-
ESTRATÉGIA DE NAVEGAÇÃO AUTÔNOMA ENTRE FILEIRAS DE
CULTIVARESBASEADA EM LASER
Randerson A. de Lemos∗, Gabriel Sobral ∗†, Luiz G. B. Mirisola‡,
Renato Martins †§,Mauro F. Koyama†, Ely C. de Paiva∗, Samuel S.
Bueno†
∗Universidade Estadual de Campinas - DSI/FEM/UNICAMPRua
Mendeleyev, 200, Cidade Universitária, 13083-860, Campinas, SP,
Brasil
†Centro de Tecnologia da Informação Renato Archer - CTID.Pedro I
(SP-65) - km.143.6, 13069-901, Campinas, SP, Brasil
‡Instituto Tecnológico de Aeronáutica - IEC/ITAPraça Marechal
Eduardo Gomes, 50, 12228-900, São José dos Campos, SP, Brasil
§Inria Sophia Antipolis - Méditerranée2004, route des Lucioles -
BP 93, 06902 Sophia Antipolis, France
Emails: [email protected], [email protected],
[email protected],[email protected], [email protected],
[email protected],
[email protected]
Abstract— This article presents an autonomous navigation
strategy in cultivars planted in line. With alow-cost sensory
solution, the strategy is based on a single 2D sweep laser sensor.
Using the RANSAC algorithmand the Kalman filter, the information
provided by the laser is processed and a reference path is
obtained. A PIcontroller, which considers the look ahead error, is
synthesized and used for the guidance of the platform by
thereference path. Real data, collected in an experiment conducted
between rows of a coffee plantation, are used forpreliminary
validation and adjustment of the path generation method and, in a
simulated environment, the gainvalues of the control strategy are
specified.
Keywords— Autonomous Navigation, Cultivars, Outdoor Robotics,
RANSAC.
Resumo— Este artigo apresenta uma estratégia de navegação
autônoma em cultivares plantados em linha.Calcada em um solução
sensorial de baixo custo, a estratégia utiliza um único sensor
laser de varredura 2D. Apartir do algoritmo RANSAC e do filtro de
Kalman, as informações disponibilizadas pelo laser são processadase
um caminho de referência é obtido. Um controlador PI, que considera
o erro de distância projetada (lookahead error), é sintetizado para
o guiamento, pelo caminho de referência, da plataforma. Dados
reais, coletadosem um experimento realizado entre fileiras de um
cafezal, são utilizados para validação e ajuste preliminar dométodo
de obtenção de caminhos e, em um ambiente simulado, valores dos
ganhos da estratégia de controle sãoespecificados.
Palavras-chave— Navegação Autônoma, Cultivares, Robótica de
Exterior, RANSAC.
1 Introdução
Um importante ramo da robótica é aquele voltadopara aplicações
agrícolas, cujo objetivo principalé o de aumentar a produtividade
das unidadesrurais por meio da mecanização e automatizaçãodo seu
maquinário. Cada vez mais descritos naliteratura, os trabalhos em
robótica de exterior vêmdesenvolvendo plataformas capazes de se
locomoverautonomamente em ambientes de cultivares (Bayaret al.,
2015; Hiremath et al., 2014; Thanpattranonet al., 2016).
Para o cultivo de pomares, Bayar et al. (2015)desenvolveram
quatro plataformas de estruturamodular capazes de se locomover
autonomamentepor entre fileiras de plantios de maçã e pêssego.Para
o cultivo de lavouras, Hiremath et al. (2014)desenvolveram uma
pequena plataforma de me-nos de um metro de comprimento habilitada
ase movimentar autonomamente por um milharal.Já Thanpattranon et
al. (2016) desenvolveramuma plataforma com capacidades autônomas
cons-
tituída de um trator e uma carreta a ele fixada.A solução aqui
apresentada para o problema
de navegação autônoma em cultivares é calcada emuma estratégia
sensorial de baixo custo que utilizaum único sensor laser de
varredura 2D. A soluçãounissensorial utilizada diferencia a
estratégia aquiproposta das demais presentes na literatura, quesão,
na sua grande maioria, multissensoriais. Aplataforma alvo é um
veículo de 4 rodas com di-reção dianteira em configuração
Ackermann. Oproblema é abordado em duas etapas: Uma quecompõe os
métodos de obtenção de um caminho dereferência e outra que compõe
os métodos de con-trole de guiamento da plataforma ao longo
dessecaminho.
