SLAM visual aprimorado e planejamento de caminho para navegação autônoma de robôs móveis com rodas

Resumo

Este estudo apresenta uma abordagem para melhorar a navegação interna autônoma WMR, otimizando SLAM visual e algoritmos de planejamento de caminho. Ele integra a fusão de vários sensores, aprimora a extração de recursos e aplica técnicas de otimização de trajetória para melhor localização, prevenção de obstáculos e caminhos mais suaves, demonstrando desempenho superior em ambientes reais e simulados.

Resumo

Esta pesquisa se concentra em tecnologias importantes usadas na navegação autônoma de robôs móveis com rodas, como otimização de planejamento de caminhos, integração de sistemas e avanços em técnicas de localização e mapeamento simultâneos visuais (SLAM). Uma abordagem aprimorada é sugerida para superar problemas de localização na odometria visual tradicional causados por pontos de recursos duplicados ou distribuídos de forma desigual. Essa abordagem combina correspondência de recursos EPNP (Efficient Perspective-n-Point), otimização de pose de ponto mais próximo iterativo (ICP) e gerenciamento de recursos baseado em quadtree. De acordo com os resultados experimentais, o método sugerido aumenta muito a precisão e a estabilidade da localização. Uma técnica de reconstrução de nuvem de pontos densa baseada em dados RGB-D é desenvolvida para melhorar a integridade e os detalhes da representação ambiental, ao mesmo tempo em que mitiga a dispersão frequentemente vista em mapas de nuvens de pontos produzidos por sistemas SLAM convencionais. A fim de melhorar a qualidade do caminho e a eficiência computacional, é apresentado um método aprimorado de árvore aleatória de exploração rápida (RRT), que incorpora gerenciamento adaptativo do tamanho da etapa, viés de meta e suavização de caminho baseada em B-spline. Além disso, a prevenção de obstáculos locais em tempo real em situações dinâmicas é possível graças à integração do algoritmo Timed Elastic Band (TEB). Testes abrangentes do mundo real confirmaram a utilidade das soluções sugeridas em termos de eficiência, robustez e aplicabilidade prática depois de implementadas em uma plataforma experimental baseada no Robot Operating System (ROS).

Introdução

O potencial e os padrões de aplicação da robótica estão passando por um período de rápida transformação, impulsionado pelos avanços nas tecnologias de inteligência artificial. Nos últimos anos, a Localização e Mapeamento Visual Simultâneo (Visual SLAM) e sua extensão aos Sistemas de Navegação Visual-Inercial (VINS) fizeram progressos substanciais em termos de robustez e precisão de localização¹. Para aumentar a confiabilidade da inicialização em condições desafiadoras, como baixa textura e pouca iluminação, Campos et al. propuseram o ORB-SLAM3, que introduz um sistema multimapa e inicialização aprimorada para sistemas visuais e visual-inerciais². Para melhorar a correspondência de recursos em cenários desafiadores, DeTone et al. desenvolveram o SuperPoint, um método auto-supervisionado de detecção e descrição de pontos de interesse³, enquanto Sarlin et al. criaram o SuperGlue, um matcher de recursos baseado em rede neural gráfica que lida com condições visuais difíceis⁴. Para reconstrução 3D densa, Dai et al. propuseram o BundleFusion, um sistema de reconstrução 3D globalmente consistente em tempo real que usa a reintegração de superfície em tempo real para lidar com ambientes de grande escala e fechamentos de loop⁵.

No campo do planejamento de caminhos, as Árvores Aleatórias de Exploração Rápida (RRT) e suas variantes permanecem amplamente adotadas para o planejamento de movimento robótico. O algoritmo fundamental do RRT foi introduzido pela primeira vez por LaValle como uma nova ferramenta para o planejamento de caminhos, fornecendo um método eficiente baseado em amostragem para resolver problemas complexos de alta dimensão⁶. Isso foi significativamente avançado por Karaman e Frazzoli, que desenvolveram o algoritmo RRT* que fornece garantias de otimização assintótica no planejamento de movimento⁷. Com base nesses algoritmos principais, a pesquisa moderna se concentrou em abordagens híbridas que combinam métodos baseados em amostragem com outras técnicas. Por exemplo, Rösmann et al. desenvolveram o método Timed Elastic Band (TEB), que permite a geração de trajetória localmente ótima e tem sido amplamente integrado aos planejadores globais⁸. Da mesma forma, a Abordagem de Janela Dinâmica (DWA) introduzida por Fox et al. fornece um método eficaz para evitar obstáculos locais em ambientes dinâmicos⁹.

