Efficient Autonomous Navigation of a Quadruped Robot in Underground Mines on Edge Hardware

Este artigo apresenta um sistema de navegação autônoma totalmente independente, executado em hardware de borda de baixo consumo sem GPU ou conectividade de rede, que permite a um robô quadrúpede Boston Dynamics Spot navegar com sucesso 100% das vezes em minas subterrâneas escuras e sem GPS, utilizando apenas percepção geométrica e planejamento de caminho sem necessidade de treinamento específico do ambiente.

O essencial

Imagine que você precisa enviar um mensageiro para entregar uma carta dentro de uma mina de carvão antiga e abandonada. O local é um labirinto de túneis estreitos, o chão é irregular, está totalmente escuro (como se você tivesse os olhos vendados), não há sinal de celular, nem GPS, e não há ninguém por perto para guiar o mensageiro.

A maioria dos robôs modernos seria como um atleta olímpico que precisa de um estádio gigante, luzes de holofote e um computador superpotente para funcionar. Se você tirasse o estádio e a luz, ele tropeçaria.

Este artigo apresenta uma solução diferente: um robô quadrúpede (parecido com um cachorro, o Boston Dynamics Spot) que consegue navegar sozinho nessas condições terríveis, usando apenas um computador pequeno e barato (um "NUC", do tamanho de um livro), sem precisar de internet, sem precisar de luz e, o mais importante, sem usar inteligência artificial "aprendida" ou GPUs caras.

Aqui está a explicação de como isso funciona, usando analogias do dia a dia:

1. O Robô e seu "Cérebro" Leve

A maioria dos robôs hoje tenta "aprender" a andar como um bebê, vendo milhares de vídeos e usando computadores gigantes (como os usados para treinar modelos de IA). Isso é pesado e falha na escuridão.

Este robô, em vez de "aprender" a andar, usa regras clássicas e lógicas, como um carteiro experiente que conhece o caminho de cor.

• O Computador: Em vez de um supercomputador, ele usa um Intel NUC (um PC de escritório pequeno). É como trocar um motor de Ferrari por um motor de um carro popular, mas que é extremamente eficiente e confiável para o trabalho.
• Os Olhos: Como está escuro, câmeras comuns não servem. O robô usa um LiDAR (um laser que gira 360 graus). Imagine que o robô tem um "dedo mágico" que toca tudo ao redor e cria um mapa 3D instantâneo, não importa se é dia ou noite.

2. Como ele sabe onde está? (O GPS da Mina)

Como não há GPS, o robô usa duas técnicas combinadas:

• O Passo a Passo (Odometria): Ele conta cada passo e usa um acelerômetro (como o do seu celular) para saber para onde está indo. É como andar de olhos vendados contando "um passo, dois passos". O problema é que, com o tempo, você se perde um pouco.
• O Mapa de Referência (Correção): Antes de começar a missão, alguém (um humano) passou pelo túnel uma vez e fez um mapa digital. Quando o robô anda, ele compara o que o laser vê agora com esse mapa antigo. É como se o robô tivesse um mapa de bolso e, a cada poucos metros, dissesse: "Esse pilar aqui bate com o mapa, então sei exatamente onde estou". Isso corrige os erros de contagem de passos.

3. O Chão é Perigoso? (O Filtro de Terreno)

Em uma mina, o chão pode ter pedras, buracos ou até o teto baixo. O robô precisa saber o que pode pisar.

• Ele usa um algoritmo chamado Filtro Morfológico. Imagine que você tem uma peneira. O robô "peneira" os pontos do laser: tudo que é baixo e plano é "chão" (verde, pode andar). Tudo que é alto (paredes, teto) ou solto (pedras) é "obstáculo" (vermelho, pare). Ele ignora o teto e foca apenas no chão, como um cego que usa um bastão para sentir apenas o chão à frente.

4. O Caminho (O Planejador)

Uma vez que ele sabe onde está e onde pode andar, ele precisa decidir o caminho.

• Ele usa um Gráfico de Visibilidade. Imagine que você está em um corredor cheio de colunas. O robô desenha linhas invisíveis entre os cantos das paredes onde ele consegue "ver" (laser) sem bater. Ele escolhe o caminho mais curto entre esses pontos, como se estivesse traçando uma linha reta em um mapa de metrô, evitando os túneis que não levam a lugar nenhum.

