Estimativa de Pose de Veículos Subaquáticos Não Tripulados Usando Simulações Baseadas em Marcadores de Realidade Aumentada

Resumo

Este estudo apresenta uma estrutura de visão monocular baseada em ROS–Gazebo para estimativa de pose de veículos autônomos subaquáticos usando marcadores ArUco. As poses estimadas são comparadas com odometria simulada, demonstrando rastreamento estável e forte concordância com a verdade do terreno sob condições controladas.

Resumo

Este estudo apresenta uma estrutura baseada em simulação para estimativa de pose de Veículos Subaquáticos Não Tripulados (UUVs) usando um sistema de visão monocular dentro de um ambiente ROS–Gazebo. O modelo UUV RexRov2, integrado ao ArUco_ROS, é usado para detectar marcadores virtuais e estimar posição e orientação em um ambiente subaquático simulado. Um método de Perspectiva-n-Pontos (PnP) é aplicado para estimação de poses, e um controlador de derivada integral proporcional (PID) regula o movimento do veículo com base em características derivadas de marcadores. O sistema é avaliado comparando poses estimadas com a odometria de precisão do terreno obtida do simulador. Sob condições nominais, os resultados demonstram estimativa de pose estável com concordância próxima entre posições e orientações estimadas e verdadeiras. O sistema mantém um rastreamento de trajetória suave com flutuações mínimas, indicando desempenho confiável em ambientes controlados. Sob distúrbios hidrodinâmicos aumentados, entretanto, o sistema apresenta desvios na posição e orientação, levando à instabilidade no desempenho de rastreamento. Esses resultados destacam as limitações do controle clássico de PID em ambientes subaquáticos não lineares e sugerem a necessidade de estratégias de controle mais robustas. No geral, o framework proposto oferece uma plataforma segura, flexível e econômica para testar algoritmos de navegação subaquática e avaliar a integração percepção-controle em ambientes simulados.

Introdução

Veículos Subaquáticos Não Tripulados (UUVs) são comumente usados em cenários onde a presença humana é limitada, como monitoramento oceânico, exploração e na indústria petrolífera. Eles estão equipados com sensores avançados para coletar dados de ambientes subaquáticos complexos, o que exige plataformas de teste robustas e econômicas. Técnicas de simulação, incluindo métodos baseados em visão usando marcadores ArUco, fornecem um meio eficaz de reduzir riscos associados à implantação real de UUVs.

A história dos UUVs, desde o primeiro Veículo de Pesquisa Subaquática de Propósito Especial até os modernos veículos autônomos subaquáticos, destaca sua importância em pesquisa, defesa e^{indústria 1}. A evolução dos veículos autônomos subaquáticos enfatiza ainda mais a necessidade de posicionamento, navegação e testes precisos em ambientes^{simulados 2,3}.

A Figura 1 ilustra a arquitetura convencional de um sistema de simulação UUV. A combinação do Sistema Operacional de Robôs (ROS) e do simulador Gazebo oferece uma plataforma versátil para modelagem, controle e comunicação em tempo real. O ROS facilita a comunicação eficiente entre sensores, atuadores e módulos de controle, enquanto o Gazebo oferece um ambiente realista de simulação 3D para testar algoritmos de navegação e^{controle 4,5}. Nesse contexto, métodos baseados em marcadores ArUco aprimoram a estimativa de pose ao permitir a detecção e o rastreamento precisos dos pontos^{de referência 6}.

Figura 1: Arquitetura convencional de um sistema de simulação UUV.O diagrama ilustra a interação entre os componentes de simulação, percepção e controle dentro do arcabouço ROS–Gazebo. Por favor, clique aqui para ver uma versão ampliada desta figura.

Vários estudos apresentaram tecnologias avançadas de simulação, navegação e percepção de^{UUVs 7}. A adequação da estrutura ROS–Gazebo para modelagem de robôs foi^{demonstrada 4}, e essa abordagem foi estendida para aplicações subaquáticas por meio do Simulador UUV para tarefas multirrobóticas e^{de intervenção 5}. O posicionamento baseado em visão também foi aprimorado ao combinar marcadores ArUco com algoritmos^{de rastreamento 6}. Da mesma forma, simulação e supervisão de alta fidelidade de missões subaquáticas foram possibilitadas por meio de plataformas avançadas^{de simulação 8}, enquanto o posicionamento robusto em ambientes confinados usando marcadores fiduciais também foi^{demonstrado 9.}

Esses avanços tecnológicos são complementados por estudos de levantamento. Avanços em desafios de navegação subaquática e localização foram revisados de forma abrangente^{10, 11}, e plataformas de simulação comerciais e de código aberto foram avaliadas^{sistematicamente 12}. Revisões adicionais examinaram o estado da arte em veículos autônomos subaquáticos^13,14, bem como estratégias de controle de formação e comunicação para sistemas^{multi-veículo 14}. Além disso, avanços no controle robusto de rastreamento¹⁵ e na estimativa de estados usando abordagens de aprendizado profundo, como as Unidades Retornantes^{Comportadas 16}, melhoraram ainda mais a confiabilidade das missões autônomas subaquáticas. Coletivamente, esses estudos demonstram progresso significativo no realismo das simulações, navegação e controle inteligente dos UUVs.

