C-SLAM online com controle adaptativo de

mapeamento

Luigi Maciel Ribeiro1[0000−0002−5698−7129] , Nadia Nedjah2[0000−0002−1656−6397] ,

and Paulo Victor R. Carvalho1[0000−0002−9276−8193]
1
Federal University of Rio de Janeiro (UFRJ), Rio de Janeiro, Brazi
{luigimaciel@dcc.ufrj.br, paulov@ien.gov.br}
2
State University of Rio de Janeiro (UERJ), Rio de Janeiro, Brazil
nadia@eng.uerj.br

Abstract. Este artigo apresenta um método inovador de SLAM colab-

orativo envolvendo 10 robôs para mapear simultaneamente um ambiente
complexo. A pesquisa em robótica destaca a importância de desenvolver
métodos colaborativos para aprimorar a precisão e eciência do mapea-
mento. Em ambientes desaadores, como fábricas e áreas desconhecidas,
a colaboração entre múltiplos robôs é essencial para otimizar recursos e
obter resultados conáveis. O método proposto utiliza a Transformada
Discreta de Fourier (DFT) para identicar regiões únicas com o sensor
LiDAR de cada robô, reduzindo mínimos locais. A matriz de correlação
de Pearson guia a seleção de pares de robôs para fusão, otimizada pelo al-
goritmo PSO. Isso permite a alocação inteligente de recursos e a melhoria
na precisão do mapeamento em um ambiente simulado. A validação ex-
perimental por meio de simulações demonstrou resultados promissores,
consolidando a ecácia do método proposto. Essa pesquisa tem impli-
cações signicativas na robótica autônoma e exploração de ambientes
complexos.

Keywords: SLAM Colaborativo · Divisão de Tarefas · Enxame de Robôs

1 Introdução
A pesquisa no campo da robótica desempenha um papel de destaque e desem-
penha um papel essencial em inúmeras aplicações em diversos setores da so-
ciedade. A robótica transcende as fronteiras tradicionais da indústria, estendendo-
se ao âmbito da assistência médica, exploração espacial, transporte autônomo e
muito mais. Hoje, os robôs não são apenas máquinas automatizadas, mas tam-
bém parceiros que colaboram com seres humanos em tarefas complexas.
Dentro desse cenário multifacetado, a pesquisa em Mapeamento e Localiza-
ção Simultânea (SLAM) se destaca como um campo de estudo crítico. O SLAM
é o cerne da autonomia robótica, permitindo que robôs e dispositivos inteligentes
compreendam e naveguem em ambientes desconhecidos. O desenvolvimento de
métodos colaborativos dentro do SLAM emerge como uma peça fundamental no
quebra-cabeça da robótica, pois visa aprimorar signicativamente a precisão e a
2 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

eciência dos sistemas. Neste contexto, a pesquisa aborda não apenas questões
técnicas, mas também desaos práticos que têm implicações profundas em nossa
vida cotidiana, desde veículos autônomos que trafegam nas cidades até a explo-
ração de locais remotos e desconhecidos.
Portanto, a pesquisa em SLAM colaborativo é altamente relevante em uma
era em que a interação entre humanos e robôs é cada vez mais comum, e a neces-
sidade de sistemas autônomos conáveis e precisos é fundamental. Compreender
a dinâmica desse campo de estudo é crucial para abrir portas para novas apli-
cações e aprimorar a forma como os robôs e sistemas inteligentes operam em
nosso mundo moderno.
No contexto da robótica, o Mapeamento e Localização Simultânea (SLAM)
é um desao fundamental que envolve a capacidade de um robô construir um
mapa do ambiente ao mesmo tempo em que determina sua própria posição dentro
desse mapa. À medida que a robótica avança, uma vertente especíca desse de-
sao torna-se particularmente relevante: o SLAM colaborativo envolvendo múlti-
plos robôs. Nessa abordagem, vários robôs trabalham em conjunto para mapear
e localizar-se em um ambiente compartilhado. A aplicação de múltiplos robôs
oferece uma série de vantagens signicativas. Em primeiro lugar, ela permite que
tarefas complexas sejam realizadas de maneira mais eciente e rápida, uma vez
que vários robôs podem se dividir em diferentes partes do ambiente e colaborar
para concluir o mapeamento. Além disso, a utilização de múltiplos robôs oferece
redundância e maior conabilidade, uma vez que falhas individuais podem ser
compensadas por outros robôs.
Entretanto, à medida que avançamos no campo do SLAM colaborativo com
múltiplos robôs, a complexidade e a diversidade de desaos emergem de maneira
igualmente substancial. Além do desao central de fusão de mapas, existem uma
série de outros obstáculos que exigem soluções criativas e ecazes para possibil-
itar uma verdadeira colaboração entre robôs em ambientes dinâmicos e descon-
hecidos. Um desses desaos está relacionado à coordenação dos robôs, garantindo
que trabalhem de maneira eciente e evitem colisões em suas áreas de atuação.
O planejamento de trajetórias em cenários complexos é outro desao impor-
tante, uma vez que os robôs devem evitar obstáculos e escolher rotas otimizadas
para suas tarefas. Além disso, o compartilhamento eciente de informações entre
os robôs é essencial, uma vez que a colaboração depende de uma comunicação
precisa e em tempo real. A questão de como tomar decisões colaborativas em
ambientes dinâmicos, considerando fatores como alocar tarefas especícas a cada
robô e resolver conitos, também é um tópico crítico em pesquisa.
No entanto, é preciso enfatizar que a fusão de mapas permanece como um
dos desaos centrais e críticos no contexto do SLAM colaborativo. A necessidade
de desenvolver métodos ecazes e inovadores para unicar os mapas produzidos
por múltiplos robôs é fundamental para assegurar o sucesso das aplicações envol-
vendo esses sistemas. A fusão de mapas, a ser abordada nesta tese, desempenha
um papel central ao garantir que a colaboração entre robôs resulte em um ma-
peamento preciso e conável do ambiente compartilhado, minimizando erros e
inconsistências para fornecer informações valiosas em diversas áreas de aplicação,
 C-SLAM online com controle adaptativo de mapeamento 3