Na seção 2 a plataforma alvo é mostrada, naseção 3 a formulação
do problema é desenvolvidae a metologia da solução descrita. Na
seção 4 osdois principais métodos utilizados pela estratégiade
obtenção de caminhos e na seção 5 a estratégiade controle usada são
apresentados. Na seção 6 osresultados são mostrados, sendo baseados
em dados
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
ISSN 2175 8905 1055
-
reais os associados à obtenção de caminhos dereferência e
baseados em um ambiente simulado osassociados ao controle de
guiamento da plataforma.Finalmente, na seção 7 conclusões finais
são feitas.
2 Plataforma e Arcabouço
O veículo considerado, mostrado na Figura 1, éuma plataforma
experimental de 4 rodas com doismotores elétricos independentes
atuando nas rodastraseiras e direção nas rodas dianteiras em
configu-ração Ackermann. Concebida no projeto VeículoRobótico de
Exterior (VERO) pela Divisão de Ro-bótica e Visão Computacional
(DRVC) do Centrode Tecnologia da Informação Renato Archer (CTI),a
plataforma é dotada de sensores e processado-res embarcados, de uma
estação de operação, desistemas de comunicação e de um arcabouço
desoftwares (Bueno et al., 2009). As suas funções de
LIDAR
Figura 1: Veículo robótico de exterior (VERO), sa-lientando o
sensor laser LIDAR Hokuyo UTM30LXinstalado a 70 cm do chão.
mais alto nível estão implementadas sobre a fra-mework
denominada The Robot Operating System(ROS), que proporciona um
ambiente de imple-mentação versátil e favorável às interações
entreelementos reais e simulados. É neste ambiente queestão
disponíveis dados reais de um experimentorealizado com um sensor
laser Light Detection AndRanging (LIDAR) de modelo UTM30LX e
marcaHokuyo realizado no cafezal do Centro Experimen-tal Central
(CEC), antiga fazenda Santa Elisa,do Instituto Agronômico de
Campinas (IAC), quesão utilizados para uma validação preliminar
daestratégia proposta de obtenção de caminhos.
3 Formulação do Problema
A obtenção de um caminho de referência para oproblema abordado
de navegação autônoma emcultivares é caracterizada por plantios de
espéciesde médio e grande porte de caule lenhoso comolaranjeiras,
macieiras, pés de café e outros. Essasespécies, geralmente
plantadas em linha, formamlongas fileiras e, por sua vez, longos
corredores,como mostrado na Figura 2. Nesse ambiente, oproblema de
navegação autônoma ocorre pelasfileiras das espécies cultivadas e a
obtenção de umcaminho de referência, pela determinação de uma
Figura 2: Fileira de um cafezal.
reta localizada ao longo dos corredores, a qual,idealmente, é a
reta central.
Diferente de corredores indoor, os quais geral-mente são bem
definidos e estruturados, os corredo-res de cultivares apresentam
dificuldades como: ter-reno com diferentes inclinações, copas
irregulares,galhos e folhagens que invadem a área navegável,ervas
daninha e fileiras com falhas e desalinhadas(Bayar et al., 2015).
Outro agravante é a ilumina-ção e as condições climáticas, que são
variáveis aolongo do dia. Na busca de soluções robustas à
essasdificuldades, muitas estratégias foram propostas,dentre as
quais destacam-se as baseadas em GPS’sde precisão (Bakker et al.,
2011), em câmeras (dosSantos et al., 2013) e em sensores laser
LIDAR(Bayar et al., 2015).
