2.2 Duygusal Emek ile İlgili Temel Yaklaşımlar
2.2.4 Grandey’ in duygusal emek yaklaşımı
Diante do apresentado acima é interessante traçar um diagnóstico comparativo entre as duas abordagens citadas, conferindo vantagens e desvantagens de cada uma. Para isso, serão adotados como base os parâmetros levantados no trabalho de Thrun [Thrun 1998].
Uma vantagem importante dos mapas métricos em relação aos topológicos, é que são mais simples de serem construídos e mantidos, ainda que sejam considerados os ambientes complexos e grandes. Ainda, a representação métrica torna mais fácil o re- conhecimento de lugares diferentes com base na posição geométrica do robô dentro de um sistema de coordenadas global. Com base em uma boa estimativa da pose do robô, as diversas medições sensoriais semelhantes, tomadas de diferentes posições, podem ser distinguíveis. Com isso, locais geometricamente próximos são diferenciados com certa facilidade. Porém, deve-se atentar para a prerrogativa de se ter uma boa estimativa da pose do robô, o que não é tão trivial de se obter.
Como já mencionado anteriormente, existe certa dificuldade na construção de mapas topológicos, ligada a definição de quais estruturas serão classificadas como nós e de quais informações serão compostas as arestas. Isso se torna ainda mais dificultoso se as in- formações sensoriais do robô forem esparsas e ambíguas. Porém, como vantagem em relação à abordagem métrica, a pose do robô não precisa ser exatamente conhecida.
Uma desvantagem da representação métrica está no alto custo computacional que esta requer para ser construída, armazenada e atualizada. É necessário um maior espaço com-
putacional para armazenar mapas dessa abordagem, principalmente quando se tem mapas em grade de ocupação com uma resolução fina ou mapas de características com grandes quantidades de características armazenadas. Os mapas topológicos, por sua vez, são com- pactos de resolução proporcional à complexidade do ambiente. Essa estrutura compacta favorece o armazenamento em reduzido espaço de memória e a resolução de problemas de mais alto nível com menor necessidade de processamento.
É possível também, combinar diferentes tipos de representação de mapas em uma abordagem híbrida [Blanco et al. 2008]. O principal objetivo desta representação é in- tegrar as principais vantagens das abordagens métrica e topológica, o que deve reduzir as desvantagens pontuais de cada enfoque. Assim, o robô pode, eficientemente, executar as tarefas mais adequadas para cada tipo de representação. Por exemplo, o robô pode navegar pelo seu ambiente, planejando rotas através de algoritmos de busca em grafo pelo mapa topológico, e ao mesmo tempo, pode adotar estratégias locais de desvio de obstáculos utilizando a representação métrica.
2.3.4
Trabalhos Relacionados
As primeiras investigações que se destacaram na linha de mapeamento de ambi- entes com robôs surgiram no final da década de 1980. Nesta época foram publicados os primeiros trabalhos com resultados relevantes. Com essas primeiras pesquisas aparece- ram vários modelos de mapeamento usando diversas estruturas geométricas e topológicas, com o objetivo de se alcançar a melhor precisão possível na representação do ambiente, considerando a dificuldade de lidar com a alta dimensionalidade dos espaços.
Os pesquisadores propuseram em seus trabalhos formas de representações como, rep- resentação geométrica 3D por esferas [Goldstein et al. 1987], representação poligonal [de Saint Vincent 1987], representação por meio de características como pontos, arestas e cantos [Merat & Wu 1987], modelos geométricos hierárquicos [Kriegman et al. 1987], representação por grade de ocupação [Elfes 1987], representação baseada na topologia do ambiente [Kuipers & Byun 1988], entre outras [Angelopoulou et al. 1992].
Posteriormente, em um artigo descrevendo o estado da arte do mapeamento robótico, Thrun (2002) propôs uma classificação das representações de mapas nas duas classes apresentadas anteriormente: topológica e métrica. De forma simplista, a abordagem topológica engloba todas as representações cujo enfoque é reproduzir mapas na forma de grafo, onde os nós são lugares e a conectividade entre os locais é descrita por suas arestas. E a abordagem métrica passou a compreender as representações que presam em armazenar propriedades geométricas do ambiente.
Uma forma mais recente de representar ambientes é através do uso de informações semânticas que podem ser extraídas dos mapas. É possível, por exemplo, obter uma classificação dos obstáculos mapeados (cadeiras, mesas, portas abertas ou fechadas, etc.) através de técnicas semânticas [Wolf & Sukhatme 2008].