desde robótica autônoma até monitoramento ambiental e exploração de espaços

desconhecidos.
Dessa forma, o problema central abordado por esta tese se concentra na fusão
de mapas no contexto do SLAM colaborativo com múltiplos robôs. O desao é
desenvolver um método inovador que permita a fusão de mapas de maneira e-
ciente e precisa, minimizando a ocorrência de mínimos locais e otimizando a
alocação de recursos robóticos. Em termos especícos, a pergunta de pesquisa
que esta tese busca responder é: "Como podemos desenvolver um método de
fusão de mapas que permita que múltiplos robôs colaborem ecazmente no ma-
peamento de ambientes complexos, aumentando a precisão e eciência do SLAM
colaborativo?".
A justicação que embasa esta pesquisa é não apenas evidente, mas também
profundamente relevante no contexto atual. Ambientes de alta complexidade,
como instalações industriais, áreas urbanas densamente povoadas e até mesmo
terrenos inexplorados em outros corpos celestes, frequentemente demandam mais
do que a presença de um único robô para mapear o espaço com a precisão
requerida em um prazo aceitável. A singularidade de tais ambientes torna-se
um desao intrincado para um único agente robótico abordar com eciência.
Consequentemente, emerge a colaboração como uma estratégia essencial para
otimizar o uso de recursos e, em última análise, para assegurar resultados de
conabilidade incontestável.
É fundamental considerar que o uso de múltiplos robôs traz consigo uma
complexidade adicional. A seleção criteriosa desses robôs com base em suas ha-
bilidades, capacidades e interações potenciais é um aspecto crítico para o sucesso
da colaboração. Além disso, a fusão de mapas resultantes das explorações indi-
viduais de cada robô é uma tarefa que exige soluções inovadoras. Sem dúvida, é
necessário que a fusão dos mapas seja realizada de maneira a minimizar erros e
inconsistências, garantindo, assim, um mapeamento que seja preciso e coerente.
Nesse contexto, o problema central desta pesquisa, ou seja, o desao de fusão
de mapas no SLAM colaborativo, destaca-se como uma área crítica que carece
de soluções sólidas e ecazes. A complexidade inerente à fusão de mapas origina-
dos de robôs atuando em locais distintos do ambiente é um desao que merece
atenção especial. A pesquisa visa preencher uma lacuna no conhecimento exis-
tente, pois uma solução bem-sucedida para a fusão de mapas contribuirá signi-
cativamente para aplicações em robótica autônoma, monitoramento ambiental
e exploração de ambientes desconhecidos, tornando-as mais precisas, ecientes e
viáveis. Assim, o estudo deste problema é não apenas justicável, mas também
essencial para avançar em direção a um futuro em que a colaboração entre robôs
seja uma realidade conável em ambientes desaadores.
O cerne desta pesquisa concentra-se na introdução e avaliação de um método
inovador de SLAM colaborativo. Essa abordagem pioneira incorpora a Transfor-
mada Discreta de Fourier (DFT) na análise dos dados provenientes dos sensores
LiDAR de cada robô, permitindo a identicação de regiões únicas no ambiente.
Esse avanço tem o propósito de superar desaos signicativos associados ao
4 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

SLAM colaborativo, tornando o processo de mapeamento mais preciso e con-

ável.
Para alcançar o objetivo geral desta pesquisa, estabelecemos uma série de
metas especícas. Primeiramente, desenvolvemos uma metodologia que utiliza
a Transformada Discreta de Fourier para analisar os dados do sensor LiDAR
de cada robô, identicando características distintivas no ambiente, adicionando
singularidade ao processo de mapeamento.
A seguir, a pesquisa avalia a similaridade entre as características únicas de-
tectadas por todos os robôs, empregando o coeciente de correlação de Pearson.
Essa análise resulta na criação de uma matriz de correlação que orienta a seleção
dos pares de robôs aptos a colaborar na fusão de mapas.
A otimização do processo de fusão dos mapas é outra prioridade desta pesquisa,
realizada por meio do uso do algoritmo Particle Swarm Optimization (PSO) para
identicar os parâmetros ideais de fusão para cada par de robôs selecionado.
Além disso, o estudo estabelece critérios para estender o limite de mapea-
mento de um robô quando ele não possui áreas altamente compatíveis com outros
robôs. Essa adaptação garante que todos os robôs possam contribuir para a mis-
são de mapeamento, independentemente de suas diferenças iniciais.
Com o propósito de aprofundar nosso entendimento, conduzimos uma minu-
ciosa avaliação do método, considerando métricas cruciais, como a completude do
mapa, tempo de execução, acurácia e precisão. Esta avaliação abrange diferentes
cenários que variam de um único robô a múltiplos robôs, permitindo a análise
do desempenho e validação da ecácia do método, justicando a aplicação de
colaboração entre múltiplos robôs.
A hipótese central desta pesquisa sustenta que o método de SLAM colabo-
rativo baseado na análise da Transformada Discreta de Fourier, correlação de
Pearson e otimização por Particle Swarm Optimization alcançará um desem-
penho notavelmente superior em termos de precisão, eciência e conabilidade
na fusão de mapas. Essa hipótese é embasada na premissa de que a análise de
características distintivas do ambiente e a otimização de parâmetros de fusão
contribuirão para resultados mais satisfatórios. A pesquisa tem como objetivo
validar essa hipótese por meio de experimentos e avaliações meticulosas, con-
siderando diversas congurações com diferentes números de robôs.
No entanto, é importante reconhecer que esta pesquisa possui limitações iner-
entes. Seu foco principal reside na validação da hipótese central, a qual se concen-
tra no processo de fusão de mapas, deixando de fora considerações detalhadas
sobre aspectos operacionais especícos dos robôs, tais como variações na ca-
pacidade dos sensores de LiDAR. Além disso, partimos de simplicações para a
inicialização dos robôs, a construção dos mapas individuais de cada robô e os
processos de troca de informações entre eles.
Os resultados esperados incluem um mapeamento mais preciso e eciente do
ambiente, com uma alocação estratégica de recursos robóticos. Acreditamos que
esse método tem o potencial de causar uma transformação no campo da pesquisa
em robótica, oferecendo implicações substanciais em diversas aplicações práticas,
que vão desde o setor industrial até a exploração espacial. Este estudo busca
 C-SLAM online com controle adaptativo de mapeamento 5

