobretudo para áreas de pesquisa onde há falta de relevância de estudos
relevantes e de alta qualidade. Assim sendo, a escolha do MS como proposta para a condução desta
pesquisa, justifica-se pelo fato do objetivo da pesquisa ser apenas identificar e utilizar os resultados
obtidos para futuras pesquisas.
Tomando como base o guidelines desenvolvido por Kitchenham e Charter (2007) e os
trabalhos de Silva (2012), Sena (2014) e Gaspar (2015), foi possível identificar as etapas essenciais
para a condução de um MS: (i) Planejamento do Mapeamento: o protocolo do mapeamento é
definido, (ii) Condução do Mapeamento: nesta fase os estudos são identificados e avaliados de
acordo com os critérios definidos no protocolo do mapeamento e (iii) Resultado do Mapeamento:
a etapa final se dedica a análise dos dados extraído das publicações selecionadas para serem
apresentados.
O protocolo, definido na primeira etapa, busca construir um esquema que direcione as
pesquisas, de modo que o objetivo da pesquisa seja alcançado e apresentado em forma de
documento.
Todavia, antes de definir o protocolo de um MS, é necessário determinar o objeto a ser
pesquisado, ou seja, o escopo da pesquisa que se deseja obter informações relevantes que estejam
disponíveis na literatura da área de conhecimento escolhida para o estudo. A partir disso, devem-se
definir as questões de pesquisa, as fontes onde as publicações devem ser pesquisadas, a expressão
de busca, os critérios de seleção e a extração dos dados que se deseja identificar, que compõe o
protocolo.
Para Kitchenham e Charter (2007) e Petersen et al., (2008), a estrutura das questões de
pesquisa pode ser definida a partir da elaboração de mecanismos de tratamento, como: população
(population), intervenção (intervention) e resultados (outcomes). A população é caracterizada pela
grande área que se está sendo pesquisada, em contrapartida a intervenção são os tópicos específicos
que são alternativos de comparação. A população é afetada pela intervenção.
O processo para realizar as buscas nas fontes determinadas pode ser dividido em automático
e/ou manual (Silva, 2012). A busca manual permite definir as principais conferências da área que
foi escolhida, e a partir disso identificar manualmente através das palavras-chaves definidas nas
publicações relevantes que estejam relacionados com o escopo da pesquisa.
A busca automática é realizada após a definição de uma expressão de busca que
necessariamente deve conter as palavras-chave do escopo que será mapeado, normalmente integrado
pelos operadores OR e AND. A expressão é utilizada em engenhos de busca automáticos, como
máquinas de busca para obtenção de publicações relevantes. Diferentemente das buscas manuais, as
buscas automáticas realizadas nas máquinas de busca são capazes de indexar e localizar conteúdos
armazenados em sistemas computacionais de forma automatizada Silva (2012).
Os critérios de seleção das publicações devem ser aplicados a cada um dos resultados
identificados nas buscas, para que não ocorra repetição de publicações. Por fim, deve-se decidir a
partir dos critérios definidos, da leitura na íntegra e análise dos documentos relevantes, quais devem
fazer parte do corpo de conhecimento do MS.

2. Planejamento do Mapeamento

2.1 Objetivo e Questões de Pesquisa

O objetivo deste MS é analisar publicações científicas com o propósito de encontrar os

sensores RGB-D e ferramentas que auxiliam na reconstrução de mapas 3D, além de encontrar as
limitações da mesma. Sendo assim, este MS irá buscar respostas para as seguintes questões de
pesquisa (QP):

● Q1: Quais sensores RGB-D utilizados na reconstrução de mapas 3D?

● Q2: Quais ferramentas são utilizadas para facilitar a captura de mapas 3D com sensores
RGB-D?
● Q3: Quais as principais limitações dos métodos de reconstrução de mapas 3D utilizando
sensores RGB-D?