Visando a simplicidade e um compromisso en-tre custo e robustez,
a estratégia aqui proposta ébaseada em um único sensor laser LIDAR.
Ele ésubstancialmente menos oneroso que os GPS’s deprecisão, que
chegam a custar em média 40 mildólares (Bayar et al., 2015), e
também, diferente-mente dos anteriores, não está sujeito a
problemasde oclusão de área, nem de perda de sinal. Com re-lação às
câmeras e diferentemente delas, o sistemaescolhido é invariante às
condições de iluminaçãodo ambiente (Hiremath et al., 2014).
O uso de um único sensor laser LIDAR (verFigura 1) é uma
importante característica destetrabalho, que o diferencia dos
demais encontra-dos na literatura (Bayar et al., 2015; Bergermanet
al., 2015; Hiremath et al., 2014; Thanpattranonet al., 2016). Por
exemplo, Bergerman et al. (2015)apresentam uma solução semelhante
mas que uti-liza, além de um sensor laser LIDAR,
marcaçõesartificiais ao longo das fileiras, um GPS e encoders.
O processo de obtenção de um caminho dereferência inicia-se com
o processamento das infor-mações disponibilizadas pelo sensor laser
LIDAR.Essas informações formam um conjunto de dadosbidimensional
chamados de ‘nuvem de pontos’, quereproduzem os elementos
geométricos do ambientelocalizados dentro do campo de visão do
equipa-mento, como mostrado na Figura 3.
A percepção dos corredores, dependendo dascaracterísticas da
parede verde formada pelo cul-tivar, pode ser bastante complexa. No
caso docafezal do CEC, devido às irregularidades do plan-tio e da
baixa densidade de folhagens, não raro, o
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1056
-
outra fileira
fileiras adjacentes
Figura 3: Nuvem de pontos disponibilizadas pelosensor laser
LIDAR no cafezal do CEC.
sensor laser LIDAR captura informações de outrasfileiras que não
das adjacentes à plataforma (verFigura 3). Nessa situação, dados
irrelevantes sãoacrescidos à ‘nuvem de pontos’ e o processo
deidentificação das fileiras adjacentes prejudicado. Asolução
considerada para essa questão consiste dadefinição de uma janela de
interesse com a qualfiltra-se a ‘nuvem de pontos’. Como ilustrado
na
l
w
Figura 4: Nuvem de pontos disponibilizadas pelosensor laser
LIDAR no cafezal do CEC com janelade interesse em verde.
Figura 4, as variáveis w e l, largura e comprimentoda janela de
interesse, devem ser ajustadas paraque apenas os pontos associados
ao corredor detranslado da plataforma sejam selecionados.
Filtrada a ‘nuvem de pontos’, procede-se paraa identificação das
fileiras, a qual é realizada pordois ajustes de reta, um com
relação aos dadoslocalizados à esquerda e outro com relação
aosdados localizados à direita da plataforma. Osdados
disponibilizados pelo sensor laser LIDAR,para o ajuste das retas,
são ruidosos e podemapresentar outliers 1 ou uma distribuição
diferenteda normal. Dadas essas condições, o ajuste a partirdo
método dos Mínimos Quadrados é inviabilizadoe a escolha de outro
método se faz necessária.
Dentre os métodos que se prestam aos pro-blemas de estimação de
parâmetros baseados em
1Devido à ocorrência de erros durante o processo deamostragem,
alguns dados podem apresentar valores aber-rantes que não condizem
com os valores da maioria dosdemais dados amostrados. Esses dados,
denominados deoutliers, geralmente precisam ser tratados
adequadamentepara, assim, não comprometerem o desempenho dos
mé-todos utilizados. Por sua vez, os dados que apresentamvalores
condizentes com os apresentados pela maioria dosdemais dados
amostrados são denominados de inliers.
dados, o escolhido foi o Random Sample Consen-sus (RANSAC)
(Fischler and Bolles, 1981). Essemétodo é um algoritmo de estimação
iterativo, nãodeterminístico e robusto a outliers. A sua
escolhajustifica-se pelos seus elevados valores de ponto
debreakdown2 (Zuliani, 2009).