5. O Resultado: 100% de Sucesso

Os pesquisadores testaram esse robô 20 vezes em uma mina real em Missouri, EUA.

• O Desafio: 4 destinos diferentes, alguns muito profundos, alguns com curvas e desníveis.
• O Resultado: O robô chegou a todos os destinos, sem ajuda humana, sem bater em nada e sem se perder.
• Estatística: Ele percorreu mais de 700 metros no total. Mesmo que o caminho não fosse sempre o mais curto possível (ele foi um pouco conservador para não bater), ele foi extremamente confiável.

Por que isso é importante?

Imagine que você precisa inspecionar uma mina após um acidente ou verificar vazamentos de gás. Colocar humanos lá é perigoso.

• Robôs antigos precisariam de computadores gigantes, cabos de energia ou luzes fortes, o que é difícil em minas profundas.
• Robôs de IA podem falhar se a luz mudar ou se o terreno for diferente do que eles "viram" no treinamento.

Este robô é diferente porque é "burro" de propósito (no bom sentido): ele não tenta ser inteligente de forma complexa; ele usa sensores simples e lógica matemática sólida. Isso significa que ele funciona em qualquer lugar, desde que você tenha um mapa prévio, e não precisa de uma usina de energia para rodar.

Resumo da Ópera:
É como ter um guia turístico cego, mas com superpoderes de laser, que carrega um mapa na cabeça, anda com um computador de bolso e consegue te levar do ponto A ao ponto B em uma mina escura e perigosa, sem nunca se perder, sem precisar de bateria de avião e sem precisar que ninguém o segure pela mão.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Efficient Autonomous Navigation of a Quadruped Robot in Underground Mines on Edge Hardware", apresentado em português.

1. Problema e Contexto

A navegação autônoma em minas subterrâneas enfrenta um conjunto único e desafiador de restrições que raramente ocorrem simultaneamente na robótica de superfície:

• Ambiente Hostil: Passagens estreitas, terreno irregular com mudanças de elevação e ausência total de luz ambiente (escuridão quase total).
• Restrições de Infraestrutura: Condições de negação de GPS, falta de infraestrutura de comunicação sem fio (WiFi/celular) e limitações severas de energia.
• Limitações Computacionais: A dependência atual de métodos baseados em aprendizado (como modelos VLA ou redes neurais profundas) exige GPUs de alto desempenho e grandes quantidades de dados de treinamento, o que é inviável para plataformas de borda (edge) com restrições de energia e sem conectividade de rede para offload de processamento.

O objetivo do trabalho é desenvolver uma pilha de navegação totalmente autônoma para um robô quadrúpede (Boston Dynamics Spot) que opere exclusivamente em hardware de baixo consumo, sem GPU, sem conexão de rede e sem componentes aprendidos, garantindo taxas de controle determinísticas e em tempo real.

2. Metodologia

O sistema proposto é uma pilha de navegação clássica e interpretável, construída sobre o ROS 2, que roda inteiramente em um computador de borda Intel NUC (CPU i7 de 13ª geração, 40W, sem GPU). A arquitetura integra quatro subsistemas principais:

• Hardware e Sensores:

  • Robô: Boston Dynamics Spot.
  • Sensores: LiDAR 3D Velodyne VLP-16 (10 Hz), IMU Yahboom (100 Hz) e uma câmera térmica (apenas para consciência situacional, não no loop de controle).
  • Computação: Intel NUC 13 rodando apenas em CPU.

• Estimativa de Estado e Localização:

  • Odometria LiDAR-Inercial: Utiliza o algoritmo FAST-LIO2 para fusão de dados do LiDAR e IMU, fornecendo estimativa de pose local consistente e nuvens de pontos sem distorção de movimento.
  • Localização Baseada em Mapa (NDT): Para corrigir o desvio (drift) acumulado da odometria em trajetos longos, o sistema utiliza o Normal Distributions Transform (NDT). Ele alinha as varreduras LiDAR em tempo real contra um mapa de nuvem de pontos pré-mapeado (capturado em uma única passagem teleoperada). Isso garante uma pose globalmente consistente sem a necessidade de um grafo de pose completo (SLAM online).

