Navegação de Robôs Móveis

7/26/2019 Navegação de Robôs Móveis

http://slidepdf.com/reader/full/navegacao-de-robos-moveis 1/24

Navegação de Robôs Móveis

Historicamente, a necessidade sempre foi um fator motivador para que homens e

animais se lançassem em viagens exploratórias em seu meio ambiente. Muitas vezes

impelidos pela falta de recursos locais, como água e comida, viam-se obrigados a sair em

busca destes recursos em outras regiões.

Para realizar tal tarefa, era necessário que fossem capazes de encontrar um caminho

que os levassem até regiões fartas, bem como, optar por rotas alternativas quando diante de

obstáculos naturais e, não tão somente, serem também capazes de voltar ao seu local de

origem para o trato de sua prole.

Pode-se definir navegação com a ciência que estuda o direcionamento através da

determinação da posição, da rota e da distância a ser percorrida, tendo como objetivos

quatro pontos básicos:

a. Selecionar uma rota ou curso;

b. Evitar colisões com objetos fixos ou em movimento;

c. Minimizar o consumo de energia e

d. Obedecer às restrições de tempo impostas.

Enfrentando essas mesmas dificuldades, os robôs móveis se propõem a realizar uma

variedade de tarefas mais complexas que seus antecessores, os robôs industriais.

Certamente, a parte mais relevante desta interação é o Sistema de Navegação que consiste

em um conjunto de métodos e procedimentos que o robô utiliza para se locomover e

encontrar seu caminho num certo ambiente. Portanto, para mover-se com desenvoltura, um

robô deve possuir um sistema de navegação robusto, que seja capaz de traçar uma rota até o

ponto de destino e guiá-lo de forma segura para si e para os outros elementos do ambiente.



Em [Leonard 91] o problema da navegação de robôs móveis foi resumido em três

questões:

• Onde estou?

• Para onde estou indo?

• Como poso chegar lá?

Com o objetivo de levantar e compreender as soluções adotadas por outros grupos de

pesquisas e propor novas respostas para estas questões, este projeto analisa o

problema da de robôs móveis considerando-se quatro aspectos fundamentais:

i. o Mapeamento;

ii. a Localização do Robô;

iii. o Planejamento das Rotas e

iv. a Execução do Plano.

A seguir é feita uma análise destes aspectos, discutindo as alterações que estão sendo

propostas aos modelos clássicos.

6.1 Mapeamento

Outra abordagem para o problema de modelagem de mundos, é a construção de

mapas. Segundo Owen [Owen 98], a atividade de construir um mapa é, na realidade, a

criação de um modelo de mundo através de dados coletados pelos sensores e pode ser

classificada, basicamente, em um destes dois grupos:

• Mapas Métricos: consiste em modelar o mundo através da criação de um

mapa contendo as informações métricas do ambiente (mapeamento

cartesiano). Um mapa preciso do ambiente em que o robô está inserido podeser criado pelo próprio robô, Figura 6.1, ou fornecido pelo projetista. Esta

modelagem conta com a vantagem de ser uma representação simples e

facilmente inteligível para os seres humanos. Entretanto, devido à quantidade

de detalhes que estes mapas possuem, demandam um consumo de tempo

muito grande para serem construídos e, muitas vezes, alguns destes



detalhamentos são irrelevantes para a tarefa de navegação geral.

Figura 6.1: Exemplo de Mapa Métrico Criado pelo Próprio Robô.

