Aprendizado Profundo Aplicado em SLAM Visual para Identificar Fechamento de Loop
Na Robótica, a navegação autônoma vem sendo abordada nos últimos anos devido ao potencial de aplicações em diferentes áreas, como industrial, comercial, da saúde e do entretenimento. A capacidade de navegar, seja de veículos autônomos ou robôs de serviço, está relacionada ao problema do Mapeamento e Localização Simultâneos (SLAM). O fechamento de loop, no contexto do SLAM Visual, utiliza as informações presentes nas imagens para identificar ambientes previamente visitados, permitindo a correção e atualização do mapa e da localização do robô. O objetivo deste trabalho é apresentar um sistema para identificar o fechamento de loop utilizando uma Convolutional Neural Network (CNN) treinada em ambiente simulado no Gazebo. Com base no conceito de transferência de aprendizado, a CNN de arquitetura VGG-16 é treinada com imagens do cenário projetado no Gazebo para aumentar a acurácia na extração de features da imagem capturada em tempo real pela câmera do robô controlado pelo Robot Operating System (ROS). Além disso, o fechamento de loop é abordado a partir do pré-processamento da imagem e da sua divisão em regiões direita e esquerda para obter os descritores. O Limite das distâncias e a sequência de imagens são definidos para melhorar a performance na comparação de imagens. Para validar o sistema proposto, o robô navegou em um cenário no Gazebo que representa um escritório e os resultados mostraram boa acurácia na identificação do fechamento de loop e poucos casos de falso negativo.