Uma nova abordagem de classificação com opção de rejeição para localização e navegação de robôs móveis em

Abstract

Esta dissertação apresenta um estudo comparativo do desempenho de diversos descritores de imagem e classificadores na tarefa de reconhecimento de locais internos para localização e navegação de um robô móvel usando mapa topológico, avaliando dois tipos de câmera, convencional e omnidirecional. Na metodologia adotada são avaliadas combinações de extratores de atributos e classificadores promissores existentes na literatura para reconhecimento de cenas para definir a melhor configuração para cada tipo de câmera. Esse trabalho também propõe uma nova abordagem de classificação com opção de rejeição para localização de robôs móveis utilizando informação do mapa topológico para otimizar a navegação do robô, chamada de Suporte de Decisão para Localização (SDL). A melhor acurácia obtida com a câmera convencional foi 99,96% através da combinação da Máquina de Aprendizagem Mínima(Minimal Learning Machine with Nearest Neighbors, MLM-NN) com os Momentos Espaciais (ME), cujo tempo de classificação foi 128,8µs e de extração 0,165s, sendo este o melhor tempo de extração obtido. Quanto ao tempo de classificação, o melhorresultadoobtidofoi47,3µscomclassificadorBayesiano,cujaacuráciafoi99,94%.No segundo grupo dos experimentos com as imagens da câmera omnidirecional, a combinação com maior acurácia foi 96,67% através da MLM-NN com Local Binary Patterns (LBP), cujo tempo de classificação foi 1210µs e de extração 0,337s. Por outro lado, o menor tempo de extração foi de 0,178s com os ME e de classificação 36,4µs com classificador Bayesiano, cuja acurácia foi 87,5%. Quanto aos ganhos obtidos pelo SDL, verifica-se que a acurácia média do teste de navegação com a primeira câmera foi 83% sem o SDL e 91,9% com o SDL, e passou de 36,3% para 52,1% com SDL na câmera omnirecional. A taxa de acerto da MLM-NN com ME e do classificador Bayesiano com ME dos testes de navegação utilizando a câmera de visão convencional sem o SDL foi 100%, e o SDL apenas confirmou o trajeto obtido. Entretanto, utilizando a câmera omnidirecional, os valores obtidos na navegação aumentaram 11,6% na taxa de acerto para MLM-NN com LBP, passando de 86% para 96%. De forma similar, a acurácia do classificador Bayesiano com ME passou de 82% para 93%. Conclui-se, portanto, que a combinação do classificador Bayesiano com os ME utilizando a câmera de visão convencional é a melhor escolha para a tarefa de navegação considerando a acurácia, custo computacional e de armazenamento, dentre as configurações avaliadas. Por fim