2.2 Fontes, Idioma e Expressão de Busca

O local de busca para a obtenção de publicações relevantes, a partir da busca manual, será a
biblioteca digital IEEE Xplore (Institute of Electrical and Electronics Engineer).
Para a busca automática será considerado o Google Acadêmico onde serão considerados
artigos científicos e trabalhos de conclusão de curso (monografia, dissertação e tese).
 Os idiomas escolhidos foram o Inglês (devido à sua adoção pela maioria das conferências,
periódicos e editoras da área de pesquisa). Para a investigação serão utilizadas as seguintes
palavras-chave:

- Inglês: (“Sensors” OR “Cameras” OR “Sensor” OR “Camera”) AND (“RGB-D” OR

“Depth”) AND (“3D Reconstruction” OR “Reconstruction”) AND (“Mapping”).

2.3 Critérios de Seleção

A busca por materiais de análise se restringiu a publicações que estivessem disponíveis na

internet de forma gratuita, entre os anos de 2010 e 2023. A seleção das publicações foi realizada em
três fases:

I. Busca inicial por publicações na fontes definida

II. Primeiro Filtro de Seleção: por meio da análise do título, resumo e palavras-chaves e
aplicando o critério de seleção “CS1: A publicação deve fazer referência a nossa string
de busca e ter o status de Open Access Only”
III. Segundo Filtro de Seleção: por meio da leitura na íntegra das publicações e aplicando o
critério de seleção “CS2: Apresentar o uso de sensores RGB-D em reconstrução de
mapas 3D, citar as ferramentas utilizadas na captura dos mapas 3D e algum problema
encontrado”

2.4 Extração dos Dados

Das publicações relevantes para a pesquisa serão extraídas algumas informações que serão
registradas em tabelas, de acordo com os campos abaixo mostrados na Tabela 1:

Tabela 1 - Extração de dados

A) Dados da Publicação

Título Indica o título do trabalho

Autor(es) Indica o(s) nome(s) do(s) autor(es) do trabalho

Fonte de Publicação Local de publicação

Ano da Publicação Ano de publicação

Resumo Resumo do trabalho

B) Dados Derivados do Objetivo

Sensores utilizados: Indica os sensores RGB-D utilizados

Ferramenta utilizadas: Indica as ferramentas utilizadas na captura

Limitações: Indica as limitações

C) Dados Adicionais

Outras informações: Informações relevantes identificadas nas publicações

Fonte: Os autores (2023).
3. Condução do Mapeamento

Após a fase de planejamento, a expressão de busca foi executada nas fontes definidas e as
publicações foram selecionadas de acordo com os critérios de seleção pré estabelecidos durante o
protocolo do MS. Foram descartadas publicações duplicadas, inacessíveis ou indisponíveis na
Internet, além dessas também foram descartadas publicações que claramente não abordavam
assuntos que tinham a ver com o tema desta pesquisa.
Na busca automática, foram consideradas as bibliotecas virtuais IEEE Xplore, retornando,
respectivamente, 321 publicações. A Tabela A apresenta o total de publicações retornadas com o
MS.
Tabela A - Publicações identificadas por etapa

Fonte Inicialmente 1º Filtro 2º Filtro

IEEE Xplore 321 30 6

Fonte: Os autores (2023).
Do total de publicações que resultaram da primeira seleção, todas foram lidas na íntegra e 6
foram selecionadas por estarem de acordo com o critério de seleção, conforme mostra a Tabela B.
Para todas essas publicações foram preenchidas as informações nos formulários, conforme a
definição descrita no planejamento do MS para a extração de dados. Na Figura 1 pode ser observado
a quantidade das publicações selecionadas após o 2° filtro de acordo com o seu ano de publicação.
Tabela B - Publicações selecionadas

Local de
ID Título Autores Ano
Publicação

On 3D Reconstruction Tychola, K.; Tsimperidis,

[P01] 2022 IEEE Xplore
Using RGB-D Cameras I.; Papakostas, G.

Comparison of RGB-D Neto, J.; Silva, P.;

[P02] sensors for 3D Figueredo, F.; Teixeira, J; 2020 IEEE Xplore
reconstruction Teichrieb, V.

