Localização e mapeamento semânticos em florestas (2023)
- Authors:
- Autor USP: NARDARI, GUILHERME VICENTIM - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2023.tde-18042023-163053
- Subjects: ROBÓTICA; APRENDIZADO COMPUTACIONAL
- Keywords: Localização; Localization; Machine learning; Mapeamento; Mapping; Segmentação semântica; Semantic segmentation
- Agências de fomento:
- Language: Português
- Abstract: Enquanto dados de sobrevoo podem fornecer informações gerais sobre uma floresta, no interior da mata é possível identificar plantas do sub-bosque, medir o diâmetro e contar os troncos de cada árvore. Atualmente, essas medições dependem de expedições humanas, que podem ser lentas, caras e até perigosas. Portanto, robôs capazes de navegar e extrair dados do interior da mata de forma autônoma têm o potencial de revolucionar a forma como as florestas são monitoradas em todo o mundo, aumentando a quantidade e qualidade das informações obtidas. No contexto de florestas, algoritmos clássicos desenvolvidos para ambientes urbanos podem falhar devido à falta de sinal confiável de GPS, terrenos irregulares, plantas e folhas que cobrem o terreno, além das árvores que balançam com o vento. Isso ocorre porque as suposições feitas pelos algoritmos clássicos podem não ser válidas nesse ambiente. No entanto, informações semânticas, como classes e formas de objetos esperados no ambiente são uma opção promissora para aumentar a robustez e o desempenho de sistemas autônomos. Nesta tese é apresentado um framework que utiliza informações semânticas derivadas de algoritmos de aprendizado de máquina dos dados de sensores carregados por um veículo aéreo não tripulado. O framework desenvolvido é capaz de identificar árvores e modelá-las como cilindros, criando um mapa semântico. A formulação adotada possibilita a incorporação de estimativas ruidosas que podem ser refinadas com a chegada de novasleituras dos sensores e de medidas externas para aumentar a robustez do sistema. A partir do mapa semântico gerado, é proposto um algoritmo capaz de gerar descritores únicos de locais em florestas que visualmente são extremamente similares. Tais descritores permitem o reconhecimeno de locais já visitados, e podem ser utilizados pelo framework para reduzir o erro acumulado nas estimativas de localização. Os resultados obtidos em experimentos em ambientes simulados e em florestas de Pinus do mundo real, demonstram que os métodos desenvolvidos geram mapas semânticos que melhoram a qualidade das estimativas de localização do robô e geram mapas informativos. Ademais, a representação semântica dos dados obtidos pelos sensores é mais eficiente computacionalmente, pois resume os dados brutos em um modelo geométrico semântico com poucos parâmetros
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 06.02.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
NARDARI, Guilherme Vicentim. Localização e mapeamento semânticos em florestas. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18042023-163053/. Acesso em: 27 dez. 2025. -
APA
Nardari, G. V. (2023). Localização e mapeamento semânticos em florestas (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18042023-163053/ -
NLM
Nardari GV. Localização e mapeamento semânticos em florestas [Internet]. 2023 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18042023-163053/ -
Vancouver
Nardari GV. Localização e mapeamento semânticos em florestas [Internet]. 2023 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18042023-163053/ - Large-scale autonomous flight with real-time semantic SLAM under dense forest canopy
- Place recognition in forests with urquhart tessellations
- Drones mapeiam matas brasileiras. [Depoimento a Tiago Jokura]
- SLOAM: semantic lidar odometry and mapping for forest inventory
- Semantic and depth learning for autonomous forest mapping
- A serious game to build a database for ErrP signal recognition
Informações sobre o DOI: 10.11606/T.55.2023.tde-18042023-163053 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
