Search

A área da robótica vem apresentando grandes avanços nas últimas décadas e está se tornando comum no cotidiano de muitas pessoas. Robôs autônomos, desde pequenos aspiradores de pó até carros que não exigem um motorista humano, são exemplos de como a robótica está facilitando tarefas corriqueiras. Para que robôs sejam realmente autônomos eles precisam perceber o ambiente a sua volta assim como sua posição no mundo. Ao encontro dessa necessidade, um dos desafios da robótica móvel é o Problema de Reconhecimento de Regiões. Esse problema pode ser definido como: dada uma observação do ambiente, decidir se essa observação vem de um lugar previamente visitado ou não. Essa informação contribui para a redução da incerteza sobre a localização do robô e sobre o mapa do ambiente no qual está inserido. O problema de Reconhecimento Visual de Regiões é uma variação do problema original que surgiu após a popularização do uso de câmeras como principal fonte de informação. Essa popularização se deve principalmente pelo baixo custo do sensor e pela riqueza das observações obtidas. Em contrapartida, o uso de câmeras trouxe novos desafios relacionados ao tratamento de imagens. Neste trabalho propomos uma nova abordagem para tratar o problema de reconhecimento visual de regiões em ambientes sujeitos à mudanças de iluminação, alterações decorrentes da passagem das estações de ano ou mesmo consequentes das adversidades climáticas. Nossa abordagem é fundamentada em teoria de Análise de Intervalos, sendo o mundo conhecido modelado como um conjunto de intervalos, e através de restrições do problema reduzimos o espaço de busca de soluções usando operações intervalares. A abordagem proposta foi testada usando três datasets públicos, comumente utilizados em outros trabalhos da área, e apresentou resultados promissores. As comparações, apresentadas através de precisionrecall, mostram que o método proposto tem resultados competitivos em relação ao estado da arte, além de mostrar potencial para uso em operações em tempo real. The robotics field has been making great strides in recent decades, and it is becoming common in many people’s daily lives. Autonomous robots from small vacuum cleaners to cars that do not require a human driver are examples of how the robotics is making everyday tasks easier. For robots to be truly autonomous, they need to perceive the environment around them as well as their position in the world. In this regard, one of the challenges of mobile robotics is the Place Recognition Problem. The problem is defined by identifying whether a new observation of the environment comes from a place previously visited or not. This information contributes to reduce the uncertainty about the robot localization and improve the quality of the map that is being built. Given the growing popularity of the cameras as a primary source of information, a new problem called Visual Place Recognition arose; and with it, all the challenges of dealing with images. This popularization is mainly due to the low cost of the sensor and the richness of the observations obtained. We propose a novel approach to deal with the visual place recognition problem, considering that the environment is subjected to illumination and sesoning changes, or even climatic adversities. It is based on Interval Analysis theory to model the known world as a set of intervals and the problem constraints to reduce the solution search space through interval operations. Our proposal was tested with public datasets and has presented promising results. The comparisons between the proposed method and the methods in the literature show that our method produces competitive results. In addition, it shows potential for use in real-time operations.

Abordagens probabilísticas são extensivamente utilizadas para resolver problemas de alta dimensionalidade em diferentes campos. O filtro de partículas é uma abordagem proeminente no campo da Robótica, devido a sua adaptabilidade a modelos não lineares com distribuições multimodais. Contudo, seus resultados são fortemente dependentes da qualidade e do número de amostras requeridas para cobrir o espaço de busca. Em contrapartida, análise de intervalos lida com problemas de alta dimensionalidade através da redução do espaço de busca. Essas reduções são feitas através de técnicas intervalares que garantem matematicamente que a solução procurada está contida no resultado do método, uma vez que a modelagem do problema tenha sido feita corretamente. Métodos intervalares não descartam quaisquer soluções factíveis, com isso o resultado pode ser pouco representativo. Não obstante, não é possível definir precisamente onde a solução está no intervalo definido como solução. A estratégia proposta combina o melhor das duas abordagens. A ideia principal do método proposto é usar técnicas intervalares para melhorar os resultados do filtro de partículas, limitando o espalhamento das partículas e acelerando a convergência do método. Nós esperamos que o método proposto consiga fazer a distribuição e controle de partículas de forma mais eficiente, resultando possivelmente em um método mais preciso. A abordagem proposta é ilustrada através do tratamento do problema de localização global de robôs subaquáticos.