No nível de planejamento local e percepção semântica, Chen et al. propuseram uma estratégia de planejamento de caminho informativo com consciência semântica para micro veículos aéreos (MAVs), aumentando a eficiência e a segurança da busca durante a exploração do alvo¹⁰. Kabiri et al. integraram medições de tempo de chegada (ToA) 5G em uma estrutura VINS para permitir a fusão SLAM global-local, melhorando efetivamente a precisão da localização em ambientes com cobertura GNSS limitada¹¹. Para facilitar o mapeamento em tempo real de alta frequência, Xu et al. desenvolveram o FAST-LIO2, um método de odometria LiDAR-IMU fortemente acoplado capaz de produzir mapas 3D precisos e densos¹². Para o planejamento de caminhos em ambientes complexos, Gammell et al. introduziram um método RRT* informado que incorpora crescimento de árvores bidirecionais e amostragem adaptativa, melhorando significativamente a qualidade do caminho e a eficiência da pesquisa em ambientes dinâmicos¹³. Além disso, para cenários de passagem estreita, Coleman et al. apresentaram um método de planejamento de movimento baseado em amostragem com amostragem de probabilidade variável, o que melhora as taxas de sucesso do planejamento e a eficiência computacional¹⁴.

O presente estudo aborda desafios fundamentais na navegação interna autônoma para robôs móveis com rodas (WMRs), melhorando a estratégia de planejamento de caminho e o front-end SLAM. Especificamente, o sistema proposto é projetado para ambientes internos estruturados típicos, como laboratórios e corredores, operando em condições com iluminação moderada e acesso mínimo ao GNSS. O sistema de navegação utiliza principalmente uma câmera RGB-D estéreo, uma unidade de medição inercial (IMU) e codificadores de roda, com todos os sensores configurados para amostragem a não menos que 20 Hz. Para garantir um desempenho confiável do sistema, a velocidade máxima do robô é limitada a menos de 1,5 m/s. A seguir estão as principais contribuições:

Uma plataforma de navegação autônoma de fusão multissensor para robôs móveis com rodas (WMRs) foi desenvolvida usando uma câmera de profundidade como sensor primário. Para obter uma localização precisa e evitar obstáculos eficientes em ambientes internos típicos, o sistema integra odometria de roda e uma unidade de medição inercial (IMU). A sinergia entre esses componentes desempenha um papel crítico na melhoria do desempenho geral da navegação.

A combinação de algoritmos EPnP e ICP com uma técnica de extração de recursos baseada em quadtree ajudou o módulo de rastreamento no ORB-SLAM2 a melhorar. Melhor precisão e robustez de rastreamento decorrem desses desenvolvimentos.

Um novo método de planejamento de caminho é proposto que enfatiza a otimização da trajetória. Baseia-se em uma técnica RRT aprimorada com viés de meta e tamanhos de passo ajustáveis e usa curvas B-spline para suavização de trajetória. O algoritmo TEB também está incluído para gerenciar a prevenção de obstáculos em ambientes dinâmicos.

O desempenho do sistema é confirmado por testes e simulações do mundo real. Ambientes internos típicos permitem análises quantitativas e qualitativas para avaliar a precisão do mapa, a qualidade do caminho e o desempenho da navegação. Em termos de robustez, processamento em tempo real e suavidade de trajetória, a abordagem proposta supera as soluções atuais.

