Agrupamento dinâmico para reconhecimento visual de lugares

Abstract

Navegação autônoma desempenha um papel muito importante em aplicações que mostra- ram uma grande evolução nos últimos anos como, por exemplo, missões espaciais, agricultura, veículos autônomos, robôs de limpeza e logística. Para a realização dessa tarefa, é impor- tante que o robô tenha informação a respeito do ambiente e da sua localização dentro dele. Reconhecimento Visual de Lugares (Visual Place Recognition ou VPR) usa somente sensores visuais para o agente autônomo saber o local onde ele está. Esse processo pode ser utilizado de forma independente ou dentro de um sistema de mapeamento e localização simultâneos, como detector de fechamento de laço ou para relocalização. Nesse contexto, há alguns problemas inerentes ao reconhecimento visual de lugares, sendo um dos principais o custo computacional (principalmente para aplicações em longos trajetos), visto que, de uma forma geral, para uma única imagem de busca ser comparada com n imagens de referência armazenadas, a com- plexidade computacional seria de O(n), o que seria um problema para aplicações em tempo real a longo prazo. Assim, para m imagens de busca, a complexidade computacional seria de O(m * n). Dentro desse contexto, a abordagem proposta neste trabalho consiste na uti- lização de um Mapa Auto-Organizável com topologia variante no tempo, empregando ciclos de treinamento para analisar o agrupamento das amostras de dados conforme um critério de erro estabelecido para cada protótipo da rede. Esse método leva em consideração a disposi- ção espacial das amostras agrupadas e ajusta os protótipos quando o critério não é atendido. Adicionalmente, o modelo proposto pode lidar com grande quantidade de dados e permite aprendizagem incremental que incorpora novos conhecimentos com pouca ou nenhuma perda de conhecimento anterior. Por último, o modelo proposto determina o número de categorias para o reconhecimento tendo como parâmetro apenas uma relação de semelhança entre o protótipo de uma categoria e as amostras que a integra. O modelo proposto, enquanto se mantém competitivo com relação a outros modelos bem estabelecidos, possui uma menor complexidade computacional na tarefa de reconhecimento de lugares, devido ao agrupamento por meio de SOM, que reduz substancialmente o número de comparações para determinação de um local.