Apesar desses avanços, vários desafios de pesquisa permanecem. Os simuladores atuais não possuem modelos precisos de sensores, especialmente para sistemas de sonar de visão frontal e de varredura lateral. A maioria das plataformas suporta apenas operações de AUV único, com capacidade limitada para coordenação e formações multi-AUV. Imprecisões em sensores e modelos dinâmicos podem resultar em desempenho subótimo, e distúrbios ambientais como correntes e ruído não são modelados de forma consistente entre os simuladores. Para abordar essas limitações, o presente estudo introduz uma estrutura de simulação ROS–Gazebo incorporando estimativa de pose baseada em marcadores ArUco, permitindo uma estimativa de estado mais precisa e uma avaliação rigorosa dos algoritmos de navegação UUV.

Esse trabalho traz três contribuições principais. Primeiro, apresenta uma abordagem de estimativa de pose monocular baseada em ArUco dentro de um ambiente de simulação subaquático ROS–Gazebo usando o modelo RexRov2. Segundo, analisa a estabilidade da posição sob diferentes condições de perturbação e cenários de controle. Terceiro, identifica limitações do controle clássico de PID em ambientes subaquáticos não lineares sob distúrbios dinâmicos. Além disso, este trabalho integra percepção, controle e simulação em um arcabouço unificado, preenchendo lacunas em estudos anteriores que tratam esses componentes de forma independente.

Protocolo

1. Configuração do ambiente de software

Uma estação de trabalho baseada em Linux rodando Ubuntu 20.04 e o Sistema Operacional de Robôs (ROS) Noetic foi usada como principal plataforma de desenvolvimento para implementar sistemas de autolocalização^{subaquática 17}. O sistema foi inicializado criando um espaço de trabalho catkin com mkdir -p ~/catkin_ws/src e depois inicializando-o com catkin_init_workspace. Os pacotes uuv_simulator e aruco_ros foram clonados no diretório de origem e compilados usando o comando catkin_make para suportar modelagem de intervenção subaquática.

A conectividade entre o middleware ROS e o simulador Gazebo 9 foi verificada lançando um mundo subaquático padrão e confirmando a comunicação ativa pelo comando rostopic list. Os nós de processamento de imagem e estimativa de pose foram implementados usando Python 3.8 e bibliotecas integradas ArUco para calcular a pose relativa usando OpenCV. O ambiente ROS foi configurado para gerenciar dependências e permitir a comunicação de dados em tempo real, possibilitando que o robô se localizasse em relação a múltiplos marcadores^{artificiais 18}. Essa configuração também permitiu a avaliação do desempenho da detecção de marcadores sob condições variadas. A Figura 1 ilustra a comunicação entre os nós de simulação, percepção e visualização no ambiente ROS–Gazebo.

2. Modelo UUV e parametrização hidrodinâmica

O modelo do veículo RexRov2 foi obtido a partir do pacote uuv_descriptions e lançado no Gazebo usando^{seu arquivo 5} no Formato Unificado de Descrição de Robôs (URDF). O modelo do veículo consistia em elans e juntas, com massa seca de 1.863 kg e deslocamento volumétrico de 1,838^m³, correspondendo a uma flutuabilidade quase neutra em águas com densidade de 1.000 kg^/m³.

Os efeitos hidrodinâmicos foram modelados usando o uuv_underwater_object_plugin, incluindo forças de amortecimento lineares e quadráticas. O coeficiente de surto de massa adicionado foi definido para 779,79, e os parâmetros de amortecimento foram calibrados com base nas características relatadas do RexRov2 para simular o movimento realista^{do veículo 19}. A Figura 2 mostra a arquitetura geral da simulação.

Figura 2: Arquitetura geral do ambiente de simulação. A figura mostra a integração do modelo UUV, entradas de sensores, pipeline de percepção e módulos de controle usados para estimativa de poses e navegação. Por favor, clique aqui para ver uma versão ampliada desta figura.

3. Configuração de câmera, marcador e ambiente

Uma câmera monocular era acoplada à estrutura rexrov2/camera_link. Os parâmetros da câmera foram definidos para 1280 × 720 pixels e 30 Hz. Parâmetros intrínsecos foram definidos no arquivo de configuração da câmera com distância focal de 554,25 pixels e ponto principal em (640,5, 360,5).

Um marcador vertical fixo de ArUco com comprimento lateral de 0,5 m, selecionado do dicionário 6×6_250 (ID: 582), foi posicionado nas coordenadas (20,0, 0,0, -10,0). O ambiente simulado foi configurado com uma profundidade de água de 10 m e uma velocidade constante de corrente de 0,1 m/s na direção X, usando o serviço ROS /uuv_simulation_app/set_current_velocity. Uma intensidade luminosa de 0,8 foi usada para garantir visibilidade de^{marcadores 9}. A Figura 3 mostra o ambiente subaquático simulado.