concretizar avanços sólidos na pesquisa em robótica e contribuir para um futuro

mais promissor na colaboração entre robôs.

2 Trabalhos relacionados
Em [1] é proposto um método para resolver um desao central nos sistemas
de SLAM colaborativos descentralizados: a redundância de mapeamento entre
agentes. A proposta de transferência de sub-mapas baseada em informações de
covisibilidade entre keyframes de diferentes agentes, combinada ao uso do método
ADMM para otimização distribuída, oferece uma solução promissora para re-
duzir a redundância e melhorar a eciência na comunicação entre agentes. Os
resultados experimentais demonstram uma redução signicativa na redundância
de representação de mapas, indicando a ecácia da abordagem em termos de
esforço computacional e sobrecarga de comunicação. No entanto, a generaliza-
ção desses resultados para cenários mais complexos, a adaptação para lidar com
loop closures maiores e a validação em ambientes dinâmicos são áreas cruciais
que requerem maior investigação. A abordagem oferece um caminho promissor
para aprimorar sistemas de SLAM colaborativos, mas sua aplicabilidade em am-
bientes do mundo real demanda uma validação mais ampla e uma adaptação
para lidar com desaos mais complexos e variados.
Em [5] é proposto e um framework de SLAM implícito colaborativo para
múltiplos agentes, destacando a utilização de Neural Radiance Fields (NeRFs)
para mapeamento e reconstrução de cenários desconhecidos. A abordagem apre-
senta inovações na representação e fusão de mapas locais de múltiplos agentes,
enfatizando o uso de uma estrutura de octree de ponto utuante para armazena-
mento e alinhamento dos mapas locais. A inclusão de reconhecimento de lugar,
alinhamento implícito e remoção de dados redundantes fortalece a ecácia e
precisão da fusão de mapas. Os resultados experimentais validam a eciência
na fusão de mapas, reduzindo áreas de sobreposição e ruídos, demonstrando
a promissora aplicabilidade da abordagem. No entanto, o trabalho menciona
limitações, como a dependência da estrutura de octree para fusão, sugerindo a
necessidade de investigar estratégias mais ecazes. Além disso, a restrição dos
testes a ambientes internos destaca a necessidade de expandir a validação para
cenários externos, explorando a combinação de sensores adicionais como radar
e câmeras para uma fusão de mapas mais robusta em ambientes maiores e mais
complexos. Essas limitações reconhecidas indicam caminhos promissores para
futuras melhorias e validações do framework proposto, destacando áreas-chave
para investigação e desenvolvimento subsequente.
Em [7] é apresentado uma abordagem inovadora para melhorar a precisão
e a economia de custos em sistemas de SLAM para veículos autônomos. A
integração do Recongurable Holographic Surface (RHS) em conjunto com o
federated learning oferece um potencial considerável para reduzir os custos de
hardware e melhorar a colaboração entre múltiplos veículos, aprimorando a pre-
cisão do mapeamento e da localização. No entanto, o estudo também aponta
desaos signicativos, como a complexidade na estrutura de radiação do RHS e
6 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

as questões práticas relacionadas à implementação do sistema em cenários vari-

ados. Embora os resultados da simulação sejam promissores, a validação prática
em ambientes dinâmicos e desaadores é essencial para comprovar a viabilidade
e a ecácia desse sistema proposto.
Em [3] é apresentado o EMS-SLAM como um framework promissor para mel-
horar a eciência e precisão da localização e mapeamento simultâneo em ambi-
entes de larga escala, utilizando comunicação sem o adaptativa entre servidores
centralizados e múltiplos agentes robóticos. A abordagem destaca a redução sig-
nicativa no uso de CPU e memória por robô, bem como a melhoria na eciência
do SLAM em ambientes amplos. Os resultados experimentais demonstram uma
diminuição de cerca de 10% na utilização de CPU por robô e a obtenção de
um OctoMap de alta precisão, fatores cruciais para a aplicabilidade prática em
operações robóticas do mundo real. A ênfase na eciência energética, agilidade
e conabilidade do EMS-SLAM reforça sua relevância para a percepção ambi-
ental em larga escala. No entanto, uma análise mais detalhada sobre os desaos
enfrentados em ambientes dinâmicos ou com obstáculos complexos poderia apri-
morar a compreensão dos limites do EMS-SLAM. Além disso, a discussão sobre
a escalabilidade do sistema em termos de número de agentes e complexidade
do ambiente também poderia fortalecer a validade da abordagem proposta em
cenários mais diversicados. Esses pontos podem enriquecer ainda mais o en-
tendimento do potencial e das limitações do EMS-SLAM para aplicações práticas
em ambientes reais de robótica.
Em [6] é apresentado o DCP-SLAM que oferece uma abordagem inovadora
para otimizar a navegação de enxames de robôs autônomos em ambientes de-
sconhecidos. Ao propor um método que se concentra na eciência energética do
enxame como um todo, o trabalho destaca a importância da colaboração entre os
robôs para alcançar melhores resultados de navegação. A estratégia de compar-
tilhamento de informações entre os robôs líderes e seguidores, juntamente com
a minimização dos custos de comunicação, demonstra uma redução signicativa
na distância percorrida pelos robôs individuais e pelo enxame, evidenciando a
viabilidade e a ecácia do DCP-SLAM. No entanto, o estudo poderia se bene-
ciar de investigações mais aprofundadas em cenários dinâmicos, como a análise
de atrasos na comunicação e perturbações ambientais, para validar ainda mais
sua aplicabilidade em condições práticas e ambientes variados.
Em [2] é introduzido o SwarmMap, oferecendo soluções inovadoras para en-
frentar os desaos de escalabilidade em sistemas colaborativos de SLAM visual.
Ao abordar questões cruciais como redundância de dados, consumo de largura
de banda e erros de localização, o SwarmMap destaca-se pela sua abordagem
em três módulos sistêmicos. No entanto, o trabalho identica limitações, como
o crescimento linear dos recursos com o aumento de agentes, indicando a neces-
sidade de pesquisas adicionais para reduzir esse crescimento de forma sublinear.
A integração de algoritmos de otimização de mapas e a consideração da hetero-
geneidade de rede entre os agentes são pontos chave para futuros aprimoramen-
tos. Apesar das limitações, o estudo destaca-se por seu potencial em sistemas
 C-SLAM online com controle adaptativo de mapeamento 7

