RoboCops II - Patrulhamento de Edifícios com Equipas de Robôs Móveis

Abstract

Cada vez mais os robôs são uma ferramenta importante para auxiliar os seres humanos nas suas tarefas do quotidiano, seja por estas serem perigosas, como testes de colisões de carros e desarmamento de bombas ou por serem monótonas, como vigilância e patrulhamento. No contexto do patrulhamento podemos encontrar algumas vantagens no uso de robôs móveis ao invés de pessoas ou mesmo de câmaras fixas. Eles não se cansam, não se desconcentram, e caso avariem, todos os locais continuam a ser patrulhados. Além disso, a inserção/remoção de um robô num ambiente é uma tarefa relativamente fácil e sem custos acrescidos. Este trabalho surge então na tentativa de dar resposta a um dos problemas do patrulhamento com equipas de robôs, a perceção artificial. Para que o patrulhamento feito por robôs seja o mais autónomo possível, é necessário que estes tenham a capacidade de reconhecer a existência de anomalias no ambiente, e se possível, serem capazes de as identificar. Neste trabalho são apresentadas várias técnicas de visão por computador, entre elas o uso do descritor SURF juntamente com a métrica EMD, que têm sido utilizadas para resolver problemas semelhantes e que, em ambientes controlados, podem fornecer resultados interessantes. Como é de esperar, num sistema deste género existem sempre erros associados à navegação, que impossibilitam os robôs de pararem sempre exatamente na mesma posição e orientação nos locais de patrulhamento. Ao longo da execução deste trabalho verificou-se que algumas técnicas convencionais como a comparação de histogramas, a deteção de arestas ou a técnica anteriormente referida não são invariantes à luminosidade e às diferenças de pontos de vista nos mesmos locais. A solução apresentada para o problema passa pelo uso de uma técnica de aprendizagem automática. Isto permite que o sistema aprenda que diferenças de iluminação e de pontos de vista não são anomalias e por isso torna-se mais robusto a essas condições. Neste sentido, é usado o descritor HoG para extrair características da imagem, por ser invariante à luminosidade, e posteriormente usa-se SVM para classificar imagens como sendo anómalas ou não. Esta solução foi inicialmente validada com imagens de teste obtidas em ambiente controlado, adquiridas em diferentes locais, onde apenas se alterava a orientação do robô. Posteriormente foram realizadas experiências utilizando imagens adquiriras numa missão de patrulhamento real.No final deste trabalho são apresentados os resultados experimentais obtidos e os mesmos são alvo de análise. Por fim, no último capítulo, apresenta-se uma conclusão do trabalho efetuado e possíveis melhorias futuras.

Robots have been an increasingly important tool in assisting humans beings in their daily tasks, due to their dangerousness, such as car crash tests and bomb disarming, or simply due to their monotony, such as surveillance and patrolling. In the context of patrolling, some advantages can be found in the use of mobile robots instead of people or even fixed cameras. The robots are tireless and conscientious, individiual malfunctions will not impede the patrolling and inserting/removing a robot in a patrolling environment is a relatively easy and cost-effective task, etc.This work aims to solve one of patrolling’s biggest problems when it comes to using a team of mobile robots, which is artificial perception. In order to make the patrolling as autonomous as possible, it is necessary for the robots to have the capability of recognizing the existence of anomalies in the environment and, if possible, be able to identify them. In this work, various computer vision techniques are presented, namely the use of the SURF feature descriptor along with the EMD metric, which have been used to solve similar problems and can provide interesting results when used in controlled environments.Navigation errors are to be expected in a system of this kind, which makes it impossible for the robots to stop exactly in the same position and orientation at the patrolling places each time. During the execution of this work, some conventional techniques such as histogram comparison, edge detection or the previously mentioned technique have been verified to not be luminosity-invariant and are also greatly affected with the shift in the robot’s point of view. The solution presented to this problem is based on a machine learning technique. This allows the system to learn that not all differences in lighting and points of view are anomalies, and because of that it becomes much more robust under these navigation errors. In this sense the HoG descriptor is used to extract the images’ features, due to its invariance to luminosity, and then SVM is used to classify the images as anomalous or non-anomalous.This solution was initially validated with test images obtained under controlled conditions, taken in different places where only the robot’s orientation was shifted. Later on, more experiments were conducted using images taken during real patrolling missions.The results that were obtained using this technique are displayed at the end of this work. These results were analysed and the last chapter presents a conclusion of the all the work that has been done and how the system can possibly be improved in the future.