Mapeamento de Ambientes

O desenvolvimento de robôs móveis para aplicações em ambientes internos necessita de um mapeamento robusto e técnicas de percepção que possibilitem a navegação autônoma em ambientes complexos. O problema da representação de mapas do ambiente com o robô em movimento está também na representação da possível posição do robô e a fidelidade desta posição irá interferir na fidelidade do mapa (SIEGWART; NOURBAKHSH, 2004). A construção de um sistema que faça este mapeamento deve considerar os seguintes quesitos (SAEEDI et al., 2016):

• Sensores;

• Processamento de dados; • Representação do mapa.

A partir do momento em que os sensores capturam dados, o processamento pode iniciar. Alguns dos processamentos mais comuns incluem filtragem, suavização e técnicas de inteligência artificial para a construção dos mapas (SAEEDI et al., 2016). Neste processamento, diferentes tipos de incertezas são tratadas, para então finalmente ser feita a representação no mapa, o qual é um modelo que retrata o ambiente a partir da trajetória que o robô realizou. O processamento dos dados e a geração do mapa interage um com o outro, fornecendo resultados mais precisos.

O mapeamento contínuo é um método para a decomposição exata do ambiente, onde a posição das características do ambiente são registradas precisamente, entretanto pode haver uma explosão computacional na representação destes dados (SIEGWART et al., 2011). Um mapa geométrico pode representar a localização física de um objeto sem fazer referências a texturas, cores ou qualquer outra característica do ambiente além da localização. A partir desta simplificação pode haver redução do uso de memória. Um exemplo de aplicação que faz apenas

extração geométrica é a identificação de linhas contínuas (SIEGWART et al., 2011). Ainda que haja uma redução de características no mapeamento, a característica contínua ainda pode trazer custo computacional. A figura 11 apresenta um exemplo de ambiente mapeado de forma contínua.

Figura 11: Representação contínua: (a) mapa real, (b) representação com conjunto de linhas infinitas.

Fonte: (SIEGWART et al., 2011).

Algumas estratégias de decomposição podem auxiliar na identificação de informações relevantes e minimização de dados representados. A decomposição por células faz a seleção dos limites entre as células discretas baseando-se na geometria (como pode ser visto na figura 12). Já a decomposição fixa transforma o ambiente contínuo real em uma aproximação discretizada para o mapa (SIEGWART et al., 2011), como pode ser visto na figura 13. Em DHIMAN et al. (2015) a geração de mapas é particionada em três partes: métricos, topológicos e híbridos. Elas são detalhadas a seguir.

Figura 12: Decomposição por células (SIEGWART et al., 2011).

Figura 13: Decomposição fixa (SIEGWART et al., 2011).

Fonte: (SIEGWART et al., 2011).

2.2.2.1 MAPAS MÉTRICOS

Os mapas métricos buscam extrair as propriedades geométricas e características do ambiente, e então representá-las em forma de grade (grid map) ou ainda em mapas de características (feature map) (STACHNISS, 2009). Normalmente, mapas métricos são probabilísticos, e estabelecem métodos para modelar o ruído e seus efeitos na modelagem do ambiente (DHIMAN et al., 2015). Os grid maps ou mapas de grade, representam o espaço em uma matriz de células. Occupancy grid ou grades de ocupação são um dos mais populares mapas de grades, em especial em soluções de algoritmos de SLAM 2D (ELFES, 1990). Nesta solução cada célula representa uma pequena seção retangular do mundo. A célula é modelada com uma variável binária que indica se um objeto existe naquele espaço que representa. Occupancy grid podem ser também estendido para modelagem tridimensional (3D), o qual é conhecido como Volumetric Pixel (VOXEL) maps. Os Feature maps ou mapas de características, também conhecidos como landmark maps, representam o mundo com posições globais das características extraídas do ambiente. Normalmente a posição da característica mapeada é acompanhada de sua assinatura, que é um identificador único que a caracteriza. Técnicas

voltadas para feature maps como Scale-Invariant Feature Transformm (SIFT) e Speeded-Up Robust Features(SURF) foram introduzidas em (FRAUNDORFER; SCARAMUZZA, 2012). A figura 14 apresenta um exemplo de mapa métrico baseado em grades de ocupação.

Figura 14: Exemplo de mapa métrico.

Fonte: (SIEGWART et al., 2011).

2.2.2.2 MAPAS TOPOLÓGICOS

Os mapas topológicos representam o ambiente de forma abstrata (KUIPERS; BYUN, 1991) em uma estrutura de grafos, onde os vértices representam locais e objetos de interesse, enquanto as arestas representam o relacionamento espacial ou o caminho entre os vértices. Além disso, para fornecer uma representação mais compacta do ambiente que os mapas métricos, os mapas topológicos apresentam uma compreensão simbólica de alto nível para tarefas de planejamento e navegação. Enquanto os mapas métricos podem acumular erros de odometria, os mapas topológicos são construídos sem preocupação de aspectos métricos: os erros de odometria são acumulados entre os vértices do grafo, não necessariamente sendo acumulados pelo mapa global (DHIMAN et al., 2015). A abordagem topológica para percepção ou autonomia também podem ser interpretadas como um mapeamento simbólico (BEESON et al., 2010), onde é fornecido uma representação concisa para alternativas estruturais. A figura 15 apresenta um exemplo de mapa topológico.

2.2.2.3 MAPAS HÍBRIDOS

A geração dos mapas híbridos é feita combinando as vantagens dos mapeamentos métricos e topológicos Tomatis et al. (2003). O mapeamento topológico é aplicado para uma visão global do ambiente, enquanto o mapeamento métrico é aplicado em áreas pequenas, de forma que é reduzida a complexidade computacional durante o processamento das informações métricas. Assim, uma forma de mapa híbrido é fazer uso de um mapa topológico em que os

Figura 15: Exemplo de mapa topológico.

Fonte: (SIEGWART et al., 2011).

vértices são utilizados para representar pequenos mapas métricos, e as arestas entre os vértices representam o caminho do ponto central de um mapa métrico até o ponto central do próximo mapa métrico (DHIMAN et al., 2015).

2.2.2.4 MAPAS SEMÂNTICOS E DE APARÊNCIA

Saeedi et al. (2016) adiciona mais duas classificações de mapas: mapas semânticos e mapas de aparência. Mapas semânticos (semantic maps) contém funcionalidades e relacionamentos de objetos do ambiente, sendo um formato mais abstrato (NÜCHTER; HERTZBERG, 2008). Esta proposta de mapa é útil para processamento em alto-nível e comportamentos orientados a objetivos que requerem reações em tempo real sobre ambiguidades espacias e de perspectiva. Existe uma similaridade com mapas topológicos, porém os mapas semânticos trazem maior detalhamento de informação sobre os objetos e locais. Os mapas de aparência (appearance maps) são voltados para sistemas de visão e incluem diferentes visualizações associadas em um grafo não direcionado com pesos. Cada nó do grafo é uma imagem e os arcos unem as imagens suficientemente similares (ERINC; CARPIN, 2014).