• Mapas Topológicos: nesta outra abordagem o meio é modelado sob a forma

de nós e arcos [McDermott 92] e [Weymouth 94], onde cada nó representa

um ponto relevante do mundo - uma sala, uma porta, um objeto, etc. - e cada

arco representa a existência de um caminho direto entre estes pontos, Figura

6.2. Pode-se comparar este tipo de mapeamento com a estrutura de um grafo.

Esta representação é bem compacta uma vez que codifica somente lugares

distintos dentro do meio. Adicionalmente, este tipo de mapa é apropriado parao uso de vários algoritmos que vem sendo desenvolvido atualmente para o

planejamento de caminhos. Os mapas topológicos são baseados no

armazenamento das relações geométricas entre pontos específicos ao invés de

posições absolutas com acontece nos mapas baseados em grid. A

representação topológica é interessante quando se deseja indicar a existência

de caminhos entre dois pontos. Sua representação e manipulação é mais

simples que a anterior, requerendo menor esforço computacional. Sua

desvantagem em relação a abordagem anterior é a dificuldade de se armazenar

infoprmações mais detalhadas sobre o mundo mapeado. Talvez, o principal

problema com este método é a ocorrência do fenômeno denominado:

ambigüidade perceptual (“perceptual aliasing” ), onde localidades distintas

dentro do ambiente são entendidas pelos sensores do robô de maneira idêntica.



Uma técnica proposta como solução a este problema é o emprego de sensores

de diferentes modalidades, como por exemplo, o uso de uma câmera de vídeo

para incrementar as informações obtidas pelos sonares. Entretanto essa

técnica é mais utilizada para reduzir a acorrência da ambigüidade perceptual,

do que para elimina-la. Outra maneira de solucionar o problema é a adoção de

outras técnicas de posiciomanento associadas.

Figura 6.2: Mapa Topológico.

A forma mais usual de se implementar mapas métricos é através de mapas baseados

em grid , [Thrun 98]. A abordagem baseada em grid foi proposta em [Elfes 87] e [koren

91]. Nesta abordagem, o mundo é representado em uma forma bidimensional, utilizando

uma matriz, onde cada célula representa uma região do mundo. Desta forma, a área onderobô atuará é dividida em pequenas regiões, cuja dimensão pode variar de centímetros até

metros quadrados. Quanto maior o tamanho da região menor será a precisão do mapa.

No modelo de grid originalmente proposto [Elfes 87] e adotado em diversos

sistemas desde então, cada célula da matriz bidimensional que representa um ponto



correspondente do mundo contém um valor de ocupação, denotado por ProbOc(x,y), que

mede a probabilidade da célula <x,y> estar ocupada.

Por exemplo, uma sala como a da Figura 6.3 poderia ser representada pelo grid da

Figura 6.4. Neste exemplo o mundo está perfeitamente representado, não havendo dúvidas

quanto a presença ou não de obstáculo. Pois, as células correspondente as área livres da

figura possuem um valor de ocupação 0, onde há obstáculos este valor é de 1.

Representando 100% de probabilidade da célula estar ocupada. Em aplicações no mundo

real é impossível de se obter um grid com tamanha perfeição.

Figura 6.3 : Sala com um obstáculo no centro.

Figura 6.4 : Grid representando a sala da Figura 6.4.



Esta abordagem tem a vantagem que o mapa é inteligível pelo operador humano,

dispensando o desenvolvimento de "interface" especiais. Ela permite que o funcionamento

do mecanismo de navegação seja facilmente acompanhado pelos projetistas do sistema. O

grande inconveniente desta abordagem é o grande consumo de memória e o esforço de

processamento. Além disso, o mapa contém um grande número de informações que não

serão úteis no momento. Por exemplo, se o objetivo é fazer com que o robô se mova para

frente evitando que o mesmo colida com obstáculos próximos, as informações referentes a

obstáculos localizados atrás ou a uma grande distância não seria utilizado pelo mecanismo

de navegação. O armazenamento destas informações consome uma grande quantidade de

recursos computacionais, além de tornar mais lento o mecanismo de navegação.

Para atenuar o problema do consumo de memória alguns sistemas mapeiam uma

grande região do mundo em cada uma das células do grid. O problema desta solução é que

ela leva a uma perda de qualidade na representação do mundo uma vez que reduz a

definição do mapa. Em alguns sistemas o tamanho das células não é fixo, em regiões onde

há a necessidade de se mapear uma grande quantidade de detalhes, uma sala por exemplo,

são utilizados grids com alta resolução, com células que correspondem a pequenas regiões

do mundo; em regiões onde não há muita informação para ser armazenada são utilizadas

células que mapeiam grandes áreas.