Protocolo

1. Plataforma de hardware

1. Prepare a plataforma de robô móvel de acionamento diferencial de duas rodas adequada para navegação interna (veja a Figura 1). Esta plataforma usa duas rodas acionadas independentemente alinhadas ao longo do centro do chassi e rodas de rodízio passivas na frente e atrás para garantir equilíbrio mecânico e manobrabilidade.
2. Monte as rodas motrizes do diferencial ao longo do eixo longitudinal central do chassi. Use uma chave de fenda sextavada para alinhar e prender os eixos das rodas nos cubos do motor. Certifique-se de que as rodas estejam firmemente presas, mas girem livremente sem oscilação axial. Verifique se ambas as rodas estão alinhadas com precisão para manter o movimento em linha reta e a odometria precisa.
3. Instale as rodas dianteiras e traseiras em ambas as extremidades do chassi para fornecer suporte mecânico durante as curvas. O mau alinhamento pode levar à instabilidade ou inclinação durante mudanças direcionais de alta velocidade.
4. Monte uma câmera de profundidade de luz estruturada no painel frontal superior do chassi. Use um suporte ajustável ou suporte adesivo para fixar a câmera com segurança. Oriente-o de forma que o campo de visão cubra aproximadamente 0.3 m a 3.0 m à frente do robô.
5. Conecte o projetor IR e os módulos receptores na caixa da câmera, garantindo que todos os centros ópticos estejam alinhados corretamente. Ajuste o ângulo de inclinação da câmera para otimizar a percepção de profundidade.
6. Incline a câmera para baixo em 15°-30° usando o suporte ajustável. Certifique-se de que nenhuma parte do chassi obstrua o padrão IR projetado. Esse ângulo ajuda a capturar recursos de terreno próximos e evitar pontos cegos.
7. Verifique a saída de profundidade em tempo real da câmera usando um software de visualização como o RViz (versão 1.14.1). Inicie o nó da câmera e observe o fluxo de imagens de profundidade. Conecte a câmera de profundidade à unidade de microcontrolador (MCU) montada no centro do chassi.
   NOTA: Certifique-se de que a energia esteja desligada durante todas as conexões. Mantenha os cabos organizados e longe das peças móveis para evitar emaranhamento durante o movimento.

2. Otimização do ORB-SLAM2 para mapeamento interno

1. Prepare o ambiente ORB-SLAM2. Calibre a câmera (RGB-D) usando ferramentas de calibração ROS padrão. Configure o arquivo de inicialização para especificar tópicos de câmera, resolução (por exemplo, 640 x 480) e taxa de quadros (por exemplo, 30 fps). Inicie o sistema SLAM usando: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. Verifique o feed da câmera ao vivo e as mensagens de inicialização SLAM no terminal. Os quadros-chave devem aparecer após o início do movimento.
2. Modifique o ORB-SLAM2 para suportar o mapeamento denso. Estenda o módulo de mapeamento padrão para incluir um thread de reconstrução denso que processa dados de profundidade de quadros-chave.
3. Para cada quadro-chave selecionado: extraia imagens RGB e de profundidade sincronizadas, converta pixels de profundidade em pontos 3D usando intrínsecos de câmera e funda nuvens de pontos acumuladas em quadros-chave usando informações de pose. Subdivida recursivamente qualquer região com mais de um ponto-chave em quatro quadrantes. Continue até que cada nó folha contenha no máximo um ponto-chave dominante ou o tamanho da região esteja abaixo de 10 x 10 pixels.
4. Aprimore a distribuição de recursos usando uma árvore quádrupla (consulte a Figura 2). Modifique o módulo de extração de feição ORB para incluir uma estratégia de particionamento espacial baseada em quadtree. Divida a imagem em regiões de grade hierárquicas, aplique a detecção de canto FAST em cada região e retenha apenas o recurso mais saliente por região para garantir uma cobertura espacial uniforme.
5. Em cada região válida, selecione o candidato com a resposta de saliência mais alta como o recurso representativo.
6. Melhore a estimativa de pose com EPnP. Substitua a estimativa de pose padrão (por exemplo, métodos iterativos) pelo algoritmo Efficient Perspective-n-Point (EPnP) usando o solvePnP do OpenCV. Use recursos de imagem 2D e seus pontos de mapa 3D correspondentes para resolver a pose da câmera.
7. Implante, visualize e controle o robô. Atribua um endereço IP estático ao sistema de bordo do robô para uma comunicação estável (por exemplo, ROBOT IP: 172.20.10.13). No PC host, abra o RViz (v1.14.1) e carregue a configuração para visualizar a trajetória do robô, mapas de nuvem de pontos esparsos e densos, quadros-chave e recursos detectados.
8. Controle manualmente o robô usando as teclas de seta do teclado para navegar no espaço para mapeamento. Certifique-se de que a linha de trajetória apareça no RViz e que os quadros de pose da câmera sejam atualizados em tempo real.
   NOTA: A Figura 3 ilustra o layout do teclado para controle manual do robô durante o mapeamento.