de SLAM visual colaborativos, oferecendo uma estrutura ecaz para cenários de

multiagentes.
Em [8] o autor propõe o DeepPointMap como uma abordagem inovadora
para aprimorar o mapeamento e a localização simultânea (SLAM) com base
em nuvens de pontos provenientes de LiDAR. Ao introduzir descritores neurais
mais ecientes e representativos, o DeepPointMap busca resolver a dicotomia
entre a precisão da localização e a eciência do armazenamento de mapas. Sua
versatilidade é evidenciada na adaptação para SLAM colaborativo multiagente,
demonstrando resultados promissores em cenários desaadores, especialmente
em ambientes urbanos complexos. No entanto, a abordagem baseada em redes
neurais enfrenta desaos relacionados à necessidade de rótulos precisos dos da-
dos, particularmente os referentes à pose de cada varredura do LiDAR. Isso
pode se tornar uma limitação signicativa em contextos de SLAM para direção
autônoma, onde a qualidade dos rótulos muitas vezes é inadequada, podendo
impactar os resultados experimentais. Além disso, o desempenho do método pro-
posto apresentou falhas em sequências de áreas rurais distantes devido à escassez
de objetos de referência e informações geométricas limitadas nas nuvens de pon-
tos. Para enfrentar essa limitação, os autores planejam incorporar a modalidade
visual em trabalhos futuros, buscando melhorar a ecácia do modelo em cenários
desaadores.
Em [4] é apresentado uma abordagem inovadora para o SLAM monocular
colaborativo, utilizando encontros entre robôs, conhecidos como "rendezvous",
para a fusão de mapas. A utilização de características não estáticas (NSFs) para
identicar esses encontros, sem depender de marcadores ou sensores adicionais,
oferece uma solução eciente e de baixo custo computacional. Contudo, o método
pode encontrar limitações em situações onde a presença de NSFs é inadequada
ou em ambientes onde a distância entre os robôs é substancial, podendo impactar
a precisão da identicação dos "rendezvous". Apesar disso, os resultados exper-
imentais demonstram uma rápida e robusta integração dos mapas locais dos
robôs observados e observadores, indicando um caminho promissor para avanços
no SLAM colaborativo. Expansões futuras nos testes e avaliações poderiam pro-
porcionar uma compreensão mais ampla sobre a robustez e a aplicabilidade do
método em diferentes cenários operacionais.

3 Método proposto
3.1 Desaos para C-SLAM online com otimização de recursos
Em um trabalho anterior, identicamos que ao realizar o C-SLAM sem nenhum
tipo de controle de navegação, muitas áreas são mapeadas várias vezes pelos
mesmos robôs, resultando em grande desperdício de recursos e perda de eciên-
cia. Para mitigar esse problema, propomos limitar a área em que cada robô deve
navegar. Essa abordagem otimiza a utilização dos recursos e melhora a precisão
dos mapas gerados pelos robôs. Um robô limitado a uma área menor pode focar
mais no aperfeiçoamento do mapa e menos na exploração do ambiente. No en-
8 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

tanto, a implementação do limite de navegação acarretou em uma série de novos

desaos.

Denição do limite de navegação e das posições iniciais O primeiro

desao identicado foi como denir o limite de navegação e a posição inicial
dos robôs. Para isso, consideramos que as dimensões aproximadas do mapa são
conhecidas. Com essa informação, é possível calcular um tamanho inicial para o
limite e as posições iniciais dos robôs. A metodologia para calcular as posições
iniciais dos robôs é apresentada na subseção Denição de Posições Iniciais dos
Robôs, enquanto a metodologia para calcular o limite é apresentada na subseção
Denição do Limite de Mapeamento. A Figura 1 ilustra o processo de denição
das posições iniciais e do limite de mapeamento.

Fig. 1. À esquerda, é mostrado o mapa a ser mapeado, inicialmente desconhecido.

No centro, são ilustradas as dimensões aproximadas do ambiente a ser mapeado, que
consideramos conhecidas inicialmente. À direita, são mostradas as posições iniciais
dos robôs (pontos azuis) e o limite de mapeamento. Neste exemplo, o C-SLAM será
executado por 6 robôs.

