One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

Imagine um robô projetado para dirigir por conta própria através de uma floresta, não em uma estrada pavimentada, mas através da natureza bruta e mutável do extremo norte. Para que essas máquinas funcionem, elas precisam saber onde estão a cada segundo. Normalmente, elas dependem de sinais de satélites orbitando alto acima, de forma muito semelhante a como um smartphone usa o GPS para encontrar uma cafeteria. Mas nas profundas florestas subárticas do Canadá, o céu é frequentemente bloqueado por camadas espessas de árvores, e o próprio ar pode engolir os sinais. Quando o sinal do satélite falha, o robô deve confiar em seus próprios olhos e sensores para navegar, um processo chamado odometria. É um pouco como caminhar por um quarto escuro com os olhos fechados, tentando contar seus passos para saber o quanto você percorreu. O problema é que o quarto muda. No verão, a floresta é verde e cheia de folhas; no inverno, está enterrada sob metros de neve, e as árvores estão nuas e despidas. Para uma máquina, essa mudança sazonal é como se o quarto subitamente rearranjasse seus móveis enquanto você tenta caminhar por ele.

Este é o desafio que uma equipe de pesquisadores da Universidade Laval, em Quebec, se propôs a resolver. Eles queriam saber se o software de navegação mais inteligente disponível hoje conseguiria sobreviver a um ano inteiro em uma floresta boreal subártica. Eles não apenas simularam isso em um computador; eles construíram um robô real, um veículo de esteira do tamanho de um carro pequeno, e o enviaram para o mundo selvagem. Eles o conduziram por 64 quilômetros de estradas florestais e terrenos fora de trilhas, registrando dados através do calor do verão, da decomposição do outono e do congelamento profundo do inverno. As variações de temperatura foram extremas, mudando mais de 60 graus Celsius entre os dias mais quentes e as noites mais frias. O objetivo era testar nove sistemas de navegação diferentes, variando de métodos simples de contagem de rodas até inteligência artificial complexa que tenta construir um mapa 3D do mundo em tempo real. Eles queriam ver quais sistemas continuariam funcionando quando o mundo ao redor deles mudasse completamente, e quais simplesmente desistiriam.

Os resultados foram surpreendentes. Os pesquisadores descobriram que os sistemas mais sofisticados, aqueles que usam câmeras para "ver" o mundo ou algoritmos complexos para construir mapas detalhados, eram frequentemente os mais frágeis. Quando as estações mudavam, esses sistemas avançados tinham dificuldade em reconhecer o mesmo lugar. Uma câmera olhando para uma floresta no verão vê folhas verdes e luz solar filtrada; no inverno, essa mesma floresta é um túnel de neve branca e troncos escuros. O software, treinado com dados de cidades ou climas amenos, não conseguia fazer a conexão. Ele ficava confuso, perdia o lugar e saía da rota. Em muitos casos, esses sistemas de alta tecnologia tiveram um desempenho pior do que um método muito mais simples que apenas contava o quanto as rodas giravam e usava um sensor básico para adivinhar a direção. Este método simples, conhecido como odometria proprioceptiva, não se importava com a aparência da floresta. Ele só se importava com o movimento do próprio robô. Embora não fosse perfeito, provou ser notavelmente constante, falhando muito menos vezes do que seus primos complexos quando a neve se acumulava ou as árvores eram cobertas de gelo.

O estudo também revelou que adicionar mais complexidade ao sistema frequentemente tornava mais provável que ele quebrasse. Alguns dos softwares avançados tentavam corrigir seus próprios erros procurando por lugares que já haviam visitado antes, um processo chamado fechamento de loop (loop closure). Em uma cidade, isso funciona bem porque os edifícios parecem os mesmos o ano todo. Na floresta subártica, no entanto, os "pontos de referência" eram pouco confiáveis. Uma pilha de neve no inverno pode parecer um arbusto no verão, ou uma árvore pode ser escondida por um banco de neve. O software tentaria corresponder a essas características, erraria e, então, cometeria um erro enorme em sua posição. Os pesquisadores descobriram que esses sistemas complexos eram tão sensíveis às mudanças do ambiente que frequentemente falhavam completamente, parando o robô em seu caminho. Em contraste, os sistemas mais simples, que não tentavam construir um mapa perfeito do mundo, continuavam seguindo em frente, mesmo que estivessem ligeiramente fora de curso.

