Mapeamento de trafegabilidade baseado em fusão de dados inerciais e nuvens de pontos
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Tese de doutorado
Título alternativo
Trafficability mapping based on fusion of inertial data and point clouds
Primeiro orientador
Membros da banca
Denis Fernando Wolf
José Reginaldo Hughes Carvalho
Armando Alves Neto
Luiz Chaimowicz
José Reginaldo Hughes Carvalho
Armando Alves Neto
Luiz Chaimowicz
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.
Abstract
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.
Assunto
Computação – Teses, Mapeamento de terreno – Teses, Aprendizado profundo – Teses, Robótica – Teses
Palavras-chave
Mapeamento de Terreno, Navegação Autônoma, Aprendizado Profundo, Robótica de Campo