No sistema que está sendo desenvolvido é utilizada uma abordagem híbrida, que

combina características das abordagens em grid e topológica.

A abordagem proposta utiliza uma mapa topológico para representar a existência de

caminhos entre pontos relevantes para a atividade do robô, tais pontos podem corresponder:

• a salas onde o robô irá atuar;

• a pontos relevantes para a localização do — Landmarks — e

• a cruzamento de caminhos.



Os nós que representam as salas são implementados com um grid de tamanho variável

que contém a descrição da mesma. Nos demais nós são utilizadas estruturas mais

simplificadas contendo apenas as informações necessárias para caracterizar o ponto

permitindo sua localização no futuro.

Toda a definição do mapa é feita utilizando-se Lógica Paraconsistente Anotada para

indicar a crença na existência de caminhos entre os pontos e a crença na representação do

mundo em um ponto específico.

Um comparativo entre as principais características dos mapa métricos e topológicos

pode ser visto a baixo:

Mapas Métricos Mapas Topológicos

O reconhecimento de lugares parecidos não

é o problema, uma vez que a posição é

mantida em relação ao ponto de partida

Reconhecimento de lugares parecidos torna-

se complexo, sobretudo se não é feito o uso

de “landmarks” ou outra técnica de apoio.

Requer um conhecimento preciso da

localização do robô, que devido à falta de

Não requer precisão na determinação da

posição do robô.



eficiência dos sistemas odométricos,

constitui uma tarefa complexa.

É fácil de se construir, mas não de se

manter.

É difícil de se construir e de se manter.

Dependendo do tamanho do ambiente, da

configuração das células e da capacidade de

memória, planejar rotas nesta categoria de

mapas torna-se uma tarefa complexa.

O planejamento de rotas é mais simples,

uma vez que é possível adotar conhecidos

algoritmos de busca nem grafos.

6.2 Localização do robô

A principal competência na navegação é a capacidade de se localizar. Sem o

conhecimento da posição atual é impossível planejar um caminho para outra posição

qualquer. A liberdade para se mover em todas as direções torna a tarefa de localização no

espaço extremamente complexa. Este problema não ocorre em outros robôs, como os

braços manipuladores, cuja base fixa serve de referência tanto para os movimentos do robô,

como para a área de trabalho.

Para estimar sua posição, um robô móvel deve possuir uma descrição ou estrutura que

represente o estado do ambiente onde está inserido, de forma a criar um modelo inteligível,

para o robô, dos objetos que constituem este ambiente, bem como suas disposições.

Apesar da literatura a respeito de localização de robôs móveis ser bastante vasta,

todas as técnicas empregadas para solucionar este problema, podem, de certa maneira, serclassificadas em uma destas duas categorias:

• Posicionamento Relativo: também conhecido como o método de ajuste de

posição, uma nova localização do robô é dada em relação a uma posição

anteriormente conhecida, através de cálculos realizados sobre os valores dos



deslocamentos produzidos pelos movimentos do robô. Uma característica

peculiar a essas técnicas, é que elas são consideradas auto-suficientes

[Borenstein 96]. Atualmente existem dois ramos de pesquisas mais difundidos

que adotam este paradigma:

o Odometria: é um método que produz uma estimativa da localização do

robô a partir de medições provenientes de decodificadores que medem

a rotação e/ou a direção das rodas [Nehmzow 92], conforme será visto

em maiores detalhes no item 6.2.1 e

o Navegação Inercial: não tão popular quanto o método odométrico,

provavelmente devido aos altos custos dos sensores necessários, esta

técnica emprega os conceitos de movimento descritos pela física

clássica, através da utilização de dispositivos como giroscópios e

acelerômetros, capazes, respectivamente, de medir a taxa de rotação e

aceleração. A determinação da localização é obtida através de cálculos

realizados sobre essas medidas [Borenstein 96].