3. Processamento de pontos de recurso usando o algoritmo Quadtree

1. Execute a extração de recursos ORB conforme descrito abaixo.
   1. Carregue a imagem de entrada de um tópico de imagem ROS ou de um conjunto de dados local usando o OpenCV (versão 4.5.3).
   2. Construa uma pirâmide gaussiana com quatro níveis, divida a imagem em células de grade uniformes (8 x 8 células por nível). Dentro de cada célula, aplique o detector FAST com um limite de 20 para identificar pontos-chave locais.
2. Construa um refinamento de recursos baseado em quadtree, conforme descrito abaixo.
   1. Para cada conjunto de pontos-chave em um determinado nível de pirâmide, construa uma estrutura de quadtree: Comece com a imagem completa como o nó raiz. Subdivida recursivamente qualquer região com mais de um ponto-chave em quatro quadrantes. Continue até que cada nó folha contenha no máximo um ponto-chave dominante ou o tamanho da região esteja abaixo de 10 x 10 pixels.
3. Aplique a avaliação de saliência de recursos conforme descrito abaixo.
   1. Avalie a saliência de cada ponto-chave candidato dentro de um nó usando a Equação:
      (1)
      onde I_p é o valor de intensidade do pixel central em um bairro local e I_i representa os valores de intensidade de seus 16 pixels vizinhos. A diferença absoluta |I_p - I_i| Mede o contraste local entre o pixel central e cada vizinho. A soma de todos os 16 vizinhos fornece uma medida do contraste local geral ou da força da textura em torno do pixel central.
   2. Classifique todos os candidatos usando uma fila de prioridade dinâmica classificada pela pontuação de saliência. Em cada região válida, selecione o candidato com a resposta de saliência mais alta como o recurso representativo.
4. Otimize e valide a seleção de recursos
   1. Combine todos os recursos selecionados nos níveis da pirâmide. Garanta uma cobertura espacial uniforme em toda a imagem. Armazene os pontos finais da feição e seus descritores usando o extrator de descritor ORB, versão alinhada com OpenCV.
   2. Verifique se os recursos não estão agrupados em algumas áreas da imagem. Os pontos de recurso devem exibir distribuição espacial uniforme, suportando rastreamento robusto. Evite executar o processamento de imagem em um sistema de robô físico enquanto estiver em movimento. Verifique se o fluxo da câmera está estável e se o espaço de trabalho está limpo.

4. Estimativa de pose usando EPnP

1. Estabeleça correspondências 2D-3D selecionando pelo menos quatro pares correspondentes de pontos de mapa 3D (em coordenadas mundiais) e seus pontos-chave de imagem 2D correspondentes. Certifique-se de que essas correspondências sejam extraídas de correspondências de recursos ORB válidas obtidas no thread de rastreamento.
2. Resolva a pose inicial com EPnP. Continue até que cada nó folha contenha no máximo um ponto-chave dominante ou o tamanho da região esteja abaixo de 10 x 10 pixels. Use a função solvePnP do OpenCV com o sinalizador cv::SOLVEPNP_EPNP para estimar a pose da câmera.

5. Refinamento de pose fina com ICP

1. Execute a amostragem de nuvem de pontos conforme descrito abaixo.
   1. Reduza a resolução da nuvem de pontos de origem para reduzir a carga computacional e remover dados redundantes.
   2. Use amostragem uniforme para garantir que os recursos estruturais sejam mantidos uniformemente em todas as direções. Se necessário, aplique filtragem de grade de voxel ou seleção aleatória com base nas características de densidade e ruído da nuvem de pontos de entrada. Certifique-se de que a nuvem filtrada preserve os contornos do objeto enquanto reduz a contagem total de pontos em pelo menos 50%.
2. Combine os pontos correspondentes construindo uma KD-Tree a partir da nuvem de pontos de destino para permitir pesquisas eficientes de vizinhos mais próximos. Para cada ponto na nuvem de pontos de origem com amostragem reduzida, encontre seu ponto mais próximo na nuvem de destino usando a KD-Tree. Garanta a precisão na correspondência de pontos, pois essa etapa afeta criticamente o desempenho do registro.
3. Estime a transformação ideal conforme descrito abaixo.
   1. Use os pares de pontos correspondentes para calcular uma matriz de transformação de corpo rígido, incluindo rotação e translação.
   2. Calcule a transformação rígida ideal entre os pares de pontos correspondentes, minimizando o erro quadrático médio (MSE) por meio da decomposição de valor singular (SVD) da matriz de covariância cruzada, que produz a matriz de rotação diretamente, seguida pelo cálculo do vetor de translação com base nos centróides girados.
4. Aplique a transformação computada à nuvem de pontos de origem e atualize todas as coordenadas de ponto. Repita o processo de correspondência de pontos e estimativa de transformação iterativamente. Continue iterando até que o erro de registro fique abaixo de um limite predefinido ou o número máximo de iterações seja atingido.