3D reconstruction using
[P03] Lembit, V. 2016 IEEE Xplore
Kinect v2 camera

Underwater Online 3D
Mapping and Scene Anwer, A.; Ali, S.;
[P04] 2017 IEEE Xplore
Reconstruction using Low Mériaudeau, F.
Cost Kinect RGB-D Sensor

Robust 3D Reconstruction Wang, K.; Zhang, G.; Bao,

[P05] 2014 IEEE Xplore
With an RGB-D Camera H.

Kinect 3D Reconstruction
Fusion Mapping with C# Rahman, A.; Mehedy, S.;
[P06] 2019 IEEE Xplore
Algorithm by RGB-D Rahman, R.
Sensor
Fonte: Os autores (2023).
 Figura 1. Quantidade de publicações por ano

Fonte: Os autores (2023).

4. Resultado do Mapeamento

Com as informações obtidas nas 6 publicações selecionadas, foi possível responder às

questões de pesquisa definidas no protocolo. Todas as publicações foram analisadas de forma
manual preenchendo as lacunas sugeridas.

• Com relação à Primeira Questão de Pesquisa: “Quais sensores RGB-D utilizados na

reconstrução de mapas 3D?”

Figura 2. Sensores utilizados

Fonte: Os autores (2023).

Ao analisar a Figura 2, é evidente que os sensores RGB-D mais empregados são o Kinect
v1, o Kinect v2 e o Intel Realsense D435. Além disso, é perceptível que, no caso do último, existem
versões mais antigas disponíveis. Conforme afirmado por Neto et al. (2020), esses sensores são
amplamente adotados devido ao seu custo acessível em comparação com sensores de maior
precisão. Embora as câmaras RGB-D não tenham sido originalmente projetadas para esse fim
específico, elas desempenham um papel importante na reconstrução 3D. Outros sensores não foram
tão utilizados, em parte devido à sua obsolescência e à interrupção da comercialização. Além disso,
mesmo que sejam classificados como sensores RGB-D, eles não atendem adequadamente às
necessidades da reconstrução de mapas 3D. Na Tabela C podemos ver na íntegra todas as câmaras
RGB-D e os artigos em que elas aparecem.

Tabela C - Sensores Utilizados

Ord. Sensores utilizados Publicações

[S01] Kinect v1 [P02], [P04], [P05] e [P06]

[S02] Kinect v2 [P02], [P03] e [P04]

[S03] Intel Realsense D435 [P01] e [P02]

[S04] Asus Xtion PRO LIVE [P01] e [P02]

Orbbec Astra, Orbbec Astra Pro, Realsense

[S05] ZR300, Realsense R200, Realsense SR300, [P02]
Realsense F200.
Fonte: Os autores (2023).
• Com Relação à Segunda Questão de Pesquisa: “Quais ferramentas são utilizadas para
facilitar a captura de mapas 3D com sensores RGB-D?”

Figura 3. Ferramentas utilizadas

Fonte: Os autores (2023).

Ao analisar a Figura 3, torna-se evidente que as ferramentas mais proeminentes na área de
estudo são o Kinect SDK e o Simultaneous Localization and Mapping (SLAM), ambos com uma
representação significativa de 33,3% cada.
O Kinect SDK, desenvolvido pela Microsoft, desempenha um papel central no mapeamento
3D, sendo uma escolha popular entre os desenvolvedores devido à sua prontidão e facilidade de uso.
Da mesma forma, o SLAM, que se apresenta como um pacote ROS pronto para implementação, é
frequentemente adotado por sua conveniência.
 Outras ferramentas, como o Rtab-Map e o MATLAB, também têm presença notável. O
Rtab-Map, em particular, mostra potencial para um aumento substancial em sua utilização, pois é
conhecido por simplificar significativamente o processo de mapeamento 3D e já integra-se
eficazmente com uma variedade de sensores RGB-D. Essa integração aprimorada com sensores
representa uma vantagem considerável na escolha de ferramentas para a reconstrução de mapas 3D.
Portanto, é provável que o Rtab-Map ganhe ainda mais relevância em futuras pesquisas e aplicações
práticas. Na Tabela D podemos ver na íntegra todas as ferramentas utilizadas e os artigos em que
elas aparecem.

