Resumo Técnico: Um Pipeline Modular de Câmera Dupla para Microinspeção Usando Robôs Aéreos

Problema

Os sistemas de inspeção aérea existentes enfrentam desafios significativos ao serem incumbidos de inspecionar alvos pequenos (microinspeção). As abordagens atuais frequentemente exigem que drones voem perigosamente próximos aos alvos ou sigam trajetórias complexas para capturar detalhes finos, aumentando os riscos de colisão e os custos operacionais. Além disso, o voo de drones é suscetível a distúrbios ambientais e imprecisões de localização. Quando um drone depende de uma câmera de campo de visão (FOV) estreito para inspeção, essas imprecisões podem fazer com que o sistema perca o alvo de vista completamente. Adicionalmente, muitos métodos de planejamento de trajetória existentes dependem do conhecimento prévio da geometria, posição e orientação do alvo — informações que são frequentemente indisponíveis para alvos não estruturais, como árvores, veículos ou pessoas.

Metodologia

O artigo apresenta o aerial_micro_inspection, um pipeline genérico e de código aberto construído sobre o ROS 2 e compatível com a stack de voo PX4. O sistema utiliza uma arquitetura de câmera dupla montada em um robô aéreo:

1. Câmera de Navegação Estereoscópica de Amplo FOV: Fixada rigidamente ao corpo do drone, esta câmera adquire a superfície do alvo no local, estima a profundidade via visão estéreo e segmenta a superfície em regiões de inspeção menores (partições). Ela também suporta estimativa de estado e navegação.
2. Câmera de Inspeção Montada em Gimbal de Estreito FOV: Equipada com óticas de zoom, esta câmera captura imagens de alto detalhe de partições específicas sem exigir que o drone voe em proximidade imediata ao alvo.

Componentes Técnicos Principais

• Modelagem Cinemática e Calibração: O sistema emprega um modelo cinemático para mapear pixels da câmera de navegação para a câmera de inspeção. Uma ferramenta de calibração extrínseca personalizada usando um marcador ArUco determina a transformação entre a câmera de navegação rigidamente montada e a base do gimbal, contabilizando os graus de liberdade de pan-tilt.
• Particionamento de Superfície: O pipeline utiliza uma estratégia de varredura paramétrica (Algoritmo 1) para dividir a superfície segmentada do alvo em partições que correspondam ao FOV projetado da câmera de inspeção. Isso permite uma cobertura sistemática sem conhecimento geométrico prévio.
• Loop de Feedback Baseado em Visão: Para neutralizar o movimento do drone e erros de localização, um módulo de rastreamento de superfície (usando Median Flow) atualiza continuamente a localização das partições em tempo real. Este feedback ajusta a direção de apontamento do gimbal, garantindo que a câmera de inspeção permaneça alinhada com a partição pretendida, mesmo que o drone sofra deriva.
• Arquitetura Modular: O pipeline foi projetado com checkpoints intercambiáveis para segmentação de superfície e detecção de microalvos (ex: modelos baseados em YOLO), permitindo a adaptação a vários casos de uso.

Principais Contribuições

Os autores identificam quatro contribuições primárias:

1. Primeiro Pipeline Modular de Código Aberto: Tanto quanto é de seu conhecimento, este é o primeiro pipeline baseado em ROS 2 explicitamente focado em microinspeção aérea, oferecendo um framework modular para diferentes aplicações.
2. Estratégia de Varredura Paramétrica: Um método para dividir qualquer alvo de inspeção em partições compatíveis com zoom para cobertura sistemática.
3. Mecanismo de Feedback Baseado em Visão: Um loop de controle que mantém o alinhamento do gimbal com as partições pretendidas, apesar de erros de localização e movimento da plataforma.
4. Ferramenta de Calibração Extrínseca: Uma ferramenta específica para calibrar a relação entre uma câmera de visão ampla fixada rigidamente e uma câmera de inspeção montada em gimbal.

Resultados Experimentais

O pipeline foi avaliado tanto em simulação (Gazebo com PX4 SITL) quanto em experimentos no mundo real através de dois casos de uso principais:

1. Inspeção de Árvores: Detecção de lagartas do carvalho (oak processionary caterpillars) e seus ovos (1–2 mm) em troncos de árvores.
2. Inspeção de Estufa: Monitoramento de armadilhas adesivas para mosca-branca em um ambiente sem GPS.
3. Simulação (Inspeção de Veículo): Um cenário secundário de simulação envolvendo a inspeção da superfície de uma carroceria de carro para demonstrar a transferibilidade.

Descobertas de Desempenho

• Robustez a Distúrbios: Na simulação, o loop de feedback de rastreamento de superfície melhorou significamente a robustez da cobertura. Enquanto a execução em malha aberta sofreu degradação de cobertura sob ruído de GPS (desvio padrão de 1,0 m) e distúrbios externos, o sistema habilitado por feedback recuperou-se rapidamente e manteve alta cobertura.
• Precisão no Mundo Real:
  • Inspeção de Árvores: Alcançou um erro médio de apontamento angular de 2,17°, o que foi suficiente para a detecção confiável de lagartas.
  • Inspeção de Estufa: Alcançou um erro médio de 3,34°. Embora isso tenha permitido imagens de alta qualidade dos insetos, os autores observam que foi insuficiente para distinguir moscas-brancas de outros insetos no nível de zoom atual.
• Limitações Observadas: Os autores notaram que a referência zero interna do gimbal pode sofrer deslocamentos entre ciclos de energia, introduzindo vieses de apontamento que crescem com os níveis de zoom (ex: até 35% da largura da imagem em 10× de zoom).

Significância e Alegações

O artigo afirma que o aerial_micro_inspection aborda a necessidade crítica de uma microinspeção aérea confiável e autônoma que reduza o risco operacional e a exposição de pessoal. Ao desacoplar as tarefas de navegação e inspeção e integrar um loop de feedback baseado em visão, o sistema alcança imagens de close-up estáveis a partir de distâncias mais seguras, sem exigir conhecimento prévio da geometria do alvo.

Os autores enfatizam que o pipeline é um passo fundamental para uma inspeção aérea generalizável. Eles reconhecem modestamente as limitações atuais, como simplificações de modelagem em relação ao alinhamento do gimbal e a necessidade de maior precisão em níveis de zoom extremos. Eles propõem que o trabalho futuro se concentrará no refinamento dos modelos cinemáticos, na transição para calibração sem alvo (targetless) online e na expansão da camada de planejamento para lidar com a geração hierárquica de pontos de vista para estruturas maiores. O código é disponibilizado como código aberto para facilitar a adaptação a novos domínios, como monitoramento de infraestrutura e controle de qualidade industrial.