Após ajustado o par de retas suportes às fi-leiras adjacentes à
plataforma, um caminho dereferência pode ser obtido pelo cálculo da
reta bis-setriz associada ao par. Na Figura 5, em vermelho,as retas
suporte obtidas pelo RANSAC e, em azul,a reta bissetriz à elas
associada são apresentadas.Durante o deslocamento da plataforma,
‘nuvens
reta bissetriz
Figura 5: Retas suporte e bissetriz (reta de refe-rência).
de pontos’ são sucessivamente obtidas, juntamentecom a
respectiva reta bissetriz. As retas bisse-trizes, sequencialmente
obtidas, apresentam umcomportamento estocástico que desfavorece
seuuso como referência pelo controle de guiamento daplataforma, de
modo que é necessária a considera-ção de alguma técnica de
filtragem. Das técnicasexistentes, optou-se por se utilizar o
Filtro de Kal-man devido às suas características de estimadorótimo
para o cenário gaussiano com relação ao erroquadrático médio e de
estimador ótimo linear paraos outros cenários.
4 RANSAC e Filtro de Kalman
O algoritmo RANSAC é um estimador de parâ-metros de modelo
baseado em dados e robusto aoutliers. Esse algoritmo assume que,
dentro do con-junto formado por todos os dados, denominado
deConjunto Total (CT), existe um conjunto de dadosnão contaminados,
isto é, um conjunto de inliers.O algoritmo busca identificar tal
conjunto para,na sequência, usá-lo na estimação dos parâmetrosdo
modelo.
O processo de identificação pelo RANSAC doconjunto de inliers
possui duas etapas: uma de hi-pótese e outra de validação. Na etapa
de hipótese,um conjunto denominado de Conjunto Mínimo(CM) é formado
pela seleção aleatória de elemen-tos do CT. A quantidade de
elementos selecionadosé igual ao menor número de elementos
necessários
2 Ponto de breakdown é uma medida da robustez dosestimadores à
outliers e é interpretado como a proporçãomínima de outliers
necessária para corromper as suas esti-mativas (Zuliani, 2009).
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1057
-
para se calcular os parâmetros do modelo que se de-seja estimar.
No caso do problema de identificaçãodas retas suporte às fileiras
da espécie cultivada, omodelo utilizado ax+ by+ c = 0 é o de uma
reta eassim, neste caso, dois elementos são escolhidos doCT para
formação do CM. A etapa de hipótese éfinalizada pelo cálculo dos
parâmetros do modeloa partir dos elementos do CM formado. Na
etapade validação, um outro conjunto de dados, denomi-nado de
Conjunto de Consenso (CC), é formado.Os elementos do CT
selecionados para formação doCC são aqueles que se encontram
distantes, de nomáximo um limiar γ, do modelo especificado peloCM,
como mostrado na Figura 6 para o modelo deuma reta. O processo de
formação dos CM’s e dos
CM
CC
2γ
Figura 6: Formação do CM e do CC associado.Em verde, subconjunto
de inliers procurado.
CC’s associados é repetido até um determinado nú-mero de vezes n
que é definido, assim como o limiarγ, estatisticamente ou
empiricamente (Hartley andZisserman, 2003). Um dos vários CC’s
obtidos éselecionado para ser o conjunto de inliers. Para aseleção,
o número de elementos dos CC’s é avali-ado e o conjunto com maior
número é selecionado,como mostrado na Figura 7, na qual são
ilustradostrês CC’s, um com 2, outro com 3 e mais um com6
elementos. O CC selecionado para ser o conjunto
outliers
#CC = 2
#CC = 3
#CC = 6
Figura 7: Ilustração de três iterações pelo RAN-SAC. #CC :
número de elementos do CC.
de inliers, destacado em vermelho, é, de fato, oconjunto de
inliers, apresentados em verde, do CT.Finaliza-se a etapa de
validação com a obtençãodo conjunto de inliers, o qual é utilizado
para esti-mar os parâmetros do modelo. Neste trabalho, ométodo de
estimação utilizado é uma variação dométodo dos Mínimos Quadrados
chamado de mé-todo dos Quadrados Mínimos Total que consideranão só
erros na variável y mas também na variávelx (Lee, 1994).