• Percepção de Terreno:

  • Um módulo de segmentação classifica os pontos da nuvem de pontos como "terreno transponível" ou "obstáculo".
  • Utiliza um Filtro Morfológico Progressivo Aproximado (PMF) para distinguir o chão de paredes, entulho e estruturas de teto, filtrando primeiro pontos acima de 1,5m (estrutura do teto).

• Planejamento de Caminho:

  • Planejamento Global: Utiliza o FAR Planner, baseado em grafos de visibilidade. Um grafo de visibilidade pré-computado do mapa é carregado no início, permitindo planejamento imediato. Durante a navegação, o grafo é atualizado dinamicamente para contornar novos obstáculos não presentes no mapa original.
  • Seguimento de Caminho Local: Um controlador Pure Pursuit Regulado rastreia o caminho global, ajustando a velocidade com base na curvatura e na proximidade do objetivo para garantir estabilidade em terrenos irregulares.

3. Principais Contribuições

1. Pilha de Navegação Open-Source para Minas: Uma solução totalmente autônoma para robôs quadrúpedes que roda em tempo real em hardware de borda de baixo consumo (CPU apenas), sem GPUs, sem componentes de aprendizado de máquina e sem conectividade de rede.
2. Generalização sem Treinamento: O sistema generaliza para locais de destino arbitrários dentro de um mapa conhecido após uma única passagem de mapeamento, sem necessidade de treinamento específico do ambiente ou adaptação de domínio.
3. Validação Extensiva em Campo: Validação rigorosa em uma mina experimental real, demonstrando a viabilidade de navegação confiável em condições extremas (escuridão total, sem GPS) usando apenas métodos clássicos.

4. Resultados Experimentais

Os testes foram realizados na Missouri S&T Experimental Mine com 20 repetições de navegação autônoma em quatro alvos de dificuldade variada (totalizando 717 metros percorridos).

• Taxa de Sucesso: 100% (20/20 tentativas). O robô alcançou todos os alvos dentro de 1,0 metro sem intervenção humana.
• SPL (Success weighted by Path Length): Média de 0,73 ± 0,09.
  • O SPL mais alto foi de 0,87 para trajetos curtos e retos.
  • O SPL diminuiu ligeiramente em trajetos mais longos e complexos (0,66), devido à natureza conservadora do planejador e do controlador em curvas e interseções.
• Latência do Sistema:
  • Latência total de percepção-ação (do scan LiDAR ao comando de velocidade): Média de 195 ms (mediana de 176 ms).
  • O sistema opera consistentemente dentro do ciclo de planejamento de 400 ms, garantindo resposta em tempo real.
  • A localização NDT opera de forma assíncrona, com latência média de 100 ms, não bloqueando o controle.
• Desempenho em Condições Extremas: O sistema operou com sucesso desde a entrada iluminada até as passagens mais profundas e escuras da mina, onde a percepção baseada em câmera falharia.

5. Significado e Conclusão

Este trabalho demonstra que a navegação autônoma confiável em ambientes subterrâneos complexos não requer computação de alto desempenho (GPUs) ou métodos baseados em aprendizado de máquina.

• Viabilidade Industrial: Ao utilizar hardware de baixo custo e baixo consumo (40W), o sistema é viável para implantação industrial em minas, onde a infraestrutura de energia e comunicação é limitada.
• Robustez: A abordagem baseada em LiDAR e métodos clássicos (odometria, NDT, grafos de visibilidade) provou ser mais robusta à escuridão total e a condições de iluminação variáveis do que as abordagens baseadas em visão.
• Caminho Futuro: Embora o sistema atual dependa de um mapa pré-existente e não lide com obstáculos dinâmicos (pessoas/equipamentos em movimento), ele estabelece uma base sólida para futuras extensões que incluam exploração em ambientes desconhecidos e detecção de obstáculos dinâmicos.

Em resumo, o artigo valida que uma arquitetura de navegação interpretável e eficiente em termos computacionais é suficiente para resolver os desafios críticos de segurança e autonomia em minas subterrâneas.