Controle da navegação Com o ambiente dividido em sub-áreas e cada robô

responsável por mapear sua região designada, surge a questão de como garan-
tir que ele permaneça contido em sua área. Para isso, desenvolvemos um novo
método de controle de navegação que verica se o robô está dentro de sua área
designada. Caso contrário, o robô é instruído a retornar para dentro de sua área.
No entanto, uma abordagem simples de simplesmente fazer o robô dar meia
volta não foi ecaz devido às complexas estruturas geométricas do mapa. Essa
abordagem muitas vezes resultava no robô car preso em determinadas regiões
do mapa, girando em pequenos círculos. Isso ocorre porque o robô possui um
sistema de controle de identicação e desvio de obstáculos, que muitas vezes o
faz sair da área designada. O controle de desvio de obstáculos tem prioridade
sobre o controle de movimento do robô para garantir sua integridade. Isso pode
resultar em duas situações: o robô ca connado em um espaço muito pequeno
devido às estruturas geométricas do mapa e ao limite de mapeamento, ou o robô
acaba se afastando muito da área de mapeamento e ca girando em círculos no
próprio eixo, pois o comando em caso de estar fora da área é dar meia volta. Para
resolver esses problemas, desenvolvemos um controle mais sosticado para limi-
tar o mapeamento do robô. O Algoritmo 1 demonstra esse controle. Dentro da
 C-SLAM online com controle adaptativo de mapeamento 9

área de navegação, o robô se move normalmente. Quando ele identica que saiu
da área de mapeamento, o processo de redirecionamento é acionado de forma
aleatória, garantindo não-linearidade ao processo. Se o processo for acionado, é
calculada a orientação do robô em relação à sua posição inicial (centro da área
de mapeamento). Isso é feito para determinar se o robô está se afastando ou se
aproximando do limite da área de mapeamento. Se ele estiver se aproximando,
nada é feito. Caso contrário, é acionado um comando para que o robô vire para
a esquerda ou direita, dependendo de sua orientação em relação a sua posição
inicial, com uma duração de movimento aleatória.

Algorithm 1 Limitar Navegação

Require: Posição do robô (x, y ), orientação do robô (θ), raio da área (R)
Ensure: Comando de controle do robô
1: κ ← Distância do robô para o centro da área
2: ω ← Número randômico de 0 à 1
3: if κ > R e ω > 0.3 then
4: θ̂ ← Orientação do robô em relação ao centro da área
5: if −90 > θ̂ > 90 then
6: Ω ← Número randômico inteiro de 1 à 10
7: Θl ← Distância angular positiva entre o robô e o centro da área
8: Θr ← Distância angular negativa entre o robô e o centro da área
9: if Θl < Θr then
10: for η ← 0 até Ω do
11: Comando VIRE Á ESQUERDA
12: end for
13: else
14: for η ← 0 até Ω do
15: Comando VIRE Á DIREITA
16: end for
17: end if
18: end if
19: else
20: Comando SIGA EM FRENTE
21: end if

Localização das poses únicas Identicamos mais um desao relacionado à

localização coerente das poses únicas. Ao utilizar o mesmo procedimento do
trabalho anterior, encontramos incoerências, como mapas individuais que não
possuem áreas comuns, resultando em um maior número de poses únicas com
alta similaridade. Acreditamos que isso ocorreu devido à presença de regiões com
estruturas geométricas similares, mesmo em mapas sem áreas comuns. A Figura 2
ilustra esse problema. Em teoria, os mapas gerados pelos robôs vermelho e laranja
não deveriam ter poses únicas com alta similaridade. No entanto, eles foram
selecionados como o par com o maior número de poses únicas similares. Para
resolver essa questão, aplicamos uma abordagem prática e direta. Limitamos
10 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

o processo de busca de pares para que apenas robôs com vizinhanças comuns.
Dessa forma, calculamos apenas a matriz de similaridades entre robôs vizinhos.
O Algoritmo 3 demonstra com um par de robôs é denido como válido ou inválido
para o processo de calculo da matriz de similaridade.

Fig. 2. Na linha superior, é mostrado o mapa a ser mapeado e os robôs em suas posições
inciais. Na linha inferior, à esquerda, é ilustrado o mapa gerado pele robô vermelho na
canto inferior esquerdo, como as poses únicas com alta similaridade em vermelho. Na
linha inferior, à direita, é ilustrado o mapa gerado pele robô laranja na canto superior
direito

Perda de eciência na análise espectral Observamos uma perda de e-

ciência no processo de seleção de poses únicas após a inclusão do limite de
mapeamento. Antes disso, as poses únicas eram identicadas de forma muito as-
sertiva, permitindo a localização precisa de regiões com estruturas geométricas
singulares no mapa. Conseguimos garantir que as máscaras utilizadas no pro-
cesso de alinhamento não apresentassem estruturas comuns, como corredores ou
seções retangulares repetitivas. No entanto, com a inclusão do limite de mapea-
mento, houve uma perda na capacidade de identicar regiões verdadeiramente
singulares. O processo começou a identicar regiões que não consideramos sin-
 C-SLAM online com controle adaptativo de mapeamento 11

gulares, como seções de corredores, por exemplo. Acreditamos que isso ocorre
porque, ao limitar o mapeamento, o mapa resultante torna-se menos rico em
informações, dicultando a análise espectral. Em mapas limitados, a probabil-
idade de estruturas repetitivas diminui, e o processo de identicação de poses
únicas depende dessas estruturas repetitivas para criar um referencial que será
usado como parâmetro para denir se uma pose é ou não única. A Figura 3
ilustra a perda de eciência ao localizar as poses únicas. Percebemos que não
existe um região que concentre todas as poses únicas, porém mesmo com a perda
de eciência os mapas dos quatro robôs compartilham a mesma região com sin-
gularidade esse regiões poderia ser utilizada como referencial para processo de
fusão dos mapas.

Fig. 3. Exemplo de localização de poses únicas com 4 robôs, onde cada pose única é
representada por um ponto vermelho e sua respectiva leitura do Lidar é indicada em
rosa.