Estimadas ambas as retas suporte associadas
ao corredor de translado, a reta bissetriz a elasassociada é
calculada e na sequência filtrada pelofiltro de Kalman (Bar-Shalom
et al., 2004). Osseguintes modelo de estados
x(k + 1) =
[1 00 1
]x(k) + w(k)
e modelo de medidas
z(k) =
[1 00 1
]x(k) + v(k)
são utilizados. Os elementos do estado x(k) =(α, β)ᵀ são os
coeficientes angular e linear da retay = αx+ β, e w(k) e v(k) são
os vetores de ruídobranco de distribuição gaussiana com média nulae
matrizes de covariância, respectivamente, Q e R.
Análise de Robustez do RANSAC:
Uma análise sobre a robustez de três estimadoresé apresentado a
seguir. Os estimadores compara-dos são: O método dos Mínimos
Quadrados, umM-estimador baseado na distribuição de Cauchy-Lorentz
(Zuliani, 2009) e o RANSAC. Para a com-paração, quarenta pontos que
obedecem uma re-lação linear foram gerados ruidosamente a partirde
uma distribuição gaussiana de média nula edesvio padrão σ. Em
seguida, alguns pontos foramcorrompidos de modo a perderem sua
identidadecom os demais e se tornarem outliers. Três gráficosdessa
análise são apresentados na Figura 8.
Dados não contaminados
RANSACMQME
Dados com 10% de outliers
Dados com 40% de outliers
Figura 8: Ajustes realizados pelos método dosMínimos Quadrados
(MQ), M-estimador (ME) eRANSAC.
O primeiro gráfico apresenta os ajustes alcan-çados pelos
métodos para o cenário de dados nãocontaminados. Em tal cenário não
há diferençasignificativa entre os ajustes dos estimadores
com-parados. O segundo gráfico apresenta os ajustesalcançados para
o cenário de 10% de contaminaçãodos dados por outliers (4
outliers). O ajuste dométodo dos Mínimos Quadrados, nesse
cenário,já não reflete o comportamento linear dos dados.O
M-estimador e o RANSAC seguem com ajus-tes adequados. O último
gráfico exibe os ajustespara o cenário de 40% de contaminação dos
dados
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1058
-
por outliers (16 outliers). E, por fim, não só ométodo dos
Mínimos Quadrados, mas também oM-estimador apresenta um ajuste que
não refleteo comportamento linear dos dados. O RANSACcontinua
obtendo o ajuste desejado, mesmo nacondição de 40% de contaminação
dos dados poroutliers.
5 Estratégia de Controle
Já validada no âmbito do projeto AURORA(Azinheira et al., 2000),
a estratégia de controleutilizada destaca-se pela contemplação
simultâneados erros lateral δ e de orientação �, mostradosna Figura
9, com relação a uma trajetória a serseguida em uma única
equação.
~V
~V
δ
δv�
‖~V‖∆t
referência
Figura 9: Interpretação geométrica dos erros late-ral e
previsto.
Para acomodar ambos os erros em uma únicaequação, o erro
resultante δr é formado por duasparcelas, as quais são o próprio
erro lateral δ e oerro previsto δv, conhecido como look ahead
error(LAD), associado à expectativa de evolução do errolateral δ
(ver Figura 9). Se para um intervalo detempo ∆t, a velocidade
inercial ~V for consideradaconstante a aproximação
δr = δ + δv ≈ δ + δ̇∆t = δ + ~V⊥∆t,
é válida, em que ~V⊥ é igual a ‖~V ‖sin(�) ou, paravalores
pequenos do erro angular �, igual a ‖~V ‖�.O erro resultante δr,
quando inserido em um con-trolador proporcional integral (PI) e
após algumasmanipulações, permite a obtenção da lei de
con-trole
u(t) = (Kp +Ki∆t)︸ ︷︷ ︸KP
δ + Ki︸︷︷︸KI
∫δdt+Kp∆t︸ ︷︷ ︸
KV
~V⊥,
onde Kp e Ki são os ganhos do PI. Em uma formamais compacta,
essa lei pode ser reescrita como
u(t) = KP δ +KI
∫δdt+KV ~V⊥,
a qual é a lei de controle resultante considerada(Azinheira et
al., 2000).