Tabela D - Ferramentas Utilizadas

Ord. Ferramentas utilizados Publicações

[F01] Rtab-Map [P02]

[F02] MATLAB [P03]

[F03] Simultaneous localization and mapping (SLAM) [P01], [P02] e [P04]

[F04] Kinect SDK [P03], [P04] e [P05]

[F05] Fusion point cloud com ICP algorithm. [P06]

• Com Relação à Terceira Questão de Pesquisa: “Quais as principais limitações dos métodos
de reconstrução de mapas 3D utilizando sensores RGB-D?”

Figura 4. Limitações

Fonte: Os autores (2023).

Ao analisar a Figura 4, identificamos a principal limitação que afeta o uso de sensores
RGB-D, a necessidade de uma fonte de energia externa. Como evidenciado na Figura 2, os sensores
Kinect v1 e v2 são os mais amplamente empregados em aplicações de mapeamento 3D, mas
originalmente não foram concebidos para esse propósito, sendo inicialmente destinados a
videogames. Consequentemente, eles dependem de uma fonte de energia externa para funcionar;
sem alimentação, esses sensores não podem ser operados. Em contraste, o sensor da Intel requer
apenas uma conexão USB 3.0 para funcionar, eliminando a dependência de uma fonte de
alimentação externa.
Outra questão crítica que afeta a precisão do mapeamento é a presença de reflexos em
superfícies. Quando os sensores captam reflexos ou se deparam com superfícies transparentes, a
qualidade dos dados mapeados é consideravelmente comprometida. Além disso, a falta de
iluminação adequada também gera resultados imprecisos. Locais com luminosidade insuficiente
tendem a produzir mapas defeituosos e pouco precisos.
Portanto, é importante salientar que tentar mapear objetos metálicos, superfícies espelhadas
ou ambientes com iluminação inadequada resultará em mapas notoriamente imprecisos e
incompletos, o que, por sua vez, pode prejudicar o sucesso de sua pesquisa. Conscientizar-se dessas
limitações e considerar estratégias para lidar com elas é essencial ao utilizar sensores RGB-D em
projetos de mapeamento 3D. Na Tabela E podemos ver na íntegra todas as limitações e os artigos
em que elas aparecem.

Tabela E - Limitações

Ord. Limitações Publicações

[L01] Reflexos [P03] e [P05]

[L02] Energia Externa [P01], [P02], [P03], [P04],

[P05] e [P06]

[L03] Luminosidade [P01] e [P04]

REFERÊNCIAS

Kitchenham, B. e Charters, S. Guidelines for Performing Systematic Literature Reviews in

Software Engineering. Relatório Técnico Evidence-Based Software Engineering (EBSE), Keele
University and Durham University Joint Report, 2007.

Petersen, K.; Feldt, R.; Mujtaba, S. e Matisson, M. Systematic Mapping Studies in Software
Engineering. Proceedings of the Evaluation and Assessment in Software Engireening (EASE),
Bari, Italy, 2008.

Arksey, H. e O’malley, L. Scoping Studies: Towards a Methodological Framework. International

Journal of Social Research Methodology, v. 8, n. 1, p. 19-32, 2005.

Altuntas, N.; Uslu, E.; Çakmak, F.; Amasyali, F. e Yavuz, S. (2017). Comparison of 3-dimensional
SLAM systems: RTAB-Map vs. Kintinuous. In International Conference on Computer Science
and Engineering (UBMK), 2017. Istanbul, Turkey. pp. 99-103.

