Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.312
Aluno: Onias Castelo Branco Silveira
Orientadora: Profa. Edna Natividade da Silva Barros
Título: Hybrid system model-data driven approach for state estimation of
omnidirectional robot
Data: 04/08/26
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno.
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Paulo Fernando Ferreira Rosa (IME / Seção de Engenharia de Computação)
Profa. Edna Natividade da Silva Barros (UFPE / Centro de Informática)
RESUMO:
Estimação de estado é uma capacidade fundamental para robôs móveis
autônomos, permitindo o rastreamento preciso de posição, orientação e
velocidade a partir de dados de sensores embarcados. Na RoboCup Small Size
League (SSL), robôs omnidirecionais tradicionalmente dependem de um sistema
externo de câmeras para localização, mas desafios técnicos recentes
motivaram o desenvolvimento de estimação totalmente embarcada utilizando
encoders de roda e unidades de medição inercial (IMUs). Abordagens
clássicas como o Filtro de Kalman Extendido (EKF) são limitadas por sua
dependência de parâmetros de ruído ajustados manualmente e erros de
linearização, motivando a exploração de alternativas baseadas em dados.
Esta dissertação apresenta o projeto, implementação e avaliação de
estimadores de estado híbridos que combinam modelos cinemáticos baseados em
física com componentes de redes neurais aprendidos. Três arquiteturas são
propostas e avaliadas: um Encoder-Decoder, uma arquitetura KalmanNet
(inspirada na estrutura do Filtro de Kalman), e uma nova Correção por
Inovação que aprende uma correção residual sobre a predição física. Duas
formulações de modelo físico são exploradas, e uma otimização sistemática
de hiperparâmetros é realizada utilizando Optuna ao longo de mais de 1.000
tentativas. A metodologia de treinamento combina aprendizado sequencial com
comprimentos de sequência progressivamente crescentes, funções de perda
informadas por física, e parada antecipada com critério duplo para permitir
convergência em horizontes temporais longos.
A arquitetura de Correção por Inovação com encoders de roda como medição e
IMU como entrada de controle alcança o melhor desempenho, com uma melhoria
de 6.6x sobre o EKF e de 18.6x sobre uma GRU puramente orientada a dados em
horizontes curtos. Em relação a horizontes de tempo mais longos, o
desempenho da estimação de estado após 59,5 segundos, muito além do
horizonte de treinamento de 1,5 segundos, o melhor modelo mantém um RMSE
total de 0,216, comparado a 0,874 do EKF. Análises adicionais incluindo
estudos de ablação, testes de brancura da inovação e PCA do estado oculto
da GRU confirmam comportamento de filtragem quase ótimo no espaço de
medições.
Palavras-chave: estimação de estado; rede neural híbrida; rede neural
recorrente; RoboCup Small Size League.
Comentários desativados