6 Resultados
A primeira parte desta seção contempla os resulta-dos associados
à obtenção de um caminho (reta)de referência e a segunda parte, os
resultados asso-ciados à estratégia de controle. A primeira
partediz respeito a resultados já coletados experimen-talmente e a
segunda, a resultados obtidos emsimulação.
Caminho de referência:
Os resultados apresentados, mostrados na Figura10, foram obtidos
a partir dos valores de 5.0me 5.2m para, respectivamente, a largura
w e ocomprimento l da janela de interesse, de 0.15mpara o limiar de
distância γ do RANSAC e de[
1 00 1
]e
[350 00 350
]para as matrizes de covariância, respectivamente,Q e R do
filtro de Kalman (o primeiro elemento dasmatrizes de covariância é
adimensional e o segundoé m2). As imagens da Figura 10 sintetizam
as in-
0 1 2 3 4 5
0
2
4
outliers
trecho de outra fileira
outros pontospontos de interesse
retas suportereta de referência
0 1 2 3 4 5
0
2
4 outliers
[m]
0 1 2 3 4 5
0
2
4 outliers
[m]
Figura 10: Obtenção de caminhos de referênciapara três
diferentes instântes.
formações de três instantes diferentes do processode obtenção
dos caminhos (retas) de referência ba-seado nos dados reais
coletados no cafezal do CECe de acordo com a estratégia aqui
proposta. Asimagens mostram os problemas de identificação,pelo
sensor laser LIDAR, de múltiplas fileiras ede contaminação dos
dados por outliers, além de
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1059
-
explicitar a robustez da estratégia utilizada. Asimagens
apresentam, em preto, os pontos locali-zados fora da janela de
interesse e, em azul, ospontos localizados dentro. Também
apresentam,em vermelho, as retas ajustadas pelo RANSAC e,em azul, o
caminho de referência, que nada mais éque a reta bissetriz filtrada
pelo Filtro de Kalman.
Nota-se das imagens, a importância da janelade interesse, sem a
qual, os pontos em preto, daprimeira imagem, teriam sido
desnecessariamenteconsiderados para o ajuste das retas suporte.
Tam-bém verifica-se a importância do algoritmo RAN-SAC para o
ajuste robusto das retas suporte, quelidou adequadamente com os
outliers do conjuntode pontos localizados dentro da janela de
interesse.E por último, em todas as imagens, um caminhode
referência (reta bissetriz filtrada pelo filtro deKalman) que passa
pela região central do corredorde translado foi satisfatoriamente
obtido.
Estratégia de controle:
Os resultados desta parte consistem de um pri-meiro conjunto de
valores para os ganhos da es-tratégia de controle utilizada.
