Det meste av forskning innen Simultaneous Localization And Mapping (SLAM) fokuserer på nøyaktigheten av metodene som mål på ytelse, og ser relativt lite på hvor raskt løsningene kjører. De begrenser seg også ofte til kun CPU-baserte implementasjoner. Det er mange gode grunner til dette. Det gjør utvikling enklere, og til nå har tilgjengeligheten av General-Purpose computing on Graphics Processing Units (GPGPU) maskinvare, spesielt i autonome integrerte systemer, vært begrenset. Med økende tilgjengelighet av denne typen maskinvare er mulighetene for å bruke disse til å forbedre ytelse tilstede. Dette prosjektet sentreres rundt segmentering av overflater i stereobilder for å oppgave hindringer med bruksområder innen autonom navigasjon ved å benytte Compute Unified Device Architecture (CUDA) for å forbedre ytelse. Vi presenterer flere nye metoder og fremgangsmåter for segmentering av overflater og superpikselsegmentering, inkludert en sanntidsimplementasjon av contour relaxation for superpikselsegmentering. Et rammeverk for behandling av data med høy parallellisme gjennomgående er også presentert. Systemet i seg selv, og modulene som er presentert i prosjektet, er gitt som åpen kildekode, og er laget med tanke på gjenbruk og videre arbeid. Resultatene viser at de foreslåtte fremgangsmåtene kjører i sanntid i både vei- og vann-scener, og gir lovende resultater innen segmentering av overflater i stereobilder, selv i utfordrende scenarioer som raske bevegelser og komplekse miljøer.

Most Simultaneous Localization And Mapping (SLAM) research focuses on the accuracy of the solution as the performance metric, and usually constrains their software to CPU only. There are many good reasons for this approach. It makes the development simpler, and until now the availability of General-Purpose computing on Graphics Processing Units (GPGPU) devices, especially in autonomous embedded systems, has been limited. With the general availability of GPGPU devices increasing, using these to improve performance is more feasible. This project centers around segmenting planes in stereo image pairs, motivated by detecting obstacles in autonomous navigation application, using Compute Unified Device Architecture (CUDA) to improve performance. We present several novelties for plane segmentation and superpixel segmentation, including a real-time implementation of contour relaxation for superpixel segmentation. A system framework to implement highly parallel processing systems is also presented. The system and its modules are provided as open-source software, and built with re-usability and expandability in mind. Results show that the proposed approaches run in real-time in automotive and maritime environment sequences, and yield promising results in segmentation planes in stereo images pairs, even in challenging scenarios with quick movement and complex scenes.