3D-SLAM para robôs móveis em ambientes de mineração subterrânea
SLAM, LiDAR, mineração subterrânea, scan-matching, PSO
A localização e mapeamento simultâneos (SLAM) permitem que robôs móveis estimem sua pose e construam representações do ambiente durante a navegação autônoma. Em minas subterrâneas, essa tarefa é particularmente desafiadora devido à ausência de sinal GNSS, à presença de geometrias repetitivas, à escassez de elementos distintivos e às condições adversas de operação, como poeira, baixa iluminação e oclusões parciais. Nesse contexto, sistemas baseados em sensores LiDAR 3D dependem fortemente de técnicas de scanmatching para estimar o movimento entre escaneamentos consecutivos. Métodos clássicos, como ICP e NDT, apresentam limitações conhecidas em cenários com simetrias e baixa variabilidade geométrica, podendo convergir para mínimos locais quando a inicialização é inadequada. Esta dissertação investiga o uso de algoritmos bioinspirados, em especial o Particle Swarm Optimization (PSO), para o alinhamento geométrico de nuvens de pontos 3D em um front-end de odometria LiDAR voltado à mineração subterrânea. A proposta combina NDT e PSO no registro entre scans, integra as estimativas em um filtro de Kalman estendido e avalia o desempenho por métricas de erro de pose, qualidade de alinhamento e tempo de processamento. A validação é conduzida em simulação no CoppeliaSim, com ambiente modelado a partir do dataset SubSurfaceGeoRobo, representativo de galerias e túneis de mina real. Os resultados preliminares indicam que o pipeline NDT+PSO capaz de recuperar deslocamentos relativos com erro subdecimétrico em cenários simulados. evