LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

Robôs autônomos, desde robôs de entrega até carros autônomos, dependem de um senso interno constante de onde estão e de como se movem. Em condições claras e ensolaradas, câmeras e scanners a laser são excelentes nesta tarefa, pintando uma imagem detalhada do mundo para guiar a máquina. No entanto, quando o ar se enche de névoa, poeira ou fumaça, ou quando a iluminação falha, esses sensores ópticos muitas vezes ficam cegos. Para navegar nesses ambientes difíceis, engenheiros recorrem ao radar de onda milimétrica. Diferente da luz, as ondas de radar podem atravessar obstruções visuais, ricocheteando em paredes e objetos para fornecer um mapa aproximado do entorno. No entanto, o radar tem seu próprio ponto cego significativo: embora seja excelente para medir a velocidade com que o robô se move em direção ou para longe de objetos, ele tem dificuldade em dizer ao robô em qual direção ele está voltado. Sem um senso de direção confiável, um rob em pode se desviar do curso, acumulando erros lentamente que eventualmente o levam a acreditar que está em um local completamente diferente de onde realmente está.

Uma equipe de pesquisadores do Instituto de Ciência e Tecnologia de Skolkovo desenvolveu um novo sistema chamado LoCal-RIO para resolver este problema específico. O trabalho deles foca na fusão de dados de radar com medições de uma Unidade de Medida Inercial (IMU), um pequeno pacote de sensores contendo acelerômetros e giroscópios que rastreiam o movimento. O desafio central que abordaram é que os métodos padrão para combinar esses sensores frequentemente falham em longas distâncias porque o radar não consegue corrigir a tendência de deriva dos giroscópios. Os pesquisadores descobriram que, ao separar o rastreamento do movimento imediato do robô da construção do mapa de longo prazo, e ao usar um método inteligente para corrigir os erros internos do sensor apenas quando o robô completa um ciclo completo, eles poderiam manter o robô no curso com alta precisão, mesmo em espaços internos grandes e confusos, como garagens subterrâneas e bibliotecas de vários andares.

O sistema opera em dois níveis distintos que trabalham juntos como um piloto e um navegador. O primeiro nível, o grafo de navegação, execeuta de forma constante e rápida, fundindo as medições de velocidade do radar com os dados de movimento da IMU para produzir uma trajetória suave e em tempo real para o robô seguir. Esta parte do sistema é projetada para ser rápida e responsiva, garantindo que o robô possa reagir ao seu ambiente instantaneamente. No entanto, como o radar não pode determinar perfeitamente a direção do robô, esta camada de rastreamento rápido inevitavelmente acumula pequenos erros ao longo do tempo, fazendo com que o mapa interno do robô se desvie lentamente da realidade. O segundo nível, o grafo de mapeamento, trabalha em segundo plano. Ele tira instantâneos da posição do robô em momentos chave e constrói um mapa global do ambiente. Esta camada é mais lenta, porém mais minuciosa, sendo capaz de reconhecer quando o robô retornou a um lugar que já havia visitado antes.

O avanço do LoCal-RIO reside em como esses dois níveis se comunicam. Em muitos sistemas anteriores, quando o mapeador de fundo percebia que o robô havia derivado, ele simplesmente "teletransportava" a posição do robô de volta para o local correto no mapa. Embora isso corrigisse o mapa, criava um salto repentino e brusco no senso interno de localização do robô, o que poderia confundir os sistemas de controle que tentam guiar o veículo. Os pesquisadores perceberam que a verdadeira fonte da deriva não era a posição do robô, mas um erro minúsculo e persistente na leitura do giroscópio. Em vez de forçar o salto na posição do robô, o sistema deles usa o momento de um "fechamento de loop" — quando o robô reconhece que retornou a um ponto anterior — para calcular exatamente o quanto o giroscópio estava mentindo. Ele então ajusta silenciosamente o viés interno do sensor, corrigindo a causa raiz da deriva sem nunca perturbar a posição ou a velocidade atual do robô. Isso permite que o robô continue se movendo suavemente enquanto seu bússola interna torna-se gradualmente mais precisa.

Para fazer isso funcionar, a equipe teve que superar a natureza desordenada dos dados de radar, que muitas vezes são preenchidos com ecos falsos e ruído. Eles desenvolveram uma técnica de filtragem que prioriza reflexões fortes e claras de objetos sólidos, ignorando sinais mais fracos e confusos que ricocheteiam em múltiplas superfícies. Isso garante que o mapa sendo construído seja nítido e confiável. Além disso, o sistema inclui uma verificação de segurança rigorosa antes de aceitar qualquer correção. Ele não confia em um único fechamento de loop imediatamente; em vez disso, espera até que o robô complete vários outros ciclos e confirme que o novo caminho é consistente com o antigo. Somente então ele aplica a correção ao viés do sensor, garantindo que o robô nunca aprenda com um erro.

Os pesquisadores testaram seu sistema em uma variedade de ambientes desafiadores do mundo real, incluindo uma grande garagem subterrânea, uma biblioteca com prateleiras de madeira e um edifício de campus com corredores curvos e complexos. Nesses testes, o sistema mapeou com sucesso milhares de metros de deslocamento, mantendo um alto grau de precisão onde outros sistemas baseados em radar teriam falhado. Em um teste específico envolvendo uma distância total de loop de mais de 2.200 metros, o sistema manteve a trajetória do robô alinhada com a geometria real do edifício, demonstrando que poderia lidar com padrões repetitivos e superfícies de baixa refletividade que normalmente confundem os robôs. Os resultados mostraram que, ao focar na calibração dos erros internos do sensor em vez de apenas corrigir o mapa, o robô poderia navegar com um nível de precisidade que rivaliza com sistemas baseados em laser mais caros e frágeis, mas com a robustez necessária para operar nos ambientes nebulosos, empoeirados e escuros onde outras tecnologias falham.

Esta abordagem representa um passo significativo para tornar os robôs autônomos verdadeiramente confiáveis no mundo real. Ao tratar a deriva do sensor como um erro corrigível em vez de uma falha inevitável, e ao garantir que as correções sejam aplicadas de forma suave e segura, o LoCal-RIO oferece um caminho para que robôs explorem e operem nas condições mais difíceis sem perder o rumo. O sistema prova que, com a estrutura matemática correta, as limitações do radar podem ser transformadas em uma força, permitindo que as máquinas vejam claramente mesmo quando o mundo ao seu redor está obscurecido.