• Posicionamento Absoluto: característicos pela não necessidade de se pré-

estabelecer uma posição inicial, tal qual ocorre com o posicionamento

relativo, a localização do robô é determinada a partir da observação e/oucaptação de referências conhecidas presentes no ambiente. Atualmente, a

maioria dos trabalhos, que aplicam estes conceitos, pode ser agrupada em uma

das vertentes abaixo:

o Balizamento Ativo: esse método computa a posição absoluta do robô

através das medidas de sinais direcionais provenientes de três ou mais

fontes de emissão diferentes, em posições conhecidas do ambiente.

Consiste na utilização de dispositivos que fornecem um sinal de

referência como baliza, muito similar a técnica empregada por um

farol litorâneo, que orienta os navios próximos à costa. Aplicações

desta natureza, muitas vezes empregam rádio freqüência, sinais

luminosos pontuais ou “Global Position System” (GPS), como é o caso

em [Buluso 00].

o Posicionamento baseado em mapas: neste método a informação

adquirida a partir dos sensores é comparada com um mapa ou um

modelo do ambiente. Se as características extraídas dos sensores

combinarem com o modelo interno, então a localização absoluta do

robô pode ser estimada em relação ao modelo global. Exemplos de

utilização desta técnica podem ser encontrados em [Simmon 95] e

[Borenstein 96].

o Reconhecimento de “Landmark”: baseando-se na percepção de

marcas distintas as “ Landmarks”, posicionadas em locais conhecidos

do ambiente, esta técnica determina a posição através da observação

dos “ Landmarks” e do estabelecimento de uma correlação entre a

posição ocupada por esse “landmark ” e as possíveis localizações que

possibilitam que ele seja detectado, ou seja, como mostra [Wijk 98b], a

posição do robô é estimada a partir de uma triangulação de pontos.



Existem inúmeras abordagens para o problema de localização, do ponto de vista

estatístico, por exemplo, a tarefa de localizar um robô em um ambiente é considerada um

problema de predição [Thrun 00]. Por sua vez, algumas abordagens diferem tão somente

pela maneira de representarem o mundo.

Nos tópicos que se seguem comentaremos com mais detalhes os métodos que aplicam

cada um dos paradigmas definidos acima.

6.2.1 Ajuste de Posição usando Odometria

Odometria consiste em um procedimento matemático simples que determina a

localização atual de um veículo baseando-se em posição anterior conhecida e eminformações fornecidas por um dispositivo capaz de medir o deslocamento ao longo de um

caminho (odômetro).

Os dispositivos odométricos, ou encoders, mais comumente utilizados são

decodificadores acoplados diretamente aos eixos dos motores ou engrenagens. Similar a

técnica utilizada em periféricos como o mouse, um foto emissor e um foto receptor é

alinhado e, entre eles, fixo ao eixo da roda ou a haste de uma engrenagem, se encontra um

disco codificado com um padrão opaco/transparente, conforme mostra a Figura 6.5.

a) disco com pequenas fissuras através

das quais os feixes óticos passam.

b) foto emissor (à esquerda), foto receptor

(à direita) e entre eles, o disco

decodificador.

Figura 6.5: Esquema de um Decodificador Fotoelétrico.



Um dispositivo foto emissor envia um feixe de luz constante na direção de um sensor

foto sensível. Com a execução de um movimento, o eixo ou a haste gira e, juntamente com

eles, o disco. Devido ao padrão opaco/transparente codificado no disco, o movimento causa

uma intermitência no feixe de luz que é captado pelo foto receptor. A taxa de intermitência

é sempre proporcional a velocidade angular do disco, nos possibilitando uma estimativa do

deslocamento linear da roda ou da engrenagem em que o encoder está acoplado.

Uma característica peculiar deste método é o seu baixo custo de implementação, visto

que encoder s são dispositivos muito baratos quando comparados com câmaras de vídeo,

lasers ou sonares.

