Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.129
Aluno: Adriel Filipe Lins Alves da Silva
Orientador: Prof. Aluizio Fausto Ribeiro Araújo
Coorientador: Prof. Adrien Durand-Petiteville (UFPE/Engenharia Mecânica)
Título: Agrupamento Dinâmico para Reconhecimento Visual de Lugares
Data: 28/02/2024
Hora/Local: 9h – Centro de Informática – Auditório Bloco B
Banca Examinadora:
Prof. Carlos Alexandre Barros de Mello (UFPE / Centro de Informática)
Prof. José Alfredo Ferreira Costa (UFRN / Departamento de Engenharia Elétrica)
Prof. Aluizio Fausto Ribeiro Araújo (UFPE / Centro de Informática)
RESUMO:
Navegação autônoma desempenha um papel muito importante em aplicações que
mostraram uma grande evolução nos últimos anos como, por exemplo, missões
espaciais, agricultura, veículos autônomos, veículos autônomos
subaquáticos, robôs de limpeza e logística. Para a realização dessa tarefa,
é importante que o robô tenha informação a respeito do ambiente e da sua
localização dentro dele.
Reconhecimento Visual de Lugares (Visual Place Recognition ou VPR) usa
somente sensores visuais para o agente autônomo saber o local onde ele
está. Esse processo pode ser utilizado de forma independente ou dentro de
um sistema de mapeamento e localização simultâneos, como detector de
fechamento de laço ou para relocalização. Nesse contexto, há alguns
problemas inerentes ao reconhecimento visual de lugares, sendo um dos
principais o custo computacional (principalmente para aplicações em longos
trajetos), visto que, de uma forma geral, para comparar o local atual com
todos os outros locais, a complexidade computacional seria linear com
relação a quantidade de locais armazenados.
Dentro desse contexto, a abordagem proposta neste trabalho consiste na
utilização de um Mapa Auto-organizável com topologia variante no tempo,
empregando ciclos de treinamento para analisar o agrupamento das amostras
de dados conforme um critério de erro estabelecido para cada protótipo da
rede. Esse método leva em consideração a disposição espacial das amostras
agrupadas e ajusta os protótipos quando o critério não é atendido.
Adicionalmente, o modelo proposto pode lidar com grande quantidade de dados
e permite aprendizagem incremental que incorpora novos conhecimentos com
pouca ou nenhuma perda de conhecimento anterior. Por último, o modelo
proposto determina o número de categorias para o reconhecimento tendo como
parâmetro apenas uma relação de semelhança entre o protótipo de uma
categoria e as amostras que a integra.
O modelo proposto, enquanto se mantém competitivo com relação a outros
modelos bem estabelecidos, possui uma menor complexidade computacional na
tarefa de conhecimento de lugares, devido ao agrupamento por meio de SOM,
que reduz substancialmente o número de comparações para determinação de um
local.
Palavras-chave: Mapas Auto-organizáveis, Reconhecimento Visual de Lugares.
Comentários desativados