A tarefa de mapeamento se estende a distintos ambientes. Os robôs podem ser utiliza- dos para mapear ambientes internos (indoor), ambientes externos (outdoor), ambientes subterrâneos e ambientes subaquáticos. No trabalho de Santana & Medeiros (2009), eles aproveitaram o fato de que muitos ambientes internos tem o piso formado por blocos,
2.3. TIPOS DE REPRESENTAÇÕES 21
para implementar um sistema de mapeamento de linhas no plano do piso do ambiente, sabendo-se que os espaços entre os bloco acabam originando linhas. Gallelos & Rives (2010), por sua vez, utilizaram um robô equipado de diferentes sensores para mapear am- bientes internos e construíram uma representação 3D do ambiente mapeado. Passando para ambientes externos, Yang & Wang (2011) apresentaram uma abordagem de mapear ambientes urbanos considerando a existência de objetos estáticos e dinâmicos. Eles exibi- ram os resultados de seus estudos em mapas baseados em grades de ocupação. Silver et al. (2004) utilizaram um robô para mapear e explorar minas subterrâneas, atividade essa, que pode apresentar riscos a seres humanos. Johannsson et al. (2010), por sua vez apresen- taram um robô submarino que detecta características a partir de imagens de sonares para construir um mapa que é posteriormente utilizado em vigilância submarina. Esses são alguns exemplos de trabalhos que mostram a diversificação de ambientes que podem ser mapeados utilizando-se diferentes técnicas de mapeamento.
Para que um sistema robótico tenha sucesso em seu mapeamento é interessante que possua sensores que capturem informações do seu entorno, com certas características desejáveis: campo de visão amplo, acurácia, dados de fácil interpretação, baixo consumo de energia, tamanho e peso reduzidos, entre outras. Distintos tipos de sensores podem ser utilizados, porém os de maior destaque são os sonares, os scanners lasers e as câmeras.
Os sonares são sensores atrativos pelo seu baixo custo, entretanto possuem proprieda- des que os tornam sensores em desuso. Muitas medições são imprecisas por serem afe- tadas por problemas de falsas reflexões das ondas sonoras em superfícies planas. Um recente trabalho que se utiliza de sonares para extrair características de ambientes desor- denados foi apresentado por [Lee & Son 2010].
Uma interessante alternativa para a construção de mapas densos são os scanners lasers, esses são sensores bastante precisos, eficientes e fornecem informações de fácil interpre- tação e que não necessitam de processamento complexo. Porém, esses sensores não são hábeis no tratamento de superfícies de vidro. Ademais, são sensores que apresentam um alto custo monetário. Ruhnke et al. (2011) implementaram um algoritmo de mapeamento de alta precisão baseado em informações de sensores lasers. Eles propuseram a aplicação de técnicas de otimização para melhorar as estimativas da pose do robô e das medições sensoriais, a fim de obter um mapa mais acurado do ambiente.
As câmeras vêm ganhando destaque nos trabalhos relacionados a mapeamento de am- bientes e navegação com robôs, por serem dispositivos que podem prover uma grande quantidade de informações sobre o ambiente no qual estão inseridas. Além disso, são compactas, leves e podem ser encontradas com custo moderado. Seja com um sistema de múltiplas câmeras, como os sistemas de visão estéreo e sistemas de câmeras omnidi- recionais, ou com sistemas monoculares, são inúmeras as possibilidades de técnicas para geração de mapas a partir das câmeras, que dependem do tratamento dado às imagens.
O grande desafio encontrado está no processamento das informações em tempo real, porém este problema vem sendo amenizado com o desenvolvimento de processadores mais poderosos e de baixo custo. Um interessante trabalho com base em um sistema de visão foi desenvolvido por Marks et al. (2009). Os autores desenvolveram um mapea- mento em grade para ambientes não estruturados com um robô munido de uma câmera estéreo. O mapa em grade é preenchido com os resultados computados por um modelo
sensorial probabilístico que adota a função Gama em seu cerne. Ao final,o mapa adquirido comporta informações sobre o quão navegável é um determinado terreno.
Com frequência se encontra na literatura autores propondo o uso em conjunto de sen- sores distintos. O objetivo principal é fundir as informações de todas as fontes para al- cançar um mapeamento mais rico e eficiente. Gallelos & Rives (2010), por exemplo, utilizam um robô provido de uma câmera omnidirecional e um laser para realizar o ma- peamento de ambientes internos. No trabalho de Ahn et al. (2007), os autores fundiram informações de um sistema de visão estéreo e sonares para coletar informações planares de ambientes internos.
