ADAPT: An Autonomous Forklift for Construction Site Operation

Este artigo apresenta o ADAPT, uma empilhadeira fora de estrada totalmente autônoma que integra percepção impulsionada por IA com métodos de controle tradicionais para navegar em ambientes de construção complexos, demonstrando, por meio de extensos testes no mundo real, que pode alcançar um desempenho próximo ao nível humano no manuseio de materiais em diversas condições climáticas.

O essencial

Imagine um canteiro de obras como uma pista de dança caótica e lamacenta onde materiais pesados precisam ser movidos de caminhões para locais específicos. Normalmente, um motorista humano senta-se em uma empilhadeira, apertando os olhos através da poeira e da chuva, tentando adivinhar onde colocar os garfos. Isso é cansativo, lento e perigoso.

Este artigo apresenta o ADAPT, uma "empilhadeira robô" projetada para fazer este trabalho sozinha, mesmo quando o solo é irregular e o tempo está ruim. Pense no ADAPT não como um robô de armazém rígido, mas como um caminhão inteligente e todo-terreno que pode pensar, ver e dirigir por si mesmo através de uma zona de construção bagunçada.

Aqui está como o ADAPT funciona, dividido em partes simples:

1. O Corpo: Um Caminhão Robusto com um Cérebro

O ADAPT não é uma máquina nova construída do zero; é uma empilhadeira padrão montada em caminhão de serviço pesado (a Palfinger BM154) que recebeu um "cérebro" e "nervos".

• Os Nervos (Sensores): Em vez de olhos, ele possui um conjunto de sensores. Ele usa LiDAR (como o sonar de um morcego, mas com lasers) para ver a forma do mundo em 3D, câmeras estéreo (como olhos humanos) para localizar paletes e GPS para saber onde está no mapa.
• O Cérebro (Computador): Ele possui um computador robusto que processa todos esses dados instantaneamente. É como ter um copiloto que nunca se cansa, nunca pisca e calcula a rota mais segura em milissegundos.

2. Os "Olhos": Vendo Através do Caos

Canteiros de obras são bagunçados. Os paletes não estão alinhados perfeitamente; estão espalhados, às vezes cobertos de sujeira, e o chão é acidentado.

• Encontrando os Paletes: O ADAPT usa um "detetive de IA" especial treinado em milhões de imagens geradas por computador. Ele olha para o mundo através de suas câmeras e diz: "Isso é um palete de madeira!". Ele descobre exatamente onde o palete está e como ele está inclinado, mesmo que esteja parcialmente escondido.
• O Mapa "Mágico": Para saber se pode dirigir sobre uma pilha de cascalho ou uma poça, o ADAPT constrói um mapa 2.5D. Imagine um mapa topográfico que sabe não apenas onde as coisas estão, mas quais coisas são seguras para dirigir por cima e quais são zonas de "proibido passar". Ele atualiza constantemente esse mapa enquanto dirige, lembrando onde estavam os obstáculos e para onde eles se moveram.

3. A "Memória": Sabendo Onde Tudo Está

Uma das partes mais difíceis de dirigir em um canteiro de obras é que o sinal de GPS pode ficar instável e o terreno pode mudar.

• O Grafo de Fatores: O artigo descreve um truque matemático inteligente chamado "grafo de fatores". Imagine uma grande teia conectando a localização da empilhadeira, o GPS e os paletes que ela vê. Se o sinal do GPS oscilar, a teia se aperta em torno dos paletes que ela vê para manter a empilhadeira no caminho. É como segurar em um corrimão quando o chão treme; a empilhadeira usa os paletes como âncoras para manter a precisão.
• O Resultado: Mesmo que o sinal do GPS caia por um momento, o robô sabe exatamente onde está em relação ao palete que está tentando coletar.

4. As "Mãos": Pegando a Carga

Uma vez que o ADAPT encontra um palete, ele precisa pegá-lo. Esta é a parte complicada.

• O "Tato": A empilhadeira possui sensores de pressão especiais em seus garfos. É como ter pontas dos dedos sensíveis. Quando os garfos tocam o palete, o robô sabe exatamente quando parar de empurrar. Ele não apenas adivinha; ele sente o contato.
• A Aproximação: Ele utiliza uma técnica de "servocontrolamento visual". Imagine um videogame onde você tem que alinhar um cursor perfeitamente para atingir um alvo. O ADAPT ajusta constantemente sua posição com base no que a câmera vê até que os garfos deslizem perfeitamente nos buracos do palete.

5. O "Guarda de Segurança": Parando Antes de uma Colisão

Canteiros de obras estão cheios de surpresas: outros caminhões, trabalhadores e cachorros.