Uma das descobertas mais críticas dizia respeito à diferença entre os próprios sensores. As câmeras, que são ótimas para ver detalhes em uma cidade, foram as mais afetadas pelas estações. No verão, a câmera podia ver muitos elementos para rastrear, mas no inverno, a neve criava uma superfície branca, plana e sem características que confundia o software. O robô dirigia sobre a neve, e a câmera não via nada além de branco, fazendo com que o sistema de navegação perdes o senso de direção. O radar e o lidar, que usam ondas de rádio e pulsos de laser para medir a distância, foram muito mais resilientes. Eles podiam ver através da neve e da escuridão, e não dependiam da aparência visual das árvores. No entanto, mesmo esses sensores tiveram problemas quando o próprio solo mudava de forma. Quando um robô passava por um banco de neve, o ângulo do veículo inclinava, mudando a maneira como os sensores viam o chão. Essa mudança física, combinada com a mudança na paisagem, fez com que até mesmo os sistemas de radar tivessem dificuldades ao tentar comparar uma nova jornada com um mapa antigo.

Os pesquisadores também testaram se um robô poderia aprender um caminho em uma estação e repeti-lo em outra, uma tarefa conhecida como "Ensinar e Repetir" (Teach and Repeat). Eles ensinaram um roteiro ao robô no verão e pediram que ele dirigisse o mesmo caminho no inverno. Os resultados foram mistos. Os sistemas baseados em lidar, que usam lasers para criar um mapa 3D, conseguiram completar a tarefa em muitos casos, em grande parte porque conseguiam ver as árvores altas que permaneciam consistentes mesmo quando o solo estava enterrado. Os sistemas de radar, que veem apenas uma fatia plana do mundo, e os sistemas de câmera, que dependem de padrões visuais, falharam com muito mais frequência. O radar, em particular, ficou confuso pelo ângulo variável do solo conforme o robô subia os bancos de neve, levando a uma perda de alinhamento com o mapa aprendido meses antes. Os sistemas de câmera simplesmente não consegravam encontrar pistas visuais suficientes para saber onde estavam, especialmente quando o robô dirigia em estradas não limpas, onde a neve era profunda e uniforme.

Além do software, a realidade física do ambiente subártico impôs seus próprios desafios que os pesquisadores tiveram que superar apenas para manter o experimento funcionando. O frio era um inimigo constante. As baterias perdiam sua energia muito mais rápido nas temperaturas congelantes, e as esteiras do robô, que deveriam ajudá-lo a se mover sobre a neve, na verdade exigiam o dobro de energia para girar do que as rodas exigiam no verão. A equipe teve que lidar com o robô ficando preso na neve, não apenas pela profundidade, mas pelo tipo de neve. A neve fresca e seca de novembro permitia que o robô tivesse aderência e se movesse, mas a neve úmida e pesada de abril fazia as esteiras girarem sem mover o veículo para frente. Os sensores precisavam ser mantidos limpos de neve e gelo, ou parariam de funcionar inteiramente. Até mesmo o "ground truth" (verdade de campo), os dados de referência usados para verificar se o robô estava correto, era difícil de obter. A equipe teve que usar um guindaste especial para levantar o robô e sacudi-lo em diferentes direções para calibrar seus sensores, porque o frio extremo e o terreno acidentado tornavam a calibração padrão impossível.

O estudo conclui que, embora tenhamos feito grandes progressos na navegação robótica, a floresta subártica continua sendo uma fronteira hostil para máquinas autônomas. Os algoritmos mais avançados, que funcionam maravilhosamente em cidades ou laboratórios controlados, ainda não estão prontos para o mundo selvagem e mutável do norte. Eles são muito frágeis, muito dependentes de que o mundo pareça o mesmo de quando foram ensinados. Os métodos mais simples, que dependem do próprio movimento do robô, provaram ser os mais confiáveis, sugerindo que, por enquanto, um robô no profundo norte pode ser melhor se confiar em seus próprios passos do que tentar reconhecer a paisagem. Os pesquisadores enfatizam que, para avançar, o campo precisa de melhores maneiras de testar esses sistemas em condições do mundo real, não apenas em simulações. Eles sugerem que testes futuros devem relatar explicitamente com que frequência os sistemas falham, não apenas o quão precisos eles são quando funcionam. Até lá, o sonho de um robô que possa percorrer a floresta subártica durante o ano todo, navegando pela neve profunda e pelas mudanças de estação por conta própria, permanece apenas fora de alcance. A floresta está mudando, e as máquinas ainda não estão prontas para acompanhar o ritmo.