Figura 3: Ambiente subaquático simulado no Gazebo 9. O ambiente inclui o UUV RexRov2, marcadores virtuais ArUco e condições ambientais controladas, como profundidade da água, iluminação e corrente. Por favor, clique aqui para ver uma versão ampliada desta figura.

4. Estimativa de postura e controle de navegação

O pipeline de detecção de marcadores foi iniciado usando o nó ROS ArUco, que assinava o tópico /rexrov2/forward_camera/image_raw. A pose do veículo foi estimada usando o método de Perspectiva-n-Ponto (PnP) para calcular a matriz de rotação (R) e o vetor de translação (t) em relação à geometria conhecida do marcador 3D.

A pose estimada foi transformada do quadro da câmera para o quadro de referência global usando um editor de transformada estática. Um controlador PID era usado para regular o movimento do veículo enviando comandos de velocidade para o tópico /rexrov2/thruster_manager/entrada. Os ganhos proporcionais (Kp) para os eixos de pico e levantamento foram definidos para 1500 e 2000, respectivamente, para garantir um desempenho estável de^{acompanhamento 20}.

5. Avaliação e comparação de verdade de base

O acordo entre as estimativas de pose baseadas em visão e a trajetória simulada foi avaliado usando o tópico /rexrov2/pose_gt fornecido pelo plugin uuv_gazebo_ros_p3d. A postura estimada do pipeline baseado em ArUco foi comparada com dados de odometria de base para avaliar a estabilidade e consistência do sistema.

A avaliação foi realizada por meio de comparação de trajetórias e visualização em tempo real, onde a posição (X, Y, Z) e a orientação (rolamento, arfagem, guinada) foram monitoradas usando Rviz e rqt_plot. Isso permitiu a observação de desvios tanto sob condições nominais quanto sob condições induzidas por distúrbios.

O estudo foca em avaliação qualitativa e comparativa. A avaliação quantitativa usando o Erro Quadrático Médio Raiz (RMSE) é identificada como trabalho futuro, onde múltiplas simulações serão usadas para avaliar o erro de posição e orientação.

6. Geração e visualização de resultados

O Rviz foi usado como uma ferramenta de visualização 3D para monitorar a trajetória e atitude do UUV. Os referenciais de coordenadas /rexrov2/camera_link e /aruco_marker_frame foram visualizados para avaliar a relação espacial entre o veículo e o marcador².

A ferramenta rqt_plot era usada para gerar gráficos em tempo real da atitude do veículo (rolagem, arfagem, guinada) usando os tópicos /rexrov2/pose_gt e /aruco_pose. O comando rosbag record era usado para capturar dados de simulação, incluindo fluxos de vídeo e entradas de controle, para análise qualitativa.

A simulação foi realizada em condições visuais ideais, assumindo boa iluminação e baixa turbidez. Presumia-se que o marcador ArUco permanecesse sem obstruções. Os efeitos de amortecimento hidrodinâmico foram modelados usando coeficientes simplificados, e o ruído do sensor não foi incluído.

Resultados

Um ambiente subaquático simulado foi utilizado para avaliar o sistema proposto baseado em ROS–Gazebo usando o UUV RexRov2. O ambiente de simulação de ondas (Figura 3) forneceu um ambiente dinâmico, porém controlado, para avaliar o sistema de estimativa de pose baseado em marcadores.

A Figura 4 ilustra a relação entre os marcadores de ArUco detectados e a trajetória resultante do UUV. O pipeline de per...

Discussão

As observações numéricas apoiam a eficácia do quadro proposto sob condições controladas. As pequenas variações na posição (da ordem de 10⁻² m) e na orientação (na ordem de 10⁻² rad) indicam rastreamento estável da postura. Esses resultados demonstram que os marcadores ArUco fornecem uma referência confiável para localização de curto^{alcance 6}. Além disso, plataformas de simulação possibilitam a geração de conjuntos de dados especializados para...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
ArUco Marker Detection Library	OpenCV	N/A (open-source)	Detecção de marcador baseada em visão para estimativa de pose
Gazebo Simulator	Open Robotics	N/A (open-source)	Ambiente de simulação 3D para testes de UUV
REXROV2 UUV Model	UUV Simulator Project	N/A (open-source)	Modelo UUV predefinido usado para experimentos de estimativa de pose
Robot Operating System (ROS)	Open Robotics	N/A (open-source)	Middleware para comunicação e controle
RViz	Open Robotics	N/A (open-source)	Ferramenta de visualização para o modelo de UUV e dados de sensores
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	Sistema operacional que suporta ROS e Gazebo
UUV Simulator Package	Norwegian University of Science and Technology (NTNU)	N/A (open-source)	Framework de simulação subaquática ROS-Gazebo