Felipe G. Oliveira

Tese de Doutorado:

Mapeamento Tridimensional Aumentado com Custo de Navegação através de Aprendizado Profundo

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 LiDAR; 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.

Texto Completo:

Tese de doutorado (Download)

Informações da Defesa:

  • Orientador
    • Prof. Douglas Guimarães Macharet
  • Coorientador
    • Prof. Mário Fernando Montenegro Campos
  • Data da defesa
    • 26/08/2020
  • Banca examinadora
    • Prof. Dênis Fernando Wolf (ICMC/USP)
    • Prof. José Reginaldo Hughes Carvalho (ICOMP/UFAM)
    • Prof. Armando Alves Neto (DELT/UFMG)
    • Prof. Luiz Chaimowicz (DCC/UFMG)

Divulgação dos Resultados:

Publicações

  • Felipe G. Oliveira, Elerson R. S. Santos, Armando A. Neto, Mario F. M. Campos e Douglas G. Macharet. Speed-invariant Terrain Roughness Classification and Control based on Inertial Sensors. In: Latin American Robotics Symposium (LARS), 2017. [Qualis-CC B3]

  • Felipe G. Oliveira, Armando A. Neto, Paulo Borges, Mario F. M. Campos e Douglas G. Macharet. Augmented Vector Field Navigation Cost Mapping using Inertial Sensors. In: 19th International Conference on Advanced Robotics (ICAR), 2019. [Qualis-CC B1]

Em revisão

  • Felipe G. Oliveira, Armando A. Neto, David Howard, Paulo Borges, Mario F. M. Campos e Douglas G. Macharet. Three-dimensional Mapping with Augmented Navigation Cost through Deep Learning. In: Journal of Intelligent & Robotic Systems (JINT), 2020. [Qualis-CC A2]


Vídeos:

  • Three-dimensional Mapping with Augmented Navigation Cost through Deep Learning
    • Mapeamento tridimensional aumentado com custo de navegação, a partir da fusão entre dados fornecidos por uma IMU e um LiDAR, por meio de aprendizado profundo.

  • Augmented Vector Field Navigation Cost Mapping using Inertial Sensors
    • Mapeamento de ambientes externos baseado em vector fields, a partir de dados inerciais coletados por um veículo terrestre.

Laboratório de Visão Computacional e Robótica    |    Departamento de Ciência da Computação    |    UFMG