Classificação do Nível de Rugosidade usando Sensor Inercial para Robôs Terrestres em Ambientes Externos

• Juan Miguel de Assis Oliveira UFAM
• Felipe Gomes de Oliveira UFAM

DOI: https://doi.org/10.5753/connect.2024.238557

Resumo

Este artigo propõe uma técnica de classificação do nível de rugosidade de robôs terrestres usando sensores inerciais, durante sua navegação em ambientes externos. Para isso, é proposta uma abordagem baseada em uma Rede Neural Convolucional (CNN) para classificar o nível de terrenos irregulares no deslocamento de robôs com rodas. A metodologia proposta consiste em duas etapas principais: i) Representação de medidas inerciais; e ii) Classificação do nível de rugosidade. Para validar a abordagem proposta, experimentos simulados e reais foram realizados, alcançando resultados precisos e confiáveis, mesmo em diferentes circunstâncias de superfície. Nos experimentos simulados e reais, a abordagem proposta obteve, respectivamente, precisão superior a 96,0% e 88,0%.

Referências

Androulakis, V., Sottile, J., Schafrik, S., and Agioutantis, Z. (2020). Concepts for development of autonomous coal mine shuttle cars. IEEE Transactions on Industry Applications, 56(3):3272–3280.

Beloev, I., Kinaneva, D., Georgiev, G., Hristov, G., and Zahariev, P. (2021). Artificial intelligence-driven autonomous robot for precision agriculture. Acta Technologica Agriculturae, 24(1):48–54.

Cruz Ulloa, C., Prieto Sánchez, G., Barrientos, A., and Del Cerro, J. (2021). Autonomous thermal vision robotic system for victims recognition in search and rescue missions. Sensors, 21(21).

Fragapane, G. I., Ivanov, D. A., Peron, M., Sgarbossa, F., and Strandhagen, J. O. (2020). Increasing flexibility and productivity in industry 4.0 production networks with autonomous mobile robots and smart intralogistics. Annals of Operations Research, 308:125–143.

Lee, M.-F. R. and Shih, Z.-S. (2022). Autonomous surveillance for an indoor security robot. Processes, 10(11).

Oliveira, F. G., Neto, A. A., Borges, P., Campos, M. F. M., and Macharet, D. G. (2019). Augmented vector field navigation cost mapping using inertial sensors. In 2019 19th International Conference on Advanced Robotics (ICAR), pages 388–393.

Oliveira, F. G., Neto, A. A., Howard, D., Borges, P., Campos, M. F. M., and Macharet, D. G. (2021). Three-dimensional mapping with augmented navigation cost through deep learning. Journal of Intelligent & Robotic Systems, 101(3).

Oliveira, F. G., Santos, E. R. S., Neto, A. A., Campos, M. F. M., and Macharet, D. G. (2017). Speed-invariant terrain roughness classification and control based on inertial sensors. 2017 Latin American Robotics Symposium (LARS) and 2017 Brazilian Symposium on Robotics (SBR), pages 1–6.

Oliveira, J. M. A., Macharet, D. G., and Oliveira, F. G. (2023). Roughness level classification using inertial data for wheeled robots in outdoor terrains. In 2023 Latin American Robotics Symposium (LARS), 2023 Brazilian Symposium on Robotics (SBR), and 2023 Workshop on Robotics in Education (WRE), pages 343–348.

Seo, S. and Jung, H. (2023). A robust collision prediction and detection method based on neural network for autonomous delivery robots. ETRI Journal, 45(2):329–337.

Waibel, G. G., Löw, T., Nass, M., Howard, D., Bandyopadhyay, T., and Borges, P. V. K. (2022). How rough is the path? terrain traversability estimation for local and global path planning. IEEE Transactions on Intelligent Transportation Systems, 23(9):16462–16473.