• O "Vigia": O ADAPT possui um sistema de segurança dedicado que escaneia o caminho à frente. Se ele vir algo se movendo (como uma pessoa ou uma escavadeira) que possa cruzar seu caminho, ele não tenta desviar como um humano faria. Em vez disso, ele aciona os freios e espera.
• O Suporte Humano: O sistema não é perfeito ainda. Se o robô ficar preso ou confuso, um trabalhador humano pode intervir, resolver a situação e, então, o robô assume o controle novamente de forma fluida. É como um carro autônomo que pede ajuda a um passageiro quando se perde e depois continua dirigindo assim que o passageiro o orienta.

O Grande Teste: Robô vs. Humano

Os pesquisadores não apenas construíram o robô; eles o colocaram à prova. Eles compararam o ADAPT contra um motorista de empilhadeira humano com 20 anos de experiência.

• O Veredito: Em várias condições climáticas (incluindo chuva), o ADAPT teve um desempenho quase tão bom quanto o do especialista humano. Foi confiável, seguro e eficiente.
• A Conclusão: O artigo conclui que estamos próximos de um futuro onde robôs podem lidar com o trabalho sujo, perigoso e monótono de movimentação de materiais em canteiros de obras, tornando o trabalho mais seguro para os humanos e o processo mais eficiente.

Em resumo: O ADAPT é uma empilhadeira autônoma robusta que usa lasers, câmeras e matemática inteligente para navegar por um canteiro de obras bagunçado, encontrar paletes espalhados, pegá-los com segurança e entregá-los — tudo isso enquanto mantém um olhar atento ao que está ao seu redor para evitar colisões. É um robô que pode trabalhar na chuva e na lama, assim como um humano, mas sem se cansar.

Resumo técnico

Resumo Técnico: ADAPT – Uma Empilhadeira Autônoma para Operação em Canteiros de Obras

Declaração do Problema

A logística eficiente de materiais é crítica para o controle de custos e cronogramas na indústria da construção, mas o manuseio manual permanece propenso a ineficiências, atrasos e riscos de segurança. Embora sistemas autônomos tenham alcançado maturidade em ambientes estruturados (ex: armazéns) e setores externos específicos (ex: mineração de superfície, agricultura), o implante de empilhadeiras autônomas em canteiros de obras apresenta desafios únicos. Diferente de ambientes controlados, os canteiros de obras são não estruturados, apresentando obstáculos dinâmicos, terrenos irregulares e condições climáticas variáveis. Além disso, o setor enfrenta uma escassez de trabalhadores qualificados e altos riscos de segurança, com acidentes relacionados ao manuseio de materiais contribuindo significamente para fatalidades e custos. Pesquisas existentes sobre maquinário de construção autônomo frequentemente carecem de avaliações abrangentes do mundo real de ciclos completos de carga ou da capacidade de operar de forma robusta em ambientes externos não estruturados sem sistemas de guia predefinidos.

Metodologia

O artigo apresenta o ADAPT (Autonomous Dynamic All-terrain Pallet Transporter), uma empilhadeira off-road autônoma projetada para operar em ambientes de construção não estruturados sem a necessidade de infraestrutura predefinida. O sistema integra percepção impulsionada por IA com metodologias tradicionais de tomada de decisão, planejamento e controle.

Arquitetura do Sistema

• Plataforma de Hardware: Baseada na empilhadeira montada em caminhão Palfinger BM154, um veículo de tração integral e articulação central. Foi modificada com uma arquitet ever de processamento distribuído composta por um PLC B&R X90 para controle de segurança e atuação de baixo nível, e um PC industrial robusto (IPC) para percepção e planejamento de alto nível.
• Conjunto de Sensores: O sistema utiliza uma configuração multissensorial incluindo:
  • RTK-GNSS (Septentrio mosaic-H): Para localização global em nível de centímetros.
  • LiDARs: Um Ouster OS1-64 de campo amplo para mapeamento e detecção de obstáculos; um Livox Mid-70 de campo estreito para detecção de objetos na direção dos garfos e detecção de borda do caminhão; e um LiDAR 2D Sick picoScan150 para precisão de curto alcance.
  • Câmera Estéreo (ZED 2i): Central para detecção de paletes e estimativa de pose.
  • Propriocepção: Codificadores de roda, potenciômetros lineares para a junta central e sensores de pressão para feedback hidráulico.