Como a idéia fundamental da odometria é a integração contínua e incremental dainformação que descreve o movimento ao longo do tempo, estamos inevitavelmente

fadados a um acúmulo progressivo do erro a cada iteração. Além de erros sutis, o método

odométrico está sujeito a ocorrência de erros potencialmente críticos, como por exemplo,

derrapagens.

Segundo [Borestein 96], existem basicamente duas categorias em que podemos

classificar os erros odométricos:

• Erros sistemáticos: são assim classificados por serem erros cuja quantificaçãoé proporcional ao longo do tempo e sua ocorrência segue uma freqüência, ou

seja, as diferenças entre os valores reais e os valores esperados são

proporcionais a cada amostragem de dados, sendo possível então, calcular de

antemão o erro para a próxima amostragem. São exemplos de erros

sistemáticos, medidas informadas diferentes das medidas reais (diâmetro das

rodas e distância entre eixos), rodas desalinhadas e decodificadores com

pequena precisão ou com taxa de amostragem menor que a velocidadedesenvolvida pelo robô.



• Erros não sistemáticos: em contraposição aos erros sistemáticos, estes

ocorrem em instantes de tempo aleatórios e imprevisíveis. São classificados

como erros não sistemáticos: patinar devido ao piso escorregadio eacelerações; derrapagens em curvas; falta de contato do encoder com o solo;

irregularidade na pista, dentre outros.

Erros sistemáticos são particularmente graves devido a sua natureza acumulativa ao

longo das iterações, entretanto, dada que sua ocorrência segue a uma cadência

pré-estabelecida, estes também podem ser mais facilmente corrigidos. Talvez o maior

problema dos métodos odométricos sejam os erros não sistemáticos, visto que ocorrem

inesperadamente e podem gerar grandes erros de posicionamento, bastando para isso uma

única ocorrência.

Ilustrativamente, vamos supor que um robô móvel esteja em uma sala e deseje se

movimentar por ela descrevendo uma trajetória em U que passe pelos pontos A, B e C,

conforme mostrado na Figura 6.6. Sabendo-se que sua posição atual é um dos cantos da

sala, podemos decompor o movimento em três etapas iguais que consistem em um

deslocamento de 4 metros para frente, seguido de um giro de 90o. Supostamente, ao realizar

esses movimentos o robô alcançará o ponto C, conforme desejado.

Figura 6.6: Ambiente.

A B

Creferência

4 m e t r o s

4 metros



Devido ao fato da faxineira encerar o piso da sala constantemente, ele é extremamente

liso, o que acaba por provocar a derrapagem da roda esquerda durante a execução da

primeira etapa do movimento — Figura 6.7. Observe que nesta situação o encoder registra

a rotação da roda, o que é entendido pelo sistema como um deslocamento linear de alguns

centímetros, entretanto, devido ao deslizamento, a medida real é diferente da medida que

foi registrada.

Ao final da execução das três etapas que compõem o movimento proposto, o robô

acredita estar na posição C, apesar de seu posicionamento real ser outro. Ao longo do

tempo, após inúmeros movimentos, o erro acumulado pode ser muito grande dada a

ocorrência de fatos desta natureza.

Figura 6.7: Movimento do Robô no Ambiente.

A B

C

A B

C

A B

C

Instante daderrapagem

A B

C



Outro exemplo do uso do modelo odométrico para o posicionamento de robôs pode

ser visto na Figura 6.8, neste experimento foi utilizado o ambiente Saphira juntamente com

o simulador do robô Pionner I. Neste experimento o robô teve que desenhar um quadrado

com 2 metros de lado, iniciando e terminando seu trajeto na marca vermelha, que no inicio

estava o canto inferior direito do quadrado, após 1000 interações é possível observar o

desvio sofrido pelo robô. Por não ter sido utilizado nenhum outro tipo de sensor, o estado

interno do robô acredita que o mesmo se encontra exatamente sobre a marca.

Figura 6.8: Experimento odométrico com o Saphira.



Mesmo aparentemente ineficiente quando apresentado como único método para a

estimativa de posicionamento, os modelos odométricos ainda são largamente utilizados

para localização de robôs móveis, provavelmente por suas características de baixo custo e

pouca exigência de recursos computacionais.

