Localização e navegação de robôs móveis em mapas topológicos utilizando redes neurais convolucionais baseada em Transfer Learning

Abstract

A Robótica Móvel é uma área de pesquisa crescente e desafiadora, com aplicações em diferentes tarefas. O interesse em robôs móveis autônomos e os sucessivos avanços na tecnologia tem aumentado de forma simultânea. Com isso, esses robôs tem sido largamente empregados em atividades civis e militares. Motivado por isso, esta dissertação apresenta uma abordagem para localização e navegação de robôs móveis utilizando Visão Computacional através do uso de Redes Neurais Convolucionais (Convolutional Neural Network, CNN) como extrator de característica, a partir da aplicação do conceito de Transfer Learning. O uso de Transfer Learning permite que um modelo de CNN pré-treinado seja reutilizado em um novo problema, ou seja, é possível empregar uma rede treinada em um outro banco de dados, normalmente maior, para solucionar uma problema diferente. Utilizar esse conceito traz vantagens como minimizar a ocorrência de questões como overfitting, diminuir o custo de treinamento, uma vez que CNNs muito profundas requerem hardware potente para serem treinadas, e eliminar o obstáculo em obter um conjunto de dados grande o suficiente para se treinar adequadamente uma CNN. O robô móvel realiza sua navegação em uma área do tipo interna, utilizando o recurso de mapeamento topológico e processando imagens provenientes de uma câmera de visão convencional de alta resolução e de uma câmera de visão omnidirecional. As imagens foram capturadas no ambiente real e, em seguida, no ambiente virtual simulado computacionalmente. Logo, são considerados quatro bancos de dados diferentes: imagens reais convencionais, imagens sintéticas convencionais, imagens reais omnidirecionais e imagens sintéticas omnidirecionais. Com o objetivo de evidenciar o alto desempenho da abordagem proposta foi realizada uma avaliação de combinações de arquiteturas de CNN com classificadores estabelecidos na literatura, dentre eles, Naive Bayes, Perceptron Múltiplas Camadas, k-Vizinhos Mais Próximos, Floresta Aleatória, e Máquina de Vetores de Suporte. As métricas Acurácia, Recall, Precision e F1-Score e parâmetros como tempo de processamento foram empregados para provar a confiabilidade e a eficácia da abordagem, uma vez que essas propriedades são fundamentais na análise de sistemas embarcados. Os resultados indicam que a combinação da arquitetura VGG19 com o classificador Naive Bayes, utilizando imagens reais com campo de visão convencional e imagens sintéticas com campo de visão omnidirecional, mostrou-se adequad