Yerli Halkın Suriyeli Sığınmacılara Yönelik Tehdit Algısı Demografik Özelliklere Göre

Um problema ocorre se muitos marcos são inseridos no vetor de estados, pois o número de hipóteses da associação tende a crescer exponencialmente considerando que cada marco deve ser identificado de forma única e inequívoca. Uma técnica padrão usada para resolver este problema de correspondência é o teste de distância de Maha- lanobis [Neira & Tardos 2001].

Em estatística, a distância de Mahalanobis é uma medida baseada nas correlações entre variáveis com as quais distintos padrões podem ser identificados e analisados. É uma estatística útil para determinar as similaridades em amostras e distingue-se da distância euclidiana por ser invariante à escala [Manly & Kelly 2005].

Skrzypczynski (2009) comenta que durante a operação de um sistema real de SLAM, uma ambiguidade na associação de dados pode ocorrer mesmo quando passar no teste de Mahalanobis pois podem existir pares estatisticamente viáveis. Assim, um teste adicional usado para contornar este problema consiste em usar a geometria das características de- tectadas (pontos, linhas, etc.) como informação adicional na etapa de correspondência.

2.5

Evolução dos trabalhos em SLAM

A gênese do problema de SLAM ocorreu no IEEE Robotics and Automation Confer- ence(1986) realizado em San Francisco, USA. No decorrer desta conferência, enquanto os pesquisadores Peter Cheeseman, Jim Crowley, e Hugh Durrant-Whyte mostraram méto- dos teóricos de estimação para os problemas de localização e mapeamento, outros estu- diosos da área (Raja Chatila, Oliver Faugeras, Randal Smith) levantaram questionamen- tos sobre a construção consistente de mapas. Do resultado das discussões concluiu-se que mapeamento probabilístico era um problema fundamental em robótica e que questões conceituais e computacionais precisavam ser tratadas.

Nos anos seguintes, um número expressivo de documentos foram produzidos. Traba- lhos como os de Smith & Cheesman (1987) e Durrant-Whyte (1988), estabeleceram uma base estatística para descrever as relações entre os marcos e manipular geometricamente a região de incerteza. O elemento-chave destes trabalhos foi mostrar que existe um elevado grau de correlação entre as estimativas da localização dos diferentes marcos em um mapa e que essas correlações iriam crescer com as sucessivas observações.

Ao tempo em que Ayache & Faugeras (1988) trabalharam com navegação visual, Crowley (1989) publicou um trabalho de navegação de robôs móveis baseado em sonar e usando filtro de Kalman. Estas duas vertentes de investigação tinham muito em comum com os resultados de Smith et al. (1987). Crowley mostrou que, como um robô móvel se move através de um ambiente desconhecido, tendo observações relativas dos marcos, as estimativas de todos estes marcos são necessariamente correlacionadas umas com as outras por causa do erro comum na estimativa da localização do robô. A implicação deste trabalho foi profunda, pois uma solução completa e coerente para o problema de localiza- ção e mapeamento exigiria um conjunto composto pelo estado do robô e todas as posições dos marcos observados. Além disso, após cada marco observado, todo o sistema deveria ser atualizado. Isto exigiria empregar um estimador para um grande vetor de estado o que acarretaria um altíssimo custo computacional.

Essencialmente, o trabalho de Smith et al. (1987) não considerava as propriedades de convergência do algoritmo. Assim, dada a complexidade computacional do problema de mapeamento e sem conhecimento do seu comportamento de convergência, os pesquisa- dores iniciaram uma série de aproximações para este problema, assumindo, ou mesmo forçando, que as correlações entre os marcos deveriam ser minimizadas ou eliminadas (Leonard & Durrant-Whyte (1992) e Renken (1993), por exemplo). Por estas razões, tra- balhos teóricos sobre a localização e mapeamento simultâneos muitas vezes foram trata- dos como problemas distintos de mapeamento e localização.

O avanço conceitual surgiu com a concretização da combinação do problema de ma- peamento e localização pois, uma vez formulado como um único problema de estimação, ele era realmente convergente. Mais importante ainda, foi o reconhecimento que as cor- relações entre os marcos, que a maioria dos pesquisadores tinham tentado minimizar, eram, na realidade, a parte crítica do problema e que, pelo contrário, quanto mais essas correlações cresciam, melhor era a solução.

A estrutura do problema de SLAM e o resultado da convergência foi apresentado pela primeira vez em um Survey no International Symposium on Robotics Research (1996) [Durrant-Whyte et al. 1996]. A teoria essencial sobre a convergência e muitos dos resul- tados iniciais foram desenvolvidos por Csorba & Durrant-Whyte (1996) e Csorba (1997). Posteriormente, os trabalhos passaram a abordar a melhoria da eficiência computa- cional e a resolução de questões de associação de dados. O International Symposium on Robotics Research(1999) foi um importante ponto de encontro quando da realização da primeira sessão sobre SLAM. Neste evento foram apresentados os métodos probabilísti- cos de mapeamento e localização baseados em filtro de Kalman, introduzidos por Thrun et al. (1998). O IEEE International Conference on Robotics and Automation (2000) atraiu vários pesquisadores centrados na questão da complexidade algorítmica do problema de SLAM, bem como nos desafios dos problemas implementacionais. Neste evento, Leonard & Feder (2000) mostram uma forma eficiente para SLAM em grandes ambientes.

Um episódio que marcou a motivação dos pesquisadores para solucionar o problema de SLAM foi a realização do primeiro 1st SLAM-Summer School em Estocomo-Suécia no ano de 2002. Este evento foi realizado com muito sucesso e contou com a participação de cerca de 50 pesquisadores da área, merecendo destaque Hugh Durrant-Whyte, John Leonard, Juan Tardós, Raja Chatila, Sebastian Thrun e Wolfram Burgard.

Outras escolas de verão aconteceram posteriormente. Em 2004 Andrews Davison, Paul Newman e Jose Neira juntaram-se aos grandes nomes do 1st SLAM-Summer School na segunda versão desse evento que foi realizado em Toulouse-França. O 3rd SLAM- Summer School foi realizado em Oxford-Inglaterra (2006) e ingressaram no grupo dos pesquisadores Dieter Fox, Javier Civera e Simon Lacroix. A quarta e última edição do SLAM-Summer Schoolaconteceu em janeiro de 2009 Sidney-Austrália.

Voltando a comentar a evolução dos trabalhos em SLAM, por volta dos anos 2000 Andrews Davison apresentou uma nova vertente para a solução de SLAM utilizando câmera. Ele mostrou resultados utilizando visão ativa [Davison & Murray 2002, Davison et al. 2002] e também utilizando uma única câmera [Davison 2003, Davison et al. 2004].