6. Construção de mapa de nuvem de pontos densa

1. Construa um mapa denso de nuvem de pontos 3D para obter uma representação precisa e detalhada dos ambientes internos. Siga as etapas (consulte a Figura 4) descritas abaixo.
2. Extraia dados RGB e de profundidade de quadros-chave. Selecione quadros-chave com base na riqueza visual e na cobertura espacial. De cada quadro-chave selecionado, extraia a imagem RGB e o mapa de profundidade alinhado correspondente do sensor RGB-D.
3. Converta pixels de imagem em coordenadas de câmera 3D. Para cada pixel de profundidade válido, projete o pixel 2D no espaço 3D usando os parâmetros intrínsecos da câmera. Esse processo gera coordenadas 3D no sistema de coordenadas da câmera.
4. Transforme as coordenadas da câmera em coordenadas mundiais. Recupere a pose de câmera otimizada do ORB-SLAM2 para cada quadro-chave. Use a pose da câmera para transformar as coordenadas da câmera 3D no sistema de coordenadas do mundo, alinhando todas as nuvens de pontos em uma referência global comum.
5. Gere pontos 3D coloridos. Para cada ponto 3D transformado, atribua o valor RGB correspondente da imagem original. Isso resulta em uma nuvem de pontos colorida que captura a geometria e a aparência.
6. Mescle nuvens de pontos de todos os quadros-chave. Acumule todas as nuvens de pontos transformadas e coloridas em um mapa de nuvem de pontos global unificado. Garanta o alinhamento correto usando as poses de câmera associadas a cada quadro-chave.
7. Registre e refine o mapa final usando PCL. Use a Biblioteca de Nuvem de Pontos (PCL) para refinar o mapa final. Aplique filtragem para remover o ruído e reduza a amostragem para melhorar a eficiência. Execute o registro global (por exemplo, usando ICP) para ajustar o alinhamento entre as nuvens de pontos, se necessário (consulte a Figura 5).
   NOTA: Conforme mostrado na Figura 6, o alinhamento inicial da nuvem de pontos durante a fase de inicialização do mapeamento denso pode exibir desalinhamento transitório devido a dados observacionais limitados, que convergem rapidamente à medida que pontos de vista adicionais são incorporados. Ao controlar o robô para atravessar o ambiente, um modelo tridimensional completo pode ser obtido.

7. Gere um mapa de grade de ocupação a partir de nuvens de pontos derivadas do VSLAM

1. Reduza a amostra da nuvem de pontos densa global. Aplique a filtragem de grade de voxel usando uma resolução de voxel de 0,05 m para reduzir a redundância e definir a resolução espacial para a construção da grade.
2. O Projeto 3D aponta para uma grade de ocupação 2D. Projete todos os pontos 3D no plano horizontal (x-y). Diferencie o espaço em células de grade uniformes, cada uma representando um quadrado de 0,05 m x 0,05 m no mundo real.
3. Estime as probabilidades de ocupação. Use um modelo de sensor inverso para calcular a probabilidade de ocupação de cada célula com base na densidade de pontos e no traçado de raios simulado.
   1. Defina o limite de probabilidade ocupado como 0,65. Defina o limite de probabilidade livre como 0,35. Classifique as células da grade com valores intermediários como desconhecidas.
4. Aplique a inflação de obstáculos. Infle as regiões ocupadas aplicando um kernel circular com um raio de 0,2 m para levar em conta a folga do robô e as margens de segurança.
5. Exporte o mapa de ocupação. Salve o mapa de grade de ocupação gerado no formato Portable GrayMap, acompanhado por um arquivo de metadados m.yaml correspondente, para garantir a compatibilidade com sistemas de navegação baseados em ROS.