Não obstante, ainda são empregados por muitos pesquisadores em sistemas híbridos,

mostrando-se viáveis quando associado a outras técnicas de localização. Sua utilização

pode ter uma contribuição significativa no desempenho global do sistema, pois permite um

espaçamento maior entre estimativas de posicionamento absoluto, que são

computacionalmente custosas.

6.2.2 Posicionamento Baseado em Mapas

Também chamada de “map matching” [Borentein 96], esta é uma técnica na qual o

robô utiliza, conjuntamente, mapas locais e mapas globais para estimar a localização

absoluta.

Através dos dados coletados por seus sensores, o robô constrói um mapa local do

ambiente. Este mapa é, então, comparado com um mapa global que deve ter sido

armazenado previamente na memória. Quando uma correspondência ocorre, então o robôestá apto para computar sua localização e orientação em relação ao ambiente.

Observe que aplicação deste método independe da técnica de mapeamento

empregada, ou seja, a busca de correlações entre o mapa local e o mapa global pode ser

realizada tanto para os mapas métricos quanto para os mapas topológicos.

A posição do robô é computada de forma que seja minimizada a diferença da

distância entre os pontos do mapa local e suas características correspondentes de mapa

global. Baseado na sua nova posição, as correspondências são recalculadas e o processo serepete até a mudança no erro agregado à distância entre pontos e segmentos de reta sejam

mínimos.



Na Figura 6.9, observa-se uma seqüência de três imagens, onde as repetições que

ocorrem para o estabelecimento das correlações, entre o mapa local (traço mais escuro) e o

mapa global (traço mais claro) são mostradas.

Figura 6.9: Fase em que se estabelece a correspondência entre o Mapa Local

e o Global para um sistema que emprega o paradigma métrico.

6.2.3 Landmarks

Em robótica, o termo landmark pode ser definido como uma característica ou marca

distinta do meio em que um robô está inserido, cuja principal característica é poder ser

reconhecido a partir de dados coletados pelos sensores.

Existem inúmeros trabalhos na literatura sobre Landmarks, tais como, [Owen 98],

[Duckett 99], [Nehmzow 91] e [Greiner 94].

Os Landmarks de um ambiente podem ser dos mais diferentes tipos, como, por

exemplo, figuras geométricas (linhas, quadrados, círculos), texturas, imagens, códigos de

barra, objetos tridimensionais ou pontos luminosos, dentre uma infinidade de outros tipos[Borestein 96].



A tarefa de escolher uma determinada marca para desempenhar o papel de landmark ,

deve ser considerada muito importante, observando-se duas propriedades, que são

desejáveis para todo e qualquer tipo de landmark :

• Ser facilmente identificável: significa procurar escolher as marcas que possuam um alto contraste em relação ao ambiente, por exemplo, em robôs

equipados com sensores fotossensíveis, criar fontes de luz com intensidades

variadas e discrepantes, ou ainda, em sistemas baseados em visão, adotar cores

diferenciadas às cores que compõem o cenário de fundo do ambiente.

• Serem distintos entre si: escolher os Landmarks de forma que sejam

unicamente identificávies dentre o conjunto formado por todos os outros

escolhidos, por exemplo, quando da adoção de Landmarks coloridos, utilizar

cores diferentes para cada um ao invés de variações de tons da cor. Observe

que o caso de Landmarks em forma de códigos de barra, a utilização de

diferentes numerações já proporcionaria este efeito.

Mesmo com uma grande diversidade dos tipos possíveis de marcos a serem

empregados como Landmarks, é possível classificá-los basicamente em dois grupos:

• Landmarks artificiais: são marcas ou objetos projetados - construídos e/ou

determinados pelo homem - com o propósito exclusivo de fornecer ossubsídios necessários que possibilitem a atuação do sistema de navegação. A

Figura 6.10 mostra alguns exemplos de Landmarks artificiais empregados em

sistemas de localização baseados em imagens.