Obtidos em umambiente simulado, esses valores serão o ponto
departida para um posterior ajuste fino, realizado di-retamente na
plataforma em ambiente real. Como,em um primeiro momento, almeja-se
o problemade navegação autônoma por entre as fileiras decultivares
à baixas velocidades, o modelo escolhidopara representar a
plataforma no ambiente simu-lado foi o cinemático que assume não
deslizamentoe não escorregamento das rodas. Esse modelo
éespecificado pelas equações (Martins et al., 2011)
dx
dt= vcos(θ),
dy
dt= vsin(θ),
dθ
dt= vtan(φ)/L,
em que x, y e θ são a posição e a orientação daplataforma, L é o
seu comprimento e φ é o ângulode esterçamento das rodas. Nesse
modelo, tambémconsiderou-se um ângulo φMAX e uma taxa φ̇MAXde
esterçamento máximos. Os valores escolhidospara os parâmetros L,
φMAX e φ̇MAX estão deacordo com os apresentados pela plataforma e
são,respectivamente, 2.3m, 20◦ e 20◦/s. O sistemade controle
modelado atua discretamente a umafrequência de 10Hz. Diversas
simulações foramfeitas para diferentes valores de ganhos e pela
aná-lise da evolução dos estados da plataforma, bemcomo, dos erros
e do sinal de controle chegou-seaos seguintes valores para os
ganhos da estratégiade controle:
KP = 1.000 KI = 0.050 KV = 2.100
Os caminhos considerados no ambiente simuladoforam selecionados
das retas computadas pela es-tratégia utilizada de obtenção de
caminhos de refe-rência quando aplicada sobre os dados reais do
ca-fezal do CEC. Para a condição inicial de x = 0.0m,
y = 1.0m, θ = 0.0◦, φ = 0.0◦, v = 1.5m/s a evo-lução do ângulo
de esterçamento φ, do sinal decontrole u e do erro lateral δ são
apresentados naFigura 11. Já na Figura 12, em preto, a evolução
0 5 10 15 20
−20
0
20
[gra
us]
ângulo de esterçamento φsinal de controle u
0 5 10 15 20
−1
−0.5
0
0.5
[s]
[m]
erro lateral δ
Figura 11: Evolução temporal dos ângulo de es-terçamento φ e do
sinal de controle u (primeirafigura). Evolução temporal do erro
lateral δ (se-gunda figura).
da posição do modelo para a condição inicial men-cionada e, em
azul, a reta de referência utilizadapela estratégia de controle e
obtida dos dados reaisdo cafezal do CEC são apresentados. Na figura
11,
t=2.5s
0 5 10 15−0.5
0
0.5
1 t=5.0s
0 5 10 15−0.5
0
0.5
1
t=7.5s
0 5 10 15−0.5
0
0.5
1
[m]
t=10.0s
0 10 20 30−0.5
0
0.5
1
t=15.0s
0 10 20 30−0.5
0
0.5
1
[m]
t=20.0s
0 10 20 30−0.5
0
0.5
1
[m]
Figura 12: Diferentes instantes da evolução daposição do modelo,
apresentação em azul da retade referência fornecida pela estratégia
de obtençãode caminhos a partir dos dados reais do cafezal doCEC.
Em verde, referência ideal.
verifica-se a saturação do sinal de controle apenasnos primeiros
5s de simulação, o que aconteceu por-que o modelo simulado iniciou
o seu translado comalto erro lateral. Após o modelo alcançar a
retade referência, o sinal de controle apresentou ape-nas uma
pequena oscilação associada à variações
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1060
-
da reta de referência. O erro lateral rapidamenteconvergiu para
valores em torno de zero e nãoapresentou significativo overshoot.
Na figura 12,observa-se que o modelo, após convergir para areta de
referência, se mantém nas proximidadesdo que seria a reta de
referência ideal, ou seja ocentro real dos corredores de
translado.
7 Conclusões
Apresentou-se, neste trabalho, uma descrição doproblema de
navegação autônoma em cultivaresdispostos em linha e uma estratégia
de obtenção,a partir das informação disponibilizadas por umúnico
sensor laser LIDAR, de um caminho de re-ferência localizado entre
os corredores formadospelas fileiras de cultivares. A questão da
robustezdos estimadores, em particular do RANSAC, foiabordada. A
estratégia de controle utilizada parao guiamento da plataforma
também foi apresen-tada. Caminhos de referência com relação a
dadosreais dos corredores do plantio de café do CECforam obtidos a
partir da estratégia utilizada deobtenção de caminhos e,
finalmente, valores preli-minares para os ganhos da estratégia de
controleforam especificados em ambiente simulado.
