Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos

• Autor(a) principal: Felipe Gomes de Oliveira
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/36848; https://orcid.org/0000-0002-5435-0933
• topic: Mapeamento de Terreno; Navegação Autônoma; Aprendizado Profundo; Robótica de Campo; Computação – Teses; Mapeamento de terreno – Teses; Aprendizado profundo – Teses; Robótica – Teses

Com o crescente interesse no desenvolvimento de veı́culos autônomos para ambientes externos, faz-se necessária a ampla investigação de técnicas que favoreçam a navegação autônoma. A navegação autônoma tem sido largamente estudada pela comunidade acadêmica, sendo analisados os fatores que possibilitem um deslocamento seguro e eficiente. Para a navegação autônoma, normalmente são considerados apenas obstáculos no ambiente. No entanto, terrenos desconhecidos e não-estruturados podem representar um desafio crucial para a segurança do robô ou a viabilidade da tarefa. Este trabalho aborda o problema de mapeamento do grau de dificuldade para o deslocamento de um robô móvel terrestre em ambientes externos a partir da fusão das aquisições de múltiplos sensores usando aprendizado profundo. Neste trabalho são considerados terrenos onde podem ser encontrados diversos tipos de dificuldades, tais como: i) diferentes superfı́cies; ii) disparidade entre os nı́veis de rugosidade; iii) e inclinações dessas superfı́cies. Portanto, o objetivo principal da abordagem proposta consiste em criar mapas tridimensionais (3D) das regiões percorridas acrescidos do custo correspondente ao deslocamento, favorecendo a tomada de decisão de algoritmos de planejamento de caminho. A metodologia proposta é dividida em três etapas principais: i) Mapeamento tridimensional e localização, onde é criado um mapa 3D a partir das nuvens de pontos providas por um laser ; ii) Estimação do custo de navegação usando informação inercial computada a partir dos dados providos por uma IMU; e iii) Incremento do mapa tridimensional com custo de navegação usando aprendizado profundo, onde os dados inerciais e geométricos são combinados por meio de aprendizado profundo para estimar os custos de navegação de regiões não visitadas pelo robô terrestre. Para validar essas etapas, foram realizados experimentos com robôs reais, em diferentes ambientes, no intuito de avaliar a qualidade das principais operações propostas e do processo completo de mapeamento do custo de navegação. Ao final, são discutidos os resultados alcançados em cada etapa.