Denição do critério de parada O método proposto baseia-se em ciclos de

construção de mapas individuais, localização de poses únicas, cálculo da ma-
triz de similaridade e denição dos pares. Caso a denição dos pares não tenha
12 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

sucesso, é realizado um ajuste no limite de navegação e o processo é reiniciado.

Presumimos que o processo falhou devido a um limite de mapeamento muito re-
strito. Por esse motivo, realizamos um incremento nesse limite e repetimos todo
o processo. No entanto, observamos que, devido à falta de um controle sosti-
cado da navegação, não podemos garantir que a área mapeada pelo robô tenha
sido totalmente explorada, sendo uma causa principal o número insuciente de
poses. Como podemos denir o número ideal de poses que otimize os recursos?
Nossa primeira ideia foi permitir que o robô navegasse com um número limi-
tado de poses, aumentando esse número a cada ciclo do processo até alcançar
uma estagnação no número de poses únicas localizadas. No entanto, esse proced-
imento mostrou-se computacionalmente custoso, uma vez que a localização de
poses únicas envolve transformadas de Fourier, tornando o método muito lento.
Outra solução seria implementar um processo de controle do mapeamento que
nos permitisse identicar quando o robô concluiu a exploração completa de sua
área.

Comunicação e sincronização

3.2 Processo otimizado de fusão de mapas

O SLAM Colaborativo (C-SLAM) representa um marco na pesquisa em robótica
moderna, aspirando facilitar a cooperação entre múltiplos robôs para a elabo-
ração de mapas unicados e a estimação precisa de suas localizações em tempo
real. Este domínio enfrenta o desao primordial de integrar mapas individuais
em uma representação global detalhada, um processo essencial não apenas para
a interação ecaz entre os robôs, mas também para melhorar signicativamente
a operacionalidade em ambientes dinâmicos e de alta complexidade. A essência
do C-SLAM reside na partilha de informações e recursos com o objetivo de ma-
pear ambientes de maneira abrangente, destacando sua importância em cenários
onde a exploração isolada por um único robô se mostra insuciente, como em
instalações industriais amplas.
A integração de mapas, um pilar central do C-SLAM, envolve combinar os
mapas criados individualmente por cada robô em um único mapa global coer-
ente. Este processo é vital para estabelecer uma colaboração efetiva entre robôs
que operam em ambientes compartilhados, facilitando operações como missões
de busca e salvamento ou gestão de espaços industriais complexos. No entanto,
enfrenta-se obstáculos técnicos consideráveis, incluindo a falta de referências ini-
ciais claras que pode resultar em desajustes de translação e rotação entre os
mapas individuais, além das diculdades impostas por estruturas repetitivas no
ambiente, que podem causar desalinhamentos e confusões na integração dos ma-
pas.
Nesta seção, introduzimos uma estratégia inovadora para superar esses ob-
stáculos. Inicialmente, propõe-se uma divisão estratégica das tarefas para min-
imizar o mapeamento redundante das mesmas áreas por múltiplos robôs. A
Transformada Discreta de Fourier (TDF) é empregada como ferramenta chave,
 C-SLAM online com controle adaptativo de mapeamento 13

permitindo a análise espectral das medições realizadas pelos robôs. Tal análise
espectral revela detalhes cruciais do ambiente, facilitando a identicação de de-
salinhamentos e mínimos locais que afetam a precisão da fusão de mapas. No
coração desta abordagem está o processo de identicação de pares de mapas
ideais para fusão, organizando e priorizando a integração de mapas de maneira
que amplie a probabilidade de alinhamento bem-sucedido.
O processo otimizado de fusão de mapas é realizado em fases distintas,
ilustradas no uxograma da Figura 4. Este procedimento assegura uma metodolo-
gia eciente para a integração de mapas de ρ robôs, otimizando recursos ao des-
ignar a cada robô uma seção especíca do ambiente para mapear. Cada robô
desenvolve um mapa de sua área designada. A metodologia se concentra em
otimizar a utilização dos dados coletados, identicando regiões que apresentam
características únicas, denominadas "poses únicas". Analisando as variações es-
pectrais de seções de pose em relação ao espectro geral do mapa, é possível
localizar regiões com picos de frequência distintos, indicando características es-
truturais singulares. Estas áreas formam a base para a busca de similaridades
entre diferentes mapas, assegurando que a comparação de regiões únicas com
alta correspondência aumenta a probabilidade de representarem a mesma área
física, servindo como referência para determinar as transformações necessárias
para a fusão ecaz dos mapas. As próximas seções detalham cada etapa deste
método.

Fig. 4. Etapas do processo de fusão de mapas proposto.

3.3 Denição de Posições Iniciais dos Robôs

A etapa inicial no processo de SLAM Colaborativo (C-SLAM) envolve a deter-
minação estratégica das posições iniciais dos robôs no ambiente a ser mapeado.
Essa denição é crucial para maximizar a eciência do mapeamento e garantir
a cobertura completa do ambiente sem redundâncias signicativas. O Algoritmo
2 descreve o procedimento para denir essas posições iniciais.
14 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

No contexto deste algoritmo, ρ representa o número total de robôs disponíveis

para o processo de mapeamento. A variável D indica as dimensões estimadas
do ambiente, servindo como base para o cálculo da distribuição espacial dos
robôs. O objetivo é particionar o ambiente em sub-áreas de forma que cada
robô seja responsável por mapear uma porção especíca, garantindo uma cober-
tura abrangente e eciente. O resultado nal é a denição clara de um limite,
representado por L, e um conjunto de posições iniciais, P I , que orientam a dis-
tribuição espacial dos robôs no ambiente a ser mapeado. Essa abordagem inicial
é fundamental para o sucesso subsequente do processo de mapeamento colabo-
rativo, assegurando que o ambiente seja coberto de maneira ecaz e eciente,
minimizando a redundância no mapeamento e maximizando a utilização dos
recursos disponíveis.