Figura 6.10: Exemplo de Landmarks Artificiais para Sistemas Baseados

em Visão.



• Landmarks naturais: são marcas ou objetos nativos do ambiente, que

desempenham outras funções que não seja necessariamente o suporte para o

sistema de navegação. São exemplos de Landmarks naturais para o ambientede um laboratório marcas como portas, janelas, luminárias, cestos de lixo,

dentre outros objetos característicos deste tipo de ambiente. Na Figura 6.11

pode-se observar alguns Landmarks detectados pelo sistema FINALE

desenvolvido pelo “Robot Vision Laboratory” da Purdue University.

Figura 6.11: Exemplo de Landmarks Naturais para Sistemas Baseados

em Visão.

É importante ter em mente que as Landmarks naturais funcionam melhor em

ambiente altamente estruturados como corredores, chão de fábrica, etc. As Landmarks

naturais são os objetos ou características que já estão no ambiente e possuem outra função

além de auxiliar na navegação do robô.

As Landmarks artificiais são objetos ou marcas especificamente projetados paratornar possível a navegação do robô, por exemplo, marcas visuais, luzes sinalizadoras,

emissores de ondas de rádio, etc. Estas Landmarks podem ser colocados na região de

operação do robô pelos projetistas dos mesmo. Em situações onde não é possível a

instalação de Landmarks artificiais a solução é o uso de Landmarks naturais.



Habitualmente, um landmark tem sua posição fixa e conhecida em relação ao

ambiente. Portanto, uma vez reconhecido pelo robô, podemos estimar a localização do robô

baseado na distância do robô em relação ao(s) landmark (s) observado(s).

Em certos casos, os Landmarks podem representar informações adicionais, como os

que se apresentam em forma de código de barras, que, além de ser um marco por si só

dentro do ambiente, ainda pode expressar alguma informação decodificada sob a forma do

código propriamente dito.

A principal tarefa em um sistema de localização baseado em Landmarks é reconhecer

de forma convicta um landmark e, de posse desta informação, calcular a posição do robô. O

esquema ilustrado na Figura 6.12 mostra as fases de um procedimento genérico para a

determinação do posicionamento de um robô baseado na observação de Landmarks.

Figura 6.12: Esquema Geral para Reconhecimento de Landmarks.

• Aquisição de informações: Periodicamente o robô deve consultar seussensores para adquirir informações provenientes do ambiente. A cada leitura

dos sensores, uma análise dos dados deve ser realizada.

• Detecção e segmentação: Consiste em analisar os dados provenientes dos

sensores em busca dos padrões selecionados como Landmarks para o meio em

que o robô esteja inserido. Cabe aqui ainda, a tarefa de determinar a(s)

distância(s) entre o robô e o(s) landmark (s) observado(s). Nesta etapa, deve-se

evitar ao máximo que a detecção de um Landmarks seja uma busca dentro doconjunto de todos os possíveis Landmarks contidos naquele ambiente, ou seja,

o processo de detecção deve, sempre que possível, descartar a procura de

Landmarks que fisicamente não estejam dentro da área de alcance dos

sensores do robô.

Adquiririnformações dos

sensores

Detectar esegmentar oslandmarks

Estabelecer umacorrespondência

entre os dados e omapa armazenado

Calcular a posição



• Estabelecendo uma correspondência: Nesta etapa cada um dos Landmarks

observados na fase anterior, deve ser correlacionado com os Landmarks

presentes no modelo de mundo interno mantido pelo robô.

• Calcular a posição: é a fase onde efetivamente é determinada a posição dorobô em função das distâncias entre o robô e os Landmarks observados.

O posicionamento utilizando Landmarks tem a vantagem de que erros de posição são

limitados, porém o processo de detectação de Landmarks e a determinação do

posicionamento, em tempo real, podem não ser sempre possíveis.

A detecção e estabelecimento de uma correlação entre os dados captados pelos

sensores e as informações armazenadas no modelo de mundo, ainda consistem nas

principais dificuldades encontradas pelas implementações de sistemas de localização baseado em Landmarks. Por este motivo, as Landmarks devem ser cuidadosamente

escolhidas para serem facilmente reconhecidas pelo robô.