O presente trabalho está no contexto do mapeamento de ambientes com sistema de câmeras estéreo e representação em grade. As câmeras apresentam inúmeras caracterís- ticas que as tornam atraentes para serem aplicadas no mapeamento de ambientes. Essa abordagem de mapeamento utilizando câmeras (monocular, estéreo ou omnidirecional) é também conhecida por mapeamento visual (Visual Mapping), que será tema do próximo capítulo.
Capítulo 3
Mapeamento Visual
Este capítulo contextualiza o problema de mapeamento com sensores visuais, ou seja, a construção de uma representação espacial a partir de imagens. Este procedimento é tam- bém conhecido como mapeamento visual. O capítulo exporá as técnicas de mapeamento visual com diferentes configurações de câmeras. Ademais, alguns pontos importantes serão destacados para explicar quais e como as informações visuais podem extraídas e manipuladas para a construção de mapas robóticos. Semelhantemente ao capítulo anterior, serão apresentados trabalhos correlacionados ao tema, expondo as técnicas e novidades utilizadas mais recentemente.
3.1
Contextualização
Como anteriormente explicitado, a tarefa de mapeamento tem um grande impacto em tarefas que dependem do sistema perceptivo dos robôs como, localização, navegação, ex- ploração, entre outras. Quando este problema é considerado na conjunção dos sensores visuais ou câmeras, passa a ser denominado de mapeamento visual. Neste contexto, as in- formações visuais capturadas são utilizadas para que o robô realize sua tarefa empregando uma navegação visual segura e eficiente, podendo abranger a vigilância de ambientes, resgate em acidentes ou catástrofes, identificação e rastreamento de objetos, exploração aérea, patrulhamento, entre outras.
A inspiração para essa abordagem vem da fisiologia humana. O principal sentido empregado na navegação e localização de uma pessoa entre objetos e obstáculos é o da visão. Do mesmo modo, na robótica um sistema visual artificial construído a partir de câmeras pode ser muito útil na navegação e localização de um robô em seu ambiente.
A grande vantagem de se utilizar um sistema de percepção baseado em sensores vi- suais está na significativa quantidade de informações que podem ser coletadas do entorno do robô. Isso proporciona uma ampla gama de aplicações possíveis para os sistemas robóticos quando o principal meio de percepção externo são câmeras. Além dessa impor- tante questão, as câmeras são compactas, leves, consomem pouca energia, são facilmente integradas ao hardware de um robô, podem ser encontradas no mercado com diferentes preços, tais características as tornam bastante atrativas. Atualmente, até mesmo as pe- quenas câmeras embarcadas em celulares estão sendo utilizadas na navegação (odome- tria visual) de robôs, quando estes utilizam o próprio celular como processador [Aroca
& Gonçalves 2012]. Essas são características que permitem o desenvolvimento de um grande conjunto de funcionalidades essenciais na robótica: detecção de obstáculos, ras- treamento de pessoas, servovisão, etc. [Lemaire et al. 2007].
Quando aplicadas ao mapeamento robótico, o uso das câmeras traz algumas outras vantagens: primeira, os dados são percebidos em um ângulo sólido, o que permite abor- dagens de mapeamento 3D. Segunda, técnicas visuais de estimativa de movimento pode fornecer um resultado muito preciso sobre os movimentos do robô. E por fim, caracterís- ticas muito estáveis podem ser detectadas em diferentes imagens, o que dá a possibilidade de derivar algoritmos que permitam o associação de dados (matching) entre elas mesmo com alterações significativas do ponto de vista [Lemaire et al. 2007].
Um grande desafio relacionado aos sistemas de visão artificial está em como tirar proveito dos sensores visuais com algoritmos confiáveis e eficazes que possam extrair as informações necessárias para a resolução de problemas [Santana 2011]. Muitas pesquisas mais antigas ressaltam a dificuldade de que os sistemas baseados em câmeras necessitam de grandes recursos de processamento para se obter resultados em tempo real. Porém, com os grandes avanços alcançados no desenvolvimento de processadores mais rápidos, se percebe um aumento significativo de pesquisas recentes que utilizam os sistemas vi- suais como fontes de informações sensoriais. O rápido aumento no poder de proces- samento dos computadores faz com que seja possível lidar com uma maior quantidade de informações, permitindo melhor compreensão do ambiente, facilitando a tomada de decisões por parte dos robôs.