Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFMG_c2ccfe8f39b52f1cedca84e528571992 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/36848 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Douglas Guimarães Macharethttp://lattes.cnpq.br/7640548709008824Mário Fernando Montenegro CamposDenis Fernando WolfJosé Reginaldo Hughes CarvalhoArmando Alves NetoLuiz Chaimowiczhttp://lattes.cnpq.br/7676479757420304Felipe Gomes de Oliveira2021-07-22T03:26:53Z2021-07-22T03:26:53Z2020-08-26http://hdl.handle.net/1843/36848https://orcid.org/0000-0002-5435-0933Com 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.With the growing interest in the development of autonomous vehicles for outdoor environments, it is necessary to investigate techniques that support autonomous navigation. Autonomous navigation has been widely studied by the academic community and several factors that provide a safe and efficient displacement. For autonomous navigation, they are often considered only obstacles in the environment. However, unknown and unstructured terrains may represent a crucial feature for the robot’s security or viability of the task. This work addresses the problem of mapping the difficulty level when navigating through outdoor environments from multi-sensor fusion using deep learning. In this work are considered terrains, where difficulties can be found, such as: i) different types of surfaces; ii) roughness levels disparities; and iii) highly sloping surfaces. In this way, the main objective is to create three-dimensional (3D) maps augmented with navigation costs, improving the decision making of path planning algorithms. The proposed methodology in this thesis is divided into three main steps: i) Three-dimensional mapping and localization, where is created a 3D map from point clouds provided by a laser; ii) Navigation cost estimation using inertial data, where the navigation costs are computed from inertial data provided by an IMU; and iii) 3D map augmentation with navigation cost using deep learning, where inertial and geometric data are combined through deep learning to estimate the navigation costs of unvisited regions by the ground robot. Several experiments were carried out with real robots in different environments to evaluate the quality of the proposed tasks and the complete process of navigation cost mapping. In the end, the achieved results at each proposed step are discussed.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas GeraisCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorOutra AgênciaporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação – TesesMapeamento de terreno – TesesAprendizado profundo – TesesRobótica – TesesMapeamento de TerrenoNavegação AutônomaAprendizado ProfundoRobótica de CampoMapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontosTrafficability mapping based on fusion of inertial data and point cloudsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALTese_Doutorado-Felipe_Gomes_de_Oliveira-Repositorio_UFMG.pdfTese_Doutorado-Felipe_Gomes_de_Oliveira-Repositorio_UFMG.pdfTese de Doutorado - Felipe Gomes de Oliveiraapplication/pdf42604708https://repositorio.ufmg.br/bitstream/1843/36848/3/Tese_Doutorado-Felipe_Gomes_de_Oliveira-Repositorio_UFMG.pdfc616b6473a341d1042c7f000c2ea8854MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/36848/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/368482021-07-22 00:26:53.714oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2021-07-22T03:26:53Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
dc.title.alternative.pt_BR.fl_str_mv |
Trafficability mapping based on fusion of inertial data and point clouds |
title |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
spellingShingle |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos Felipe Gomes de Oliveira Mapeamento de Terreno Navegação Autônoma Aprendizado Profundo Robótica de Campo Computação – Teses Mapeamento de terreno – Teses Aprendizado profundo – Teses Robótica – Teses |
title_short |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
title_full |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
title_fullStr |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
title_full_unstemmed |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
title_sort |
Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos |
author |
Felipe Gomes de Oliveira |
author_facet |
Felipe Gomes de Oliveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Douglas Guimarães Macharet |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/7640548709008824 |
dc.contributor.advisor-co1.fl_str_mv |
Mário Fernando Montenegro Campos |
dc.contributor.referee1.fl_str_mv |
Denis Fernando Wolf |
dc.contributor.referee2.fl_str_mv |
José Reginaldo Hughes Carvalho |
dc.contributor.referee3.fl_str_mv |
Armando Alves Neto |
dc.contributor.referee4.fl_str_mv |
Luiz Chaimowicz |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/7676479757420304 |
dc.contributor.author.fl_str_mv |
Felipe Gomes de Oliveira |
contributor_str_mv |
Douglas Guimarães Macharet Mário Fernando Montenegro Campos Denis Fernando Wolf José Reginaldo Hughes Carvalho Armando Alves Neto Luiz Chaimowicz |
dc.subject.por.fl_str_mv |
Mapeamento de Terreno Navegação Autônoma Aprendizado Profundo Robótica de Campo |
topic |
Mapeamento de Terreno Navegação Autônoma Aprendizado Profundo Robótica de Campo Computação – Teses Mapeamento de terreno – Teses Aprendizado profundo – Teses Robótica – Teses |
dc.subject.other.pt_BR.fl_str_mv |
Computação – Teses Mapeamento de terreno – Teses Aprendizado profundo – Teses Robótica – Teses |
description |
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. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-08-26 |
dc.date.accessioned.fl_str_mv |
2021-07-22T03:26:53Z |
dc.date.available.fl_str_mv |
2021-07-22T03:26:53Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/36848 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-5435-0933 |
url |
http://hdl.handle.net/1843/36848 https://orcid.org/0000-0002-5435-0933 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/36848/3/Tese_Doutorado-Felipe_Gomes_de_Oliveira-Repositorio_UFMG.pdf https://repositorio.ufmg.br/bitstream/1843/36848/4/license.txt |
bitstream.checksum.fl_str_mv |
c616b6473a341d1042c7f000c2ea8854 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589158393872384 |