ASC-SW: A Lightweight Atrous Strip Convolution Network for DLOs Segmentation on Edge mobile Robots

Resumo Técnico: ASC-SW para Segmentação de DLO em Robôs Móveis de Borda

Definição do Problema
A detecção de Objetos Lineares Deformáveis (DLOs - Deformable Linear Objects), como cabos no chão, é crítica para a navegação segura de robôs móveis. No entanto, as soluções existentes enfrentam desafios significativos quando implantadas em plataformas móveis de borda (edge). Os métodos atuais de estado da arte são predominantemente projetados para plataformas de manipuladores que operam com visões de câmera fixas e superiores (top-down). Esses modelos frequentemente dependem de arquiteturas pesadas (ex: SAM, grandes ResNets) que são computacionalmente proibitivas para dispositivos de borda. Além disso, existe uma lacuna de generalização de "visão cruzada" (cross-view): modelos treinados em visões perpendiculares de manipuladores falham em generalizar para as perspectivas oblíquas e ao nível do solo, típicas de robôs móveis, levando a um desempenho insatisfatório em ambientes complexos, ruidosos, com variações de viewpoint e distratores.

Metodologia
Os autores propõem o ASC-SW, um framework de segmentação leve e consciente da geometria, projetado para preencher a lacuna entre os dados de treinamento de manipuladores e a inferência de robôs móveis. O sistema compreende dois componentes primários:

1. ASCNet (Rede de Convolução de Tiras Atros - Atrous Strip Convolution Network):

   • Arquitetura: Baseada na arquitetura DeepLabV3+ com um backbone MobileNetV2 para garantir uma implantação leve.
   • Convolução de Tira Atrosa (ASConv): Para abordar a natureza alongada e anisotrópica dos DLOs, os autores substituem as convoluções isotrópicas padrão por convoluções de tira paralelas (horizontais e verticais) integradas com convoluções atrosas (dilatadas). Este design aumenta a sensibilidade a estruturas lineares enquanto mantém um campo receptivo amplo sem aumentar a resolução espacial ou o custo computacional.
   • ASCSPP (Atrous Strip Convolution Spatial Pyramid Pooling): Um módulo de pooling modificado que utiliza convoluções de tira atrosas paralelas com diferentes taxas de dilatação. Diferente dos métodos de empilhamento serial (ex: SPASPP, DAPP) que aumentam os parâmetros, o ASCSPP agrega características anisotrópicas multiescala de forma eficiente.
   • Atenção de Canal (CA): Um mecanismo de atenção leve que utiliza convoluções 1×1 para ponderar mapas de características ao longo da dimensão do canal, substituindo camadas totalmente conectadas mais pesadas.

2. Pós-processamento de Janela Deslizante (SW - Sliding Window):

   • Para mitigar falsos positivos causados por ruído e entradas de baixa resolução (224×224), um módulo de refinamento temporal é aplicado.
   • Processo: A saída da máscara binária é primeiro erodida para reparar a fragmentação. Componentes conectados são rastreados através dos quadros usando correspondência de centroides e distância euclidiana. Uma janela deslizante conta a frequência de ocorrência de cada ID; regiões com alta consistência temporal são retidas, enquanto o ruído esporádico (falsos positivos) é suprimido.

Principais Contribuições

• Formulação de Visão Cruzada (Cross-View): O artigo formula uma nova tarefa onde modelos treinados exclusivamente em dados de visão de manipulador (superior) são adaptados para generalizar para visões de robôs móveis (oblíquas) sem a necessidade de novos dados de treinamento para robôs móveis.
• Módulo Consciente da Geometria: A introdução do ASCSPP, que integra convoluções atrosas e de tira para capturar a sensibilidade direcional específica de objetos lineares, preservando a eficiência do modelo.
• Refinamento Temporal: Um módulo de Janela Deslizante leve que melhora significativamente a robustez contra ruídos e erros induzidos pelo viewpoint em ambientes móveis dinâmicos.
• Implantação em Borda: Validação do sistema em hardware de borda físico (Jetson TX1 e Orin Nano), demonstrando a viabilidade para navegação no mundo real.

Resultados Experimentais
O método foi avaliado em um dataset próprio do mundo real contendo 801 imagens capturadas por um robô móvel com uma câmera Intel RealSense D455, apresentando vários DLOs (cabos, cordas) em diferentes fundos de piso.

• Desempenho: O ASC-SW alcançou 74,1% de mIoU no conjunto de teste do robô móvel, superando significativamente modelos de base como o RT-DLO (18,17% de mIoU sob as mesmas condições de visão cruzada) e variantes padrão do DeepLabV3+.
• Eficiência: O modelo opera a 261 FPS em uma NVIDIA RTX 3070 e permanece implantável em dispositivos de borda (ex: 18,45 FPS em um Jetson Orin Nano).
• Comparação:
  • O ASC-SW superou modelos pesados (ex: Grounded-SAM, DLOPerceiver), que ou falharam em rodar em hardware de borda ou sofreram severa degradação de desempenho quando as resoluções de entrada foram reduzidas.
  • O módulo de Janela Deslizante melhorou o mIoU do ASCNet de 62,2% para 74,05% com apenas um aumento mínimo na latência (aprox. 0,3ms).
  • Em testes de visão cruzada, o ASC-SW manteve a continuidade estrutural onde outros modelos produziram falsos positivos significativos.

Significância e Alegações
O artigo afirma que o ASC-SW aborda com sucesso as limitações da segmentação de DLO atual ao permitir o uso de conjuntos de dados existentes de manipuladores para a navegação de robôs móveis. Ao alinhar os campos receptivos com a geometria dos DLOs e impor estabilidade temporal, o método alcança um equilíbrio entre leveza e precisão. Os autores enfatizam que sua abordagem permite que robôs móveis evitem efetivamente obstáculos no solo (DLOs) utilizando recursos de computação de borda.

No entanto, os autores mantêm um tom modesto quanto às capacidades futuras. Eles reconhecem que, embora o sistema seja implantável, a velocidade de inferência atual em dispositivos de borda (aprox. 6,45 FPS no Jetson TX1) ainda não atingiu o padrão de desempenho em tempo real (30 FPS) exigido para todos os cenários de navegação de alta velocidade. O trabalho futuro é identificado como necessário para explorar métodos de segmentação ainda mais eficientes.