Jesus, K.; Kobs, H.; Cukla, A.; Cuadros, M. e Gamarra, D. (2021). Comparison of visual slam
algorithms orb-slam2, rtab-map and sptam in internal and external environments with ROS.
in 2021 Latin American Robotics Symposium (LARS), 2021 Brazilian Symposium on Robotics
(SBR), and 2021 Workshop on Robotics in Education (WRE), 2021, pp. 216–221

Neto, J.; Silva, P.; Figueredo, F.; Teixeira, J. e Teichrieb, V. (2020). Comparison of RGB-D
sensors for 3D reconstruction. 2020 22nd Symposium on Virtual and Augmented Reality (SVR),
Porto de Galinhas, Brazil, 2020, pp. 252-261, doi: 10.1109/SVR51698.2020.00046.
APÊNDICE A - Extração de Dados dos Artigos Selecionados.

A - Dados da Publicação

Título On 3D Reconstruction Using RGB-D Cameras

Autor(es) Tychola, K.; Tsimperidis, I.; Papakostas, G.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2022

Resumo A representação do mundo físico é uma questão que preocupa

cada vez mais a comunidade científica que estuda visão
computacional. Recentemente, a pesquisa tem se concentrado em
técnicas e métodos modernos de fotogrametria e estereoscopia
com o objetivo de reconstruir modelos tridimensionais realistas
com alta precisão e informações métricas em um curto espaço de
tempo. Para obter dados a um custo relativamente baixo, várias
ferramentas foram desenvolvidas, como câmeras de profundidade.
As câmeras RGB-D são sistemas de sensores inovadores que
capturam imagens RGB juntamente com informações de
profundidade por pixel.
Esta pesquisa tem como objetivo descrever a tecnologia das
câmeras RGB-D. Discutimos o hardware e o processo de
aquisição de dados em ambientes estáticos e dinâmicos. As
técnicas de detecção de mapas de profundidade são descritas, com
foco em suas características, prós, contras e limitações; desafios
emergentes e questões em aberto a serem investigados são
analisados; e algumas contramedidas são descritas. Além disso, as
vantagens, desvantagens e limitações das câmeras RGB-D em
todos os aspectos também são descritas de forma crítica. Esta
pesquisa será útil para pesquisadores que desejam adquirir,
processar e analisar os dados coletados.

B - Dados Derivados do Objetivo

Sensores utilizados: Asus Xtion PRO LIVE e Realsense D435.

Ferramenta utilizadas: Simultaneous localization and mapping (SLAM)

● Requer intensidade local e cenas texturizadas suficientes

● Falta de características na cena
● Baixa resolução e resolução espacial
Limitações:
● Regiões não texturizadas robustas
● Medição de distância de baixa precisão, estabilidade
térmica e repetibilidade

C - Dados Adicionais

Outras informações:
A - Dados da Publicação

Título Comparison of RGB-D sensors for 3D reconstruction

Autor(es) Neto, J.; Silva, P.; Figueredo, F.; Teixeira, J; Teichrieb, V.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2020

Resumo O uso de sensores RGB-D de baixo custo tornou-se popular com

o lançamento do Microsoft Kinect V1, em 2010. A partir desse
momento, diferentes empresas, como ASUS, Orbbec e Intel,
desenvolveram suas próprias soluções para captura de dados 3D.
Este trabalho propõe uma análise do desempenho de 10 sensores
RGB-D quando aplicados a uma tarefa de reconstrução 3D. A
comparação foi possível graças ao uso do braço robótico e.Do da
COMAU, que garantiu que todos os sensores executassem o
mesmo conjunto de três caminhos diferentes ao capturar dados
RGB e de profundidade do ambiente de teste.
Foi desenvolvida uma versão personalizada do RTAB-map, uma
solução de código aberto para mapeamento baseado em aparência
em tempo real, de modo que todos os dez sensores fossem
suportados pela mesma ferramenta de captura de dados. Isso foi
necessário porque o módulo original de gravação de dados do
RTABmap não suportava o dispositivo Astra Pro e os dispositivos
Realsense não estavam incluídos na ferramenta. Todas as
avaliações foram realizadas em um cenário interno controlado,
projetado para abordar diferentes características na mesma cena:
regiões altamente texturizadas, regiões pouco texturizadas,
objetos próximos e distantes. Foram coletados quase 20 GB de
dados, que estão disponíveis como um conjunto de dados público
para futuras comparações de algoritmos de reconstrução 3D que
recebem entrada de diferentes sensores RGB-D. Palavras-chave:
Comparação de sensores RGB-D, análise RGB-D, referência
RGB-D, referência de reconstrução 3D, reconstrução 3D do
RTAB-map, robótica.