Algorithm 2 Denição de Posições Iniciais dos Robôs

Require: ρ, D
1: Calcula o número de linhas verticais e horizontais em função de ρ
2: Calcula o tamanho de cada sub-área em relação ao número de linhas e em relação
àD
3: L ← diagonal da sub-área / 2
4: P I ← centroides das sub-área
5: return L, P I

3.4 Denição do Limite de Mapeamento

Ajustar o limite de mapeamento é uma etapa crítica do método, especialmente
quando se trata de otimizar a cobertura do mapeamento em ambientes com-
plexos. Essa fase é descrita pelo Algoritmo 3, que é responsável por controlar
e, se necessário, expandir o limite de mapeamento dos robôs para garantir uma
exploração ecaz e completa do ambiente.
Neste contexto, a variável L representa o limite atual de mapeamento para
os robôs, ou seja, a distância máxima dentro da qual cada robô pode operar para
mapear sua área designada. O parâmetro IN C indica se é necessário incrementar
este limite, baseando-se na avaliação de sucesso na denição dos pares de mapas.
Essa necessidade surge quando, após uma tentativa de localização, identica-se
que não foi possível estabelecer com precisão todos os pares de mapas devido a
limitações no alcance atual de mapeamento. Conforme detalhado no algoritmo,
se a condição IN C = Sim for verdadeira, indicando a necessidade de expansão
do limite de mapeamento, o valor de L será aumentado em 25%. Esse incremento
é calculado multiplicando o limite atual L por 1.25, ampliando assim a área que
cada robô pode mapear. Este ajuste é crucial para superar as barreiras impostas
por um limite de mapeamento inicialmente restritivo, permitindo uma cobertura
mais abrangente e eciente do ambiente.
 C-SLAM online com controle adaptativo de mapeamento 15

A operação de ajuste do limite de mapeamento, portanto, é uma resposta

adaptativa a desaos encontrados durante o processo de mapeamento colabo-
rativo, garantindo que os robôs possam expandir suas áreas de mapeamento
quando enfrentam diculdades em alcançar uma cobertura completa devido a
limitações prévias. Essa abordagem dinâmica assegura a exibilidade e ecácia
do C-SLAM em ambientes de mapeamento variados e desaadores.

Algorithm 3 Denição do Limite de Mapeamento

Require: L, IN C
1: if IN C = Sim then
2: L ← L * 1.25
3: end if
4: return L

3.5 Construção do mapa individual

A construção do mapa individual de cada robô é uma etapa onde cada robô
mapeia sua área designada, navega dentro do limite L, estabelecido na etapa
anterior. O Algoritmo 4 descreve o procedimento para a construção desse mapa
individual. Neste algoritmo em ralação ao robô ρ, P Iρ representa a posição inicial
do robô no ambiente, L dene a extensão máxima que o robô pode explorar, e
M P indica o número máximo de poses (ou posições) que o robô pode assumir
durante o mapeamento.
O algoritmo começa inicializando o SLAM em P Iρ , ou seja, iniciando o pro-
cesso de mapeamento a partir desse ponto, vale ressaltar que o robô não possui
nenhum referencial de sua posição inicial, a sua posição inicial, para ele, é de-
sconhecida. Em seguida, o robô navega dentro do L estabelecido, explorando a
área delimitada para construir o mapa. O mapeamento individual é nalizado
quando o robô atinge o M P , ou seja, quando alcança o número máximo de
poses permitidas para o mapeamento. O resultado deste algoritmo é o Mρ , que
representa a representação do ambiente mapeado pelo robô dentro de sua área
designada. Este mapa individual é essencial para a etapa posterior de fusão de
mapas, onde os mapas individuais de todos os robôs são combinados para formar
um mapa global abrangente do ambiente.

Algorithm 4 Construção do mapa individual

Require: P Iρ , L, M P
1: Inicia o SLAM na P Iρ
2: Navega dentro do L
3: Finaliza quando atingir o M P
4: return Mρ
16 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

P −1 NX
NX L−1
(1)
uk vw
DF T B(u, v) = µkw · e−i2π( N L + N L ) ,
k=0 w=0
n n
1 XX
min f (Θi , Θj ) = (Θixy − Θjxy )2 (2)
∆x ,∆y ,∆ϕ n · m x=1 y=1

x′ = (x + ∆x ) · cos(∆ϕ ) − (y + ∆y ) · sin(∆ϕ ),
(3)
y ′ = (x + ∆x ) · sin(∆ϕ ) + (y + ∆y ) · cos(∆ϕ ),

desconhecido, if M1 (x, y) = desconhecido e M2 (x, y) = desconhecido



Mfusao (x, y) = ocupado, if M1 (x, y) = ocupado or M2 (x, y) = ocupado
livre, caso contrário


(4)

4 Resultados
Esta seção apresenta os resultados dos experimentos realizados para avaliar a
proposta de SLAM Colaborativo (C-SLAM) descrita neste trabalho. Os exper-
imentos foram divididos em dois cenários distintos para analisar o desempenho
da abordagem proposta em diferentes contextos.
O primeiro experimento analisa o impacto da divisão de tarefas na eciência
do mapeamento colaborativo. Para isso, foram comparados os resultados obtidos
com e sem a divisão estratégica das áreas de mapeamento entre os robôs. O ob-
jetivo é avaliar se a divisão de tarefas resulta em um mapeamento mais eciente
e completo.
O segundo experimento foi realizado em um ambiente mais complexo, com um
número maior de robôs. O objetivo deste experimento é avaliar a escalabilidade
da abordagem proposta, ou seja, vericar se o C-SLAM é capaz de lidar de forma
ecaz com um aumento no número de robôs e na complexidade do ambiente. Os
resultados desses experimentos são apresentados e discutidos detalhadamente
nas seções a seguir.

