O EspeleoRobô é uma plataforma robótica móvel teleoperada, utilizada pela Vale para a exploração de ambientes confinados. Durante operações de inspeções, é comum o robô se deparar com adversidades incluindo risco de colisão, capotamento e perda da conexão com a base de controle. Este artigo propõe novos sistemas de alerta e operação assistida do EspeleoRobô, buscando facilitar a operação remota do dispositivo. Para tal, são implementados cinco algoritmos para (i) Alerta de Risco de Colisão, (ii) Alerta de Risco Capotamento, (iii) Alerta de Perda de Conexão com a base de controle, (iv) Navegação Autônoma Local para Restabelecimento de Conexão e (v) Navegação Assistida em Galerias. O artigo descreve os algoritmos, assim como as validações realizadas através de simulação e experimentos em laboratório e campo. Os resultados obtidos mostram que as funcionalidades desenvolvidas podem contribuir de forma efetiva para a segurança operacional do robô.

No abstract

Path planning techniques are one of the main focuses on mobile robotics, being important in various segments that aim to develop autonomous systems. One example is the EspeleoRobô, a robotic device capable of moving through rough terrain to explore and map confined environments. Given the great variety of planners available, part of the process consists in investigating the performance of specific techniques and analysing which could be implemented in the EspeleoRobô. Thus, this article presents the analysis and comparison between path planning algorithms, the RRT* and Dijkstra, to show how both behave and how applicable they are to rough terrain. In that regard, the different terrain representations used by each algorithm are described and mobility metrics to be optimized are proposed. Simulations with the EspeleoRobô allow the comparison of estimated costs during the planning stage using the robot's mobility metrics running through virtual rough terrain. The results illustrate the behavior differences of both planning methods, indicating parameters that influence processing time and the final costs associated with the paths produced. This knowledge will aid in the implementation of dedicated algorithms for the EspeleoRobô. Resumo: Técnicas de planejamento de caminhos são amplamente utilizadas na área da robótica móvel, com especial importância no desenvolvimento de sistemas autônomos. Um exemplo de aplicação é no EspeleoRobô, um dispositivo robótico capaz de se locomover em terrenos acidentados para explorar e mapear ambientes confinados. Com a grande variedade de planejadores disponíveis, cabe investigar o desempenho de técnicas específicas e analisar quais poderiam ser embarcadas no EspeleoRobô. Dessa maneira, este artigo visa a análise e comparação dos algoritmos de planejamento de caminhos RRT* e Dijkstra, de forma a examinar o funcionamento e a aplicabilidade das técnicas em terrenos acidentados. Neste sentido, as diferentes representações de terreno utilizadas por cada um dos algoritmos são descritas, além da proposição de métricas de mobilidade a serem otimizadas. Simulações com o EspeleoRobô possibilitam comparar os custos estimados durante a etapa de planejamento com as métricas de mobilidade do robô percorrendo um terreno virtual acidentado. Os resultados ilustram as diferenças de funcionamento dos métodos de planejamento, indicando parâmetros que influenciam no tempo de processamento e nos custos finais associados aos caminhos. Estas informações auxiliarão na implementação de algoritmos dedicados a serem embarcados no EspeleoRobô.

This paper presents a methodology for teaching mobile robotics for engineering courses at the Federal University of Minas Gerais (UFMG-Brazil). During the course "Mobile Robotics Laboratory", undergraduates use LEGO Mindstorms NXT robotics kits, sensors embedded in an Android cellular and the Robot Operating System (ROS) to implement and experimentally verify techniques regarding localization and mapping, sensory fusion and probabilistic filters. The activities are divided into three main practices based on a line follower robot, where students must: (i) calculate the path traveled using wheel odometry, (ii) fuse the results with cellular IMU data using Kalman filter (EKF), and (iii) perform the simultaneous localization and mapping (SLAM) combining data from a distance sensor through a Rao-Blackwellized particle filter. The article presents theories addressed during the course, describing the practices proposed using ROS and the results obtained so far. Resumo: Este artigo apresenta uma proposta de metodologia para ensino de robótica móvel para cursos de engenharia da Universidade Federal de Minas Gerais (UFMG). Durante a disciplina Laboratório de Robótica Móvel os alunos de graduação utilizam kits de robótica LEGO Mindstorms NXT, sensores embarcados em um celular com sistema operacional Android e o Robot Operating System (ROS) para aplicar na prática conhecimentos sobre modelos cinemáticos, fusão sensorial e filtros probabilísticos. As atividades são divididas em três principais práticas que têm como base um robô seguidor de linha, onde os alunos devem (i) calcular o caminho percorrido utilizando odometria das rodas, (ii) fundir os resultados com dados da IMU do celular utilizando filtro de Kalman (EKF), e (iii) realizar o mapeamento simultâneo (SLAM) do ambiente combinando os dados de um sensor de distância através de filtro de partículas Rao-Blackwellized. O artigo apresenta as teorias abordadas durante a disciplina, descrevendo as práticas propostas utilizando o ROS e os resultados obtidos até o momento.

This paper presents a system for autonomous exploration of planar environments using mobile robots, developed focusing on the implementation in the EspeleoRobô, a robotic device capable of inspecting confined environments. The exploration is carried out based on the detection of frontiers located at the edge of the environment known by the robot. When moving towards the identified frontiers, the robot generates a map of the traversed environment until the entire operating site is explored. For that, we employed a simultaneous localization and mapping strategy using a particle filter. During exploration, the identified frontier cells are clustered based on the distance between them. We propose two simple strategies to explore the environment, prioritizing navigation to the nearest frontier or the frontier with the highest number of cells. The robot movement is performed using a Dijkstra algorithm for path planning and a navigation control by artificial vector fields. The exploration system is validated through simulations and experiments with a real robot, creating complete maps representing the covered environments. The obtained results indicate a better performance while exploring the nearest frontiers, with smaller distances covered and fewer actions performed by the robot. Resumo: Este artigo apresenta um sistema de exploração autônoma de ambientes planares utilizando robôs móveis, desenvolvido com foco na implementação no EspeleoRôbô, um dispositivo robótico para a inspeção de ambientes confinados. A exploração é realizada com base na detecção de fronteiras localizadas no limite do ambiente conhecido pelo robô. Ao se mover em direção às fronteiras identificadas, o robô gera um mapa do ambiente percorrido, até que todo o local de operação seja explorado. Para tal, uma estratégia de localização e mapeamento simultâneos por filtro de partículas é empregada. Durante a exploração, as células de fronteira são agrupadas com base na distância entre elas. A exploração do ambiente pode ser realizada utilizando duas estratégias simples, priorizando a navegação até a fronteira mais próxima ou até a fronteira com maior número de células. A movimentação do robô é realizada utilizando um algoritmo de Dijkstra para planejamento de caminhos e um controle de navegação por campos vetoriais artificiais. O sistema de exploração é validado em simulações e experimentos com um robô real, sendo capaz de criar mapas completos dos ambientes percorridos de maneira satisfatória. Os resultados obtidos indicam um melhor desempenho da estratégia de exploração das fronteiras mais próximas, com menores distâncias percorridas e um menor número de ações realizadas pelo robô.