B - Dados Derivados do Objetivo

Sensores utilizados: Kinect V1, Kinect V2, Asus Xtion PRO live, Orbec Astra, Orbec
Astra Pro, Realsense ZR300, Realsense D435, Realsense R200,
Realsense SR300 e Realsense F200

Ferramenta utilizadas: Simultaneous localization and mapping (SLAM) e RTAB-map.

● Movimentação lenta para não “se perder”.

Limitações:
● Alguns sensores necessitam de energia externa.

C - Dados Adicionais
Outras informações: Alguns sensores nem conseguiram fazer uma captura decente,
deixando um grande vazio nas capturas.

A - Dados da Publicação

Título 3D reconstruction using Kinect v2 camera

Autor(es) Lembit, V.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2016

Resumo O Kinect é um dispositivo de aquisição RGB-D fácil de usar e

acessível que fornece informações espaciais e de cor para os
pixels capturados. Isso o torna uma alternativa atraente aos
dispositivos de digitalização 3D regulares, que geralmente custam
significativamente mais e não fornecem informações de cor. A
segunda geração do Kinect (v2) oferece imagens de profundidade
e de cor de ainda melhor qualidade aos usuários.
Esta tese descreve e implementa um método para reconstrução 3D
usando o Kinect v2. A adequação do método para vários objetos é
testada e analisada. Na maioria das circunstâncias, o método
proporcionou reconstruções satisfatórias, a menos que uma
resolução muito alta seja desejada. No entanto, algumas
limitações foram observadas. Superfícies reflexivas e
transparentes causam falhas devido à tecnologia de captura de
profundidade no Kinect v2, e objetos simétricos apresentam
problemas para o algoritmo de registro de quadro descrito. Para
uma melhor compreensão, o processo de medição de
profundidade do Kinect v2 é descrito.

B - Dados Derivados do Objetivo

Sensores utilizados: Kinect v2

Ferramenta utilizadas: Kinect SDK 2.0 com MATLAB.

● Não lida bem com reflexos

Limitações:
● Energia externa.

C - Dados Adicionais

Outras informações: Algumas superfícies como espelho, materiais transparentes e até

mesmo materiais de aço com alta reflexividade tendem a não
aparecer ou ter uma reconstrução muito imprecisa.

A - Dados da Publicação

Título Underwater Online 3D Mapping and Scene Reconstruction using

 Low Cost Kinect RGB-D Sensor

Autor(es) Anwer, A.; Ali, S.; Mériaudeau, F.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2017

Resumo Neste artigo, propomos a possibilidade de reconstrução da

superfície de um objeto subaquático ou a reconstrução
tridimensional de um ambiente subaquático usando um sensor
RGB-D econômico, como o Microsoft Kinect. Reconstruir a
superfície 3D de um objeto subaquático é uma tarefa desafiadora
devido à qualidade degradada das imagens subaquáticas. Existem
várias razões para a degradação da qualidade das imagens
subaquáticas, como a iluminação não uniforme na superfície dos
objetos, efeitos de dispersão e absorção. Partículas e impurezas
presentes na água produzem ruído gaussiano nas imagens ópticas
subaquáticas capturadas, o que degrada a qualidade das imagens.
No entanto, usando sensores de profundidade como uma
alternativa econômica, pretendemos demonstrar que a
reconstrução de cenas 3D subaquáticas é possível com alguns
compromissos na precisão, mas com economia significativa de
custos.
Os dados de profundidade adquiridos são propostos para serem
processados aplicando técnicas de geração de malha em tempo
real a partir da nuvem de pontos adquirida. O resultado
experimental visa demonstrar que o método proposto reconstrói
com precisão a superfície 3D de objetos subaquáticos usando
imagens de profundidade subaquáticas capturadas.

