Escolar Documentos
Profissional Documentos
Cultura Documentos
mapeamento
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
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.
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.
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.
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
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.
Comunicação e sincronização
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.
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 ),
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
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
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)