Mapeamento robótico 2,5-D com representação em grade de ocupação-elevação

This work introduces a new method for environment mapping with three-dimensional information from visual information for robotic accurate navigation. Many approaches of 3D mapping using occupancy grid typically requires high computacional effort to both build and store the map. We introduce an 2.5-D occupancy-elevation grid mapping, which is a discrete mapping approach, where each cell stores the occupancy probability, the height of the terrain at current place in the environment and the variance of this height. This 2.5-dimensional representation allows that a mobile robot to know whether a place in the environment is occupied by an obstacle and the height of this obstacle, thus, it can decide if is possible to traverse the obstacle. Sensorial informations necessary to construct the map is provided by a stereo vision system, which has been modeled with a robust probabilistic approach, considering the noise present in the stereo processing. The resulting maps favors the execution of tasks like decision making in the autonomous navigation, exploration, localization and path planning. Experiments carried out with a real mobile robots demonstrates that this proposed approach yields useful maps for robot autonomous navigation

Este trabalho apresenta um novo método de mapeamento de ambientes com robôs móveis com informações tridimensionais para navegação. Muitas abordagens de mapeamento 3D, usam o método em grade de ocupação, o que resulta no uso de muito recurso computacional tanto na construção como no armazenamento desses mapas. A presente pesquisa apresenta o mapeamento 2,5-D em grade de ocupação-elevação, a qual é definida como uma representação discreta, onde cada célula armazena uma probabilidade de ocupação, a altura do espaço mapeado e a variância desse valor de altura. Essa representação permite que um robô móvel tenha a ciência se um lugar do seu ambiente está ocupado por um obstáculo e qual a altura desse obstáculo. Dessa forma, ele pode decidir se é possível navegar sobre o obstáculo ou não, de acordo com suas habilidades motoras. As informações sensoriais necessárias para construir o mapa são providas por um sistema de visão estéreo, o qual foi modelado através de uma robusta análise estatística, considerando os ruídos presentes no processamento estéreo. Os mapas resultantes favorecem a execução de tarefas como tomadas de decisões na navegação autônoma, exploração, localização e planejamento de caminhos. Experimentos práticos reais mostram que o método de mapeamento apresentado é útil para a navegação de robôs autônomos