B - Dados Derivados do Objetivo

Sensores utilizados: Kinect v1 e v2

Kinect SDK 2.0 com Simultaneous localization and mapping

Ferramenta utilizadas:
(SLAM).

● Baixa visibilidade debaixo d’água.

Limitações:
● Energia externa.

C - Dados Adicionais

Outras informações: Vedar, ter um cabo de energia e não ser indicado para esses
sensores deixaram os resultados não tão precisos, mas os sensores
utilizados são extremamente caros, tornando-se uma solução boa.

A - Dados da Publicação

Título Robust 3D Reconstruction With an RGB-D Camera

Autor(es) Wang, K.; Zhang, G.; Bao, H.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2014

Resumo Apresentamos uma abordagem inovadora para reconstrução 3D

usando uma câmera RGB-D de baixo custo, como o Microsoft
Kinect. Em comparação com métodos anteriores, nosso sistema
de digitalização funciona bem em casos desafiadores, nos quais
existem texturas repetidas em grande escala e problemas
significativos de dados de profundidade ausentes. Para um registro
robusto, propomos utilizar tanto características visuais quanto
geométricas e combinar a técnica de Estrutura de Movimento
(SFM) para aprimorar a robustez na correspondência de
características e na estimativa da pose da câmera. Além disso,
introduzimos um novo método baseado em priori chamado "multi
candidatos RANSAC" para estimar eficientemente os parâmetros
do modelo e acelerar significativamente a estimativa da pose da
câmera com múltiplos candidatos de correspondência. Mesmo
quando ocorrem problemas sérios de dados de profundidade
ausentes, nosso método ainda pode registrar com sucesso todos os
quadros juntos. O fechamento de loop também pode ser detectado
e tratado de forma robusta para eliminar o problema de desvio. A
geometria ausente pode ser completada combinando técnicas de
estéreo multivisão e deformação de malha. Uma variedade de
exemplos desafiadores demonstra a eficácia da abordagem
proposta.

B - Dados Derivados do Objetivo

Sensores utilizados: Kinect v1.

Ferramenta utilizadas: Kinect SDK.

● Não lida bem com reflexos

Limitações:
● Energia externa.

C - Dados Adicionais

Outras informações: Após a captura dos mapas, ele tentou várias técnicas de melhorar
o que já tinha, o fechamento de loop se mostrou ser o mais eficaz.

A - Dados da Publicação

Título Kinect 3D Reconstruction Fusion Mapping with C# Algorithm by

RGB-D Sensor

Autor(es) Rahman, A.; Mehedy, S.; Rahman, R.

Fonte de Publicação IEEE Xplore

Ano da Publicação 2019

Resumo O objetivo fundamental deste artigo é descrever as aplicações do

sensor Microsoft Kinect com um algoritmo e solução robustos
para apresentar a reconstrução de superfície 3D com diferentes
medidas. No que se refere às operações do sensor, existem duas
possíveis categorias para reconstruções 3D: scanners a laser caros
e a abordagem de captura de fotos de diversos ângulos. Neste
artigo, utilizamos cenas ambientais internas com a câmera de
sensor de profundidade Microsoft Kinect.
As pré-operações de dados, avaliações de postura do sensor, fusão
computacional dos dados do sensor de profundidade e extração de
superfície 3D são as quatro partes principais deste experimento. O
algoritmo deste artigo foi desenvolvido de forma única com
programação em C#.

B - Dados Derivados do Objetivo

Sensores utilizados: Kinect v1

Ferramenta utilizadas: Fusion point cloud com ICP algorithm.

Limitações: ● Energia externa.

C - Dados Adicionais

Outras informações: É um trabalho novo, ele fez algo robusto e do 0 com C# tentando
encontrar outras técnicas de mapeamento.