Percepção e Localização

• Localização da Junta e Mapeamento de Paletes: O sistema emprega uma estrutura de otimização baseada em fator-grafo (usando iSAM2) para estimar conjuntamente a pose da empilhadeira e as poses dos paletes. Esta abordagem funde odometria, GNSS e detecções de paletes. Diferente do SLAM padrão que depende de características naturais, este método opera em um nível superior usando poses de objetos (localizações de paletes) como marcos, permitindo uma operação robusta mesmo com sinais de GNSS degradados.
• Mapeamento de Transitabilidade: Um mapa de elevação 2.5D é gerado a partir de dados LiDAR através de um processo de três estágios (análise de varredura única, agregação de voxel 3D e geração de mapa de elevação). Este mapa distingue entre terreno transitável, obstáculos e inclinações, crucial para prevenir tombamentos em terrenos irregulares.
• Detecção de Paletes e Estimativa de Pose: O sistema utiliza uma rede neural baseada em geometria e treinada sinteticamente para detectar paletes Euro e estimar sua pose 6D a partir de dados estéreo de profundidade. O pipeline de treinamento gera mais de 150.000 pares de imagens estéreo sintéticas para minimizar o gap sim-to-real. A estimativa de pose utiliza um modelo de constelação de partes e uma etapa de refinamento baseada em medições de profundidade estéreo na origem do palete.
• Detecção de Obstáculos: Um sistema de reação rápida baseado em frame de sensor utiliza agrupamento DBSCAN em nuvens de pontos LiDAR para detectar obstáculos estáticos e dinâmicos. Emprega um paradigma de rastreamento por detecção com filtragem de Kalman para prever trajetórias e avaliar riscos de colisão, acionando paradas de emergência se uma colisão for iminente.

Planejamento e Controle

• Planejamento de Tarefas: Uma estrutura de Árvore de Comportamento (BehaviorTree.CPP) gerencia a execução de tarefas de alto nível, incluindo busca por paletes, seleção de alvos, aproximação, carga, navegação para slots e descarregamento. Isso proporciona modularidade e reatividade a condições dinâmicas.
• Planejamento de Movimento e Controle: O sistema utiliza um planejador Hybrid A* com uma configuração Reeds-Shepp para planejamento de trajetória, adaptado para a cinemática do veículo de articulação central. Um controlador de rastreamento de trajetória baseado em Lyapunov garante o seguimento preciso da trajetória.
• Acoplamento (Docking): O engajamento preciso do palete é alcançado através de servocontrolamento visual, integrando medições de câmera de profundidade e LiDAR para ajustar os garfos dinamicamente durante a aproximação final.

Principais Contribuições

1. Desenvolvimento de uma Empilhadeira Off-Road Autônoma: Um sistema completo capaz de operações de carga e descarregamento em ambientes externos não estruturados, demonstrando desempenho próximo ao humano em diversas condições climáticas, incluindo operação robusta sob chuva de baixa a média intensidade.
2. Otimização Inovadora Baseada em Fator-Grafo: Uma estrutura de otimização conjunta para localização precisa do veículo e mapeamento de paletes, especificamente projetada para aumentar a precisão da manipulação de objetos em tarefas de carregamento de paletes ao tratar os paletes como características de mapa de alto nível.
3. Medição Inovadora de Contato do Garfo: Um sistema utilizando feedback de pressão para aumentar a robustez da manipulação e a segurança operacional, mantendo a relação custo-benefício.
4. Avaliação de Desempenho Abrangente: Uma análise quantitativa detalhada comparando o sistema autônomo contra um operador humano especialista (com mais de 20 anos de experiência) em ambientes externos reais, avaliando eficiência operacional, robustez e a frequência de intervenções humanas.

Resultados

O sistema foi validado através de extensos testes no mundo real em um canteiro de obras.

• Precisão de Localização: Em cenários sem GNSS (simulados pelo desativamento do GNSS após a inicialização), a fusão de odometria com detecções de paletes online reduziu o Erro Quadrático Médio (RMSE) da posição média empilhadeira-palete em 65% (de 0,182 m para 0,064 m) em comparação com apenas a odometria.
• Estimativa de Pose: O sistema de estimativa de pose do palete alcançou precisão suficiente para a inserção dos garfos, com erros diminuindo conforme a distância do sensor diminuía.
• Desempenho Operacional: A análise comparativa com o operador humano demonstrou que a empilhadeira autônoma pode operar com desempenho próximo ao nível humano. O sistema completou com sucesso ciclos de carga e descarregamento em várias condições climáticas.
• Intervenção Humana: Embora a confiabilidade operacional de 100% não tenha sido alcançada para uso flexível, o sistema foi projetado com um conceito de interação humano-máquina contínuo. Trabalhadores humanos puderam intervir por razões de segurança ou operacionais, após o que a operação autônoma foi retomada suavemente.

Significância e Alegações

O artigo afirma que o ADAPT oferece um caminho viável para uma logística de construção mais segura e eficiente, abordando os desafios específicos de ambientes externos não estruturados. Os autores enfatizam que seu trabalho preenche a lacuna entre a automação interna madura e as condições exigentes dos canteiros de obras. Ao demonstrar que empilhadeiras externas autônomas podem alcançar desempenho comparável a operadores humanos experientes, o estudo sugere que a automação é uma solução viável para a escassez de mão de obra e riscos de segurança na indústria da construção. O artigo conclui que, embora a autonomia total em todas as condições ainda não seja uma realidade, a integração de percepção baseada em IA com métodos de controle clássicos, combinada com um conceito robusto de segurança com humano no ciclo (human-in-the-loop), permite a operação confiável em ambientes complexos e dinâmicos.