8. Estratégia de planejamento de caminho global aprimorada (com base no algoritmo RRT)

1. Inicialize a árvore de caminhos. Defina a posição inicial do robô como o nó raiz da árvore. Faça uma amostragem aleatória de pontos no espaço de configuração (estado) para explorar novas áreas.
2. Identifique o nó existente mais próximo. Para cada ponto aleatório recém-amostrado, calcule a distância euclidiana para todos os nós existentes. Selecione o nó com a distância mínima como o nó mais próximo para servir como base de expansão.
3. Gere um novo nó para a amostra aleatória. Crie um vetor de unidade direcional do nó mais próximo em direção ao ponto amostrado. Mova uma etapa fixa (inicialmente) ao longo dessa direção para formar um novo nó e conectá-lo à árvore.
4. Substitua o tamanho fixo da etapa por um mecanismo adaptativo. Em vez de usar um tamanho de passo constante, ajuste dinamicamente o comprimento do passo com base na densidade de obstáculos local. Use etapas maiores em ambientes abertos para acelerar a expansão da árvore. Em regiões desordenadas ou estreitas, reduza o tamanho do passo para melhorar o controle e evitar obstáculos.
5. Calcule o tamanho do passo adaptativo em tempo real, conforme descrito abaixo.
   1. Use dados do sensor (por exemplo, LiDAR ou câmera de profundidade) para estimar a densidade de obstáculos ao redor da região atual.
   2. Se o número de obstáculos detectados for baixo, aumente ligeiramente o tamanho do passo. Se os obstáculos forem densos, reduza o tamanho do passo proporcionalmente para inserir mais nós intermediários para uma travessia segura.
6. Itere o processo de expansão. Continue a amostragem, a pesquisa de nó mais próximo e a geração de novo nó usando o tamanho da etapa adaptável.
7. Aplique curvas B-spline para suavizar. Substitua os segmentos de polilinha no caminho RRT por uma curva B-spline contínua para melhorar a suavidade. Selecione pontos de controle ao longo do caminho RRT original, normalmente em pontos de inflexão ou pontos de passagem importantes. Construa um polígono de controle conectando esses pontos de controle em sequência.
8. Gere a curva B-spline. Use a fórmula padrão B-spline¹⁵:
   (2)
   Esta fórmula é usada em curvas B-spline, onde a curva final C(u) é uma combinação ponderada dos pontos de controle. Os pesos são determinados pelas funções de base B-spline N_i,k (u), que garantem que a curva seja suave e siga a forma geral definida pelos pontos de controle.
9. Defina o grau da curva como 3 (cúbico), o que garante a continuidade (primeira e segunda derivadas suaves). Use o módulo de planejamento de caminho escrito no PyCharm 2024.3.

9. Otimização da trajetória local com TEB modificado

1. Introduza a restrição de distância mais curta conforme descrito abaixo.
   1. Para atenuar essas desvantagens, integre uma restrição de distância mais curta à estrutura TEB.
   2. Defina a restrição como a distância euclidiana entre a posição atual do robô S_t e uma pose futura S_i+n ao longo da trajetória:
      (3)
      Essa restrição penaliza desvios ineficientes, incentivando o caminho a permanecer próximo à borda do corredor do caminho global, melhorando a qualidade e a segurança do planejamento.
2. Integre a restrição na função de custo TEB modificando o gráfico de otimização TEB original para incluir a restrição de distância como uma aresta adicional. Ajuste a função de custo total para incluir um termo ponderado para _fos, equilibrando suavidade, viabilidade e eficiência energética.
3. Integre a restrição na função de custo TEB. Durante a otimização, resolva os pontos de trajetória que minimizam o custo total, incluindo velocidade, aceleração, folga de obstáculos e o prazo de distância mais curto adicionado. Use o solucionador subjacente do TEB para otimizar iterativamente a trajetória em N intervalos de tempo. Otimize o caminho considerando a restrição (consulte a Figura 7).

Resultados

Avaliação do ORB-SLAM2 aprimorado
Experimento de extração de recursos
Para avaliar a eficácia de uma câmera de profundidade RGB-D em cenários práticos, foi realizado um experimento de extração de pontos de característica. O teste foi projetado usando dois ambientes de fundo distintos, cada um variando em cor e brilho do objeto para simular a complexidade visual do mundo real.

Tanto o método de extração aprimorado proposto quanto a abordagem de linha de ...

Discussão

As duas principais tecnologias em sistemas autônomos de navegação interior para robôs móveis com rodas que são o foco deste estudo são a localização e mapeamento simultâneo visual (SLAM) ^{16 , 17}e o planejamento de caminho¹⁸ . O módulo SLAM propõe um método de seleção hierárquica baseado em quadtree para corrigir a distribuição desigual de pontos de recursos do ORB-SLAM2. Para aumentar a precisão do mapa ge...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Câmera 3D Astra Pro Plus	CRBBEC	Nenhum	Câmera 3D
TARKBOT-R20-TWD	Nenhum	Nenhum	Robô ROS