A primeira questão é determinar se uma landmark deve ser selecionada previamente

por um operador humano ou pelo próprio robô em tempo de execução. Considerando-se

que o ser humano e o robô possuem diferentes percepções de um mesmo ambiente, é

interessante que o robô selecione ele próprio suas Landmarks. De fato, os melhores

resultados com o uso de Landmarks vem sendo obtidos em sistemas onde o próprio robôdetermina quais são suas Landmarks.

O segundo aspecto diz respeito a forma com que as informações referentes a uma

landmark devem ser armazenadas. É importante utilizar um método de armazenamento que

permita a identificação de uma landmark de forma eficiente, considerando o ângulo de

observação da mesma, as condições de iluminação, etc. Além de preservar as diferenças

naturais existentes entre as diversas Landmarks mantendo o grau de confusão entre estas

baixo.Dentre as abordagens estudadas, a descrita em [Nehmzow 00] parece ser a mais

adequada a este projeto. Nesta abordagem as entradas dos sensores são transformadas, por

uma rede neural, em um vetor (R-Vetor) que representa o resultado da integração das

entradas para uma determinada posição. Cada posição deve possuir um R-Vetor único.



Partindo-se da similaridade entre dois R-Vetores é possível determinar se estão próximos

os locais correspondentes a esses R-Vetores. Com isto é possível desenvolver uma função

que determine o grau de crença na proximidade do robô de um ponto conhecido.

Usualmente, a localização L de um robô móvel é representada por uma tupla

<x,y,A>, onde x e y representam as coordenadas cartesianas e A a direção para qual o robô

está virado. No modelo proposto a localização do robô é dada por L:µ, onde µ representa a

crença associada a L.

6.3 Planejamento da rota

Diversas são as abordagens de planejamento que podem ser utilizadas nesta classe

de aplicação. A idéia para o planejamento de caminhos é deixar o robô sempre se mover em

um caminho de custo mínimo até o alvo - ou ao alvo mais próximo, se existir vários - sento

este o mais seguro possível.

A eficiência do sistema de planejamento está vinculada a estrutura utilizada na

representação do mapa. Utilizando-se mapas baseados em uma abordagem de grid ou

topológica é possível gerar rotas utilizando-se de conhecidos algoritmos de buscamodificados.

6.4 Execução do Plano

Este módulo é responsável por executar o plano, controlar a velocidade, a direção

do robô e evitar colisões. Seu funcionamento deve ser baseado nas mais recentes leituras

dos sensores e em seu conhecimento prévio sobre a rota - tipo de piso, possibilidade de

encontrar obstáculos, etc.



O módulo responsável pela execução do plano deve receber versões atualizadas do

mapa e da posição do robô. De tal forma que o mesmo possa efetuar pequenos ajustes no

plano gerado. Quando forem necessário realizar grandes mudanças no plano, o planejador

deve ser novamente acionado.

A Figura 6.13 contém os principais componentes de um sistema de navegação para

robôs móveis. O mapa , a posição atual e outras informações referentes ao robô e ao

mundo estão armazenadas no módulo de modelagem. O planejamento das rotas e a

execução das mesmas são realizados em módulos específicos. As informações geradas

pelos sensores são divididas em dois grupos:

• Informações relacionadas ao ambiente —originadas de sensores como:

sistema de visão, sonar, sensor de infra-vermelho, etc. —, chamadas de

Percepção Externa e

• Informações relacionadas ao status do robô —originadas de sensores internos

como: encoder das rodas, nível de carga das baterias, compasso digital, etc. —

, chamadas de Percepção Interna.

Esta distinção é importante porque o tratamento dado a cada um dos grupos deve ser

diferenciado.



Figura 6.13: Módulos de um Sistema de Navegação.

Ambiente

Robô

Execução

PlanejamentoModelagem

Documents

Navegação de Robôs Móveis