Os projetos mais recentes, e que têm demonstrado os resultados mais impressio- nantes, operam com base em mapas e algoritmos de localização. Alguns projetos como (ZIEGLER et al.,2014;LEVINSON; MONTEMERLO; THRUN,2007;LEVINSON; TH- RUN, 2010; BROGGI et al., 2014) demonstraram o potencial deste método com a rea- lização bem sucedida de viagens autônomas em ambientes reais complexos. No caso de (ZIEGLER et al., 2014; BROGGI et al., 2014) foram usados apenas marcadores visuais, detectados por câmeras, para a construção de mapas e localização.
A localização baseia-se na detecção e estimativa de posição destes pontos de re- ferência em relação ao veículo (PINK, 2008; BADINO; HUBER; KANADE, 2011; LA- TEGAHN; STILLER, 2012), que podem ser objetos como marcações de pista, faixa de parada, faixa de pedestre, ou objetos como sinais de trânsito ou mesmo postes.
As abordagens são as mais variadas, como a detecção da refletividade das mar- cações por meio de sensor LIDAR (HATA; WOLF, 2014), uso de câmera estéreo para calcular a posição da pista no mundo (PINK, 2008; LATEGAHN; STILLER,2012), ma- pas digitais e imagens de coerência (MATTERN; SCHUBERT; WANIELIK, 2010), uso de SURF para detecção de features verticais, uso mapas de landmarks e redes neurais (LYRIO et al., 2015; DESOUZA; KAK, 2002), uso de esquemas combinados de visão frontal e traseira com diferentes tipos de features (ZIEGLER et al., 2014). Todas estas estratégias são apresentadas em detalhes na Seção 1.4.3.
Uma localização visual precisa baseada em visão requer a construção de mapas detalhados que também contém marcos de referência visuais. Na verdade, o processo de localização baseia-se na detecção e estimativa de posição destes pontos de referência (PINK, 2008;BADINO; HUBER; KANADE,2011;LATEGAHN; STILLER, 2012). Pre- ferencialmente, marcos de referência não devem estar muito longe do veículo uma vez que o erro na estimativa da sua posição aumenta com a distância. Além disso, marcos de referência devem ser fáceis de serem detectados, a fim de minimizar a ocorrência de fal- sos positivos/negativos nas detecções. Por exemplo, artefatos comuns existentes em uma estrada padrão, como marcações de pista, faixa de parada, faixa de pedestre, ou objetos como sinais de trânsito ou mesmo postes são todas opções adequadas. Em (PINK,2008) um algoritmo monocular simples é utilizado para detectar as marcações de pista nas ima- gens. A posição de marcações de pista no mundo é então calculada usando informações
Capítulo 1. Introdução 34
3D fornecidas por um sistema de câmera estéreo usando V-Disparity.
Em (HATA; WOLF, 2014) um sensor scanner LASER foi utilizado para medir a refletividade da superfícies ao redor para detectar as marcas rodoviárias (marcações de pista e faixa de pedestre). Esta informação foi usada para construir um mapa. Em seguida, o método de localização Monte Carlo (MCL) foi usado para localizar o veículo dentro do mapa resultante. Apesar da boa precisão relatada (0,31 m), este sistema tem o alto custo do sensor LIDAR como uma desvantagem.
Em (MATTERN; SCHUBERT; WANIELIK, 2010) mapas digitais e imagens de coerência foram utilizados para estimar a localização do veículo. Os mapas são construídos a partir de imagens aéreas, onde todas as informações sobre as marcações da pista e da superfície da estrada são extraídas manualmente. O mapa é usado para gerar imagens artificiais a partir de um determinado ponto de vista. Um filtro de partículas é utilizado para estimar a posição do veículo, com a probabilidade de cada partícula calculada a partir do valor de coerência entre a imagem atual e a imagem artificial associadas a esta partícula. Este sistema relatou uma precisão de 0,35 m, mas tem a desvantagem de necessitar de um mapa com construção manual.
Em (BADINO; HUBER; KANADE, 2011) é apresentado um esquema de mape- amento e localização baseado na detecção de features visuais por SURF (Speeded Up
Robust Feature). A abordagem propõem o uso combinado de um mapa métrico e um
mapa topológico para alcançar resultados métricos precisos, mas sem perder a robustez da localização topológica. O método relatado tem um erro médio de localização de 2,70 m, que é insuficiente para direção autônoma.
Em (LATEGAHN; STILLER, 2012) features 3D, extraídas por visão estéreo, são usadas para criar um mapa em 3D no qual é possível se localizar usando as landmarks atuais, calculadas em tempo real, e as que estão armazenadas no mapa. O valor reportado de erro médio (0,34 m) é suficiente para direção autônoma.
Já, em (LYRIO et al., 2015), um esquema de localização baseada em imagem foi apresentada com base em Virtual Generalizing Random Access Memory (VG-RAM) (DE- SOUZA; KAK,2002). Um mapa neural é construído a partir de landmarks 3D, detectados por um sistema de visão estéreo, e usado para a localização. O erro de lateral médio rela- tado foi de 1,12 m, que não é suficientemente baixo para aplicação em direção autônoma. Em (CUI; XUE; ZHENG,2016) é apresentado um método de localização baseado na deteção de marcadores de pista que alcança precisão na ordem de centímetros. As marcações de pista são detectadas por uma câmera frontal que possui uma IMU interna para estimativa de postura. A abordagem usa um mapa construido manualmente, o track atual do veículo (estimado por fusão GNSS/INS) e um algoritmo de map-matching para antecipar a posição esperada das marcações de pista a frente e melhorar a confiabilidade
Capítulo 1. Introdução 35
em sua detecção. A marcações detectadas são transladadas e um algoritmo iterative closest point (ICP) (BESL; MCKAY,1992) é usado para calcular o deslocamento do veículo, em relação ao mapa, com precisão centimétrica.
Em (ZIEGLER et al., 2014), uma combinação de câmeras frontal e traseira é usada para detectar diferentes tipos de pontos de referência. O sistema de visão frontal detecta elementos pintados no chão da estrada (marcações de pista, faixas de parada e outros) para obter a chamada LFL (Lane Feature based Localization). O sistema de visão traseira detecta features que são comparadas com os dados adquiridos anteriormente, para se implementar a localização denominada PFL (Point Feature based Localization). Esta dupla abordagem fornece uma localização mais precisa e confiável e permite que o sistema de localização se adapte bem a diferentes cenários, como estradas rurais, auto-estradas, ou ambientes urbanos. O mapas são construídos off-line, usando imagens, odometria e dados de GNSS coletados durante uma viagem de mapeamento preliminar.