Do exposto, conclui-se que o conjunto de mé-todos utilizados
para obtenção de um caminho dereferência e para o guiamento da
plataforma estãoajustados e funcionando adequadamente. Para
ostrabalhos futuros, pretende-se realizar a validaçãoexperimental
da estratégia de navegação autônomaem cultivares.
Agradecimentos
Os autores agradecem os apoios da CAPES (N.33003017022P0), do
projeto INCT - SAC - Sis-temas Autônomos Colaborativos (CNPq.
N.465755/2014-3 e FAPESP N. 2014/50851-0) e doprojeto Verde (FAPESP
N. 2014/02672-9).
Referências
Azinheira, J. R., de Paiva, E. C., Ramos, J. andBueno, S.
(2000). Mission path following foran autonomous unmanned airship,
Roboticsand Automation, 2000. Proceedings. ICRA’00.IEEE
International Conference on, Vol. 2,IEEE, pp. 1269–1275.
Bakker, T., van Asselt, K., Bontsema, J., Mül-ler, J. and van
Straten, G. (2011). Autono-mous navigation using a robot platform
ina sugar beet field, Biosystems Engineering109(4): 357–368.
Bar-Shalom, Y., Li, X. R. and Kirubarajan, T.(2004). Estimation
with applications to trac-king and navigation: theory algorithms
andsoftware, John Wiley & Sons.
Bayar, G., Bergerman, M., Koku, A. B. andilhan Konukseven, E.
(2015). Localizationand control of an autonomous orchard vehi-cle,
Computers and Electronics in Agriculture115: 118–128.
Bergerman, M., Maeta, S. M., Zhang, J., Freitas,G. M., Hamner,
B., Singh, S. and Kantor, G.(2015). Robot farmers: Autonomous
orchardvehicles help tree fruit production, IEEE Ro-botics &
Automation Magazine 22(1): 54–63.
Bueno, S. S., Azevedo, H., Mirisola, L. G. B.,de Paiva, E. C.,
Ramos, J. J. G., Victorino,A. C. and Azinheira, J. R. (2009). Uma
pla-taforma para pesquisa e desenvolvimento emrobótica terrestre de
exterior, IX Simp. Bras.de Automação Inteligente, (SBAI),
Brasilia,DF.
dos Santos, E. B., Mendes, C. C. T., Osorio, F. S.and Wolf, D.
F. (2013). Bayesian networksfor obstacle classification in
agricultural envi-ronments, Intelligent Transportation
Systems-(ITSC), 2013 16th International IEEE Con-ference on, IEEE,
pp. 1416–1421.
Fischler, M. A. and Bolles, R. C. (1981). Randomsample
consensus: a paradigm for model fit-ting with applications to image
analysis andautomated cartography, Communications ofthe ACM 24(6):
381–395.
Hartley, R. and Zisserman, A. (2003). Multipleview geometry in
computer vision, Cambridgeuniversity press.
Hiremath, S. A., Van Der Heijden, G. W.,Van Evert, F. K., Stein,
A. and Ter Braak,C. J. (2014). Laser range finder model
forautonomous navigation of a robot in a maizefield using a
particle filter, Computers andElectronics in Agriculture 100:
41–50.
Lee, S. L. (1994). A note on the total least squarefit to
coplanar points, Technical report, Tech.Rep. ORNL-TM-12852, Oak
Ridge NationalLaboratory.
Martins, R. J., Bueno, S. S., Mirisola, L. G. B.,de Paiva, E. C.
and Ferreira, P. A. V. (2011).Cinemática e localização em robótica
terrestreusando múltiplos encoders, Simpósio Brasi-leiro de
Automação Inteligente-SBAI.
Thanpattranon, P., Ahamed, T. and Takigawa, T.(2016). Navigation
of autonomous tractor fororchards and plantations using a laser
rangefinder: Automatic control of trailer positionwith tractor,
Biosystems Engineering 147: 90–103.
Zuliani, M. (2009). Ransac for dummies, VisionResearch Lab,
University of California, SantaBarbara.
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
1061