4.1 Experimento 1
02 Robôs com divisão de tarefas

5 Conclusão
References
1. Bänninger, P., Alzugaray, I., Karrer, M., Chli, M.: Cross-agent relocalization for de-
centralized collaborative slam. In: 2023 IEEE International Conference on Robotics
and Automation (ICRA). pp. 55515557. IEEE (2023)
 C-SLAM online com controle adaptativo de mapeamento 17

Fig. 5. Mapas individuais com as poses únicas com alta similaridade em vermelho

Fig. 6. Máscara para o processo de busca dos parâmetros de translação e rotação

18 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

Algorithm 5 Localização de Poses Únicas

Require: mapa_individual, tam_secao
1: medidas_lidar ← converter medidas do LIDAR do mapa_individual em uma
matriz
2: espectro_geral ← calcular espectro geral usando DFTB em medidasl idar
3: lista_dif erencas_poses ← []
4: for i de tam_secao até medidas_lidar.shape[0] − tams ecao do
5: secao_mapa ← selecionar subseção de medidas_lidar
6: espectro_secao ← calcular espectro usando DFTB em secao_mapa
7: lista_dif erencas ← []
8: for espectro em espectro_secao do
9: dif erencas ← calcular diferenças em relação ao espectro geral
10: adicionar dif erencas a lista_dif erencas
11: end for
12: adicionar (i, lista_dif erencas) a lista_dif erenca_poses
13: end for
14: todas_dif erencas ← concatenar todas as diferenças de lista_dif erencas_poses
15: poses_unicas ← []
16: limiar_dif erenca ← mínimo da média de todas_dif erencas
17: ideal_poses ← α
18: while tamanho de poses_unicas > ideal_poses ou tamanho de poses_unicas <
ideal_poses * 0.9 do
19: if tamanho de poses_unicas > num_ideal_poses_unicas then
20: aumentar limiar_dif erenca em 1000
21: else
22: diminuir limiar_dif erenca em 1000
23: end if
24: poses_unicas ← []
25: for dif erencas_pose em lista_dif erencas_poses do
26: possui_caracteristicas_unicas ← F also
27: for dif erencas em dif erencas_pose[1] do
28: if número de elementos em dif erencas menores que limiar _dif erenca
≤ 1 then
29: possui_caracteristicas_unicas ← T rue
30: quebrar o loop
31: end if
32: end for
33: if possui_caracteristicas_unicas then
34: adicionar dif erencas_pose[0] a poses_unicas
35: end if
36: end for
37: end while
38: return poses_unicas

2. Cao, H., Xu, J., Yang, Z., Shangguan, L., Zhang, J., He, X., Liu, Y.: Scaling up edge-
assisted real-time collaborative visual slam applications. IEEE/ACM Transactions
on Networking (2023)
 C-SLAM online com controle adaptativo de mapeamento 19

Algorithm 6 Busca em Profundidade (DFS)

1: DFS(grafo, inicio, m, visitados)
2: if visitados é Nulo then
3: visitados ← {}
4: end if
5: visitados.adicionar(inicio)
6: for vizinho em grafo[inicio] do
7: if vizinho == m ou vizinho não está em visitados then
8: retorne Verdadeiro ▷ Caminho encontrado ou ainda não visitado
9: end if
10: if DFS(grafo, inicio, m, visitados) then return Verdadeiro
11: end if
12: end for
13: return Falso ▷ Nenhum caminho encontrado

Algorithm 7 Identicação dos Melhores Pares de Mapas

Require: Matrizes de Similaridade S , Coecientes com Altamente Similares (CAS)
C , Número total de robôs N
1: Inicialize a lista de pares possíveis P com todas as combinações
2: Inicialize a sequência otimizada de pares de mapas O como um lista vazia
3: for k ← 1 até N − 1 do
4: Inicialize o melhor par identicado como nulo: melhorP ar ← NULL
5: for cada par p em P do
6: if C[p] > C[melhorP ar] then
7: melhorP ar ← p
8: end if
9: end for
10: Remova melhorP ar de P
11: Adiciona melhorP ar em O
12: Verica a validade de outros pares de acordo com os caminhos já identicados
e remove os pares inválidos
13: for cada outro par q em P do
14: Realize uma busca em profundidade (DFS - Algorítimo 6) para vericar se
existe um caminho entre os mapas q em O
15: if um caminho é encontrado then
16: Remova q de P
17: end if
18: end for
19: end for
20: return O

3. Hu, K., Zhan, L., Zou, L., Chen, Z., Muntean, G.M.: Ems-slam: Edge-assisted multi-
agent system simultaneous localization and mapping. In: 2023 IEEE 97th Vehicular
Technology Conference (VTC2023-Spring). pp. 15. IEEE (2023)
4. Jang, Y., Oh, C., Lee, Y., Kim, H.J.: Multirobot collaborative monocular slam
utilizing rendezvous. IEEE Transactions on Robotics 37(5), 14691486 (2021)
5. Liu, S., Zhu, J.: Ecient map fusion for multiple implicit slam agents. IEEE Trans-
actions on Intelligent Vehicles (2023)
20 Ribeiro, L.M., Nedjah, N. e De Carvalho, P.V.R. et al.

6. Mahboob, H., Yasin, J.N., Jokinen, S., Haghbayan, M.H., Plosila, J., Yasin, M.M.:
Dcp-slam: Distributed collaborative partial swarm slam for ecient navigation of
autonomous robots. Sensors 23(2), 1025 (2023)
7. Zhang, H., Yang, Z., Tian, Y., Zhang, H., Di, B., Song, L.: Recongurable holo-
graphic surface aided collaborative wireless slam using federated learning for au-
tonomous driving. IEEE Transactions on Intelligent Vehicles (2023)
8. Zhang, X., Ding, Z., Jing, Q., Zhang, Y., Ding, W., Feng, R.: Deeppointmap: Ad-
vancing lidar slam with unied neural descriptors. arXiv preprint arXiv:2312.02684
(2023)