El trabajo presentado a continuación enseña el estudio sobre una técnica colaborativa de
Visual Simultaneous Localization and Mapping (Visual-SLAM), el Centralized Collaborative
Monocular Simultaneous Localization and Mapping (CCM-SLAM), aplicada a un ambiente
frutícola. Presenta las características más sobresalientes del algoritmo sobre otros de visión
artificial, para luego ser implementado en un dataset propio. Este dataset fue generado en una
chacra de la zona del Alto Valle y está acompañado de datos de un GPS asociado para la posterior
comparación con los resultados provistos por CCM-SLAM. Luego se analiza el consumo
de recursos del algoritmo para detectar las posibles dificultades en el rendimiento, y poder
intuir qué placa de hardware embebido es capaz de ejecutar el programa. Tras este análisis, se
procede a realizar ensayos sobre dos Raspberry Pi 3B y, en función de esto, posteriormente
se plantea una posible estrategia de implementación del algoritmo en el campo.
The following work shows a study on a collaborative Visual Simultaneous Localization and Mapping (Visual-SLAM) technique, the Centralized Collaborative Monocular Simultaneous Localization and Mapping (CCM-SLAM), applied to a fruit-tree environment. It presents its most outstanding characteristics over other artificial vision algorithms, to later be implemented using a self-made dataset. This dataset was recorded in a farm in the Alto Valle region and associated GPS data was also provided for later comparison with the results given
by CCM-SLAM. After that, the resources consumed by the algorithm are analized to detect possible difficulties in performance, and to estimate what kind of embedded hardware board is capable of executing the program. Then, tests on two Raspberry Pi 3B are performed and, based on this, a possible strategy of the algorithm’s implementation on field is presented.