Fusão de dados para a localização e navegação de robôs móveis em espaços inteligentes programáveis baseados em visão computacional
Nome: MATHEUS DUTRA DE OLIVEIRA
Data de publicação: 20/08/2025
Banca:
Nome |
Papel |
|---|---|
| MARIANA RAMPINELLI FERNANDES | Examinador Externo |
| RAFAEL DE ANGELIS CORDEIRO | Examinador Interno |
| RAQUEL FRIZERA VASSALLO | Presidente |
| RICARDO CARMINATI DE MELLO | Coorientador |
Resumo: A estimativa de localização de robôs móveis em ambientes internos é um dos desafios centrais da navegação autônoma. Entre as principais técnicas utilizadas para enfrentar esse problema, estão a Odometria Visual de Múltiplas Vistas, obtidas através de uma
rede de múltiplas câmeras, e a Localização de Monte Carlo. Ambas possuem limitações, como áreas sem cobertura de câmeras, nas quais a navegação fica inviabilizada quando se utiliza apenas a odometria visual, e ambientes simétricos, que dificultam a convergência da localização no método de Monte Carlo. Visando solucionar esses problemas e obter uma estimativa de localização mais robusta e confiável, este trabalho propõe a união dessas duas técnicas de localização global, utilizando uma fusão de dados baseada em técnicas de Filtro de Kalman (Filtro de Kalman Estendido e Filtro de Kalman Unscented). Além disso, a estratégia de integração da arquitetura de espaços inteligentes com o Robot Operating System (ROS) foi adotada para realizar essa fusão. Assim, a localização fundida pode ser integrada à pilha de navegação do ROS, resultando em um sistema completo
de localização e navegação, permitindo, ainda, que esse sistema seja acionado por outros componentes do espaço inteligente. O sistema foi avaliado em cenários críticos e em estudos de caso conduzidos em ambientes reais. Os resultados obtidos indicam que a fusão das informações trata de forma eficiente as limitações inerentes a cada fonte de localização, além de aumentar, nos estudos de caso realizados, em até 12% a precisão da orientação global do robô e aprimorar os valores de localização em mais de 5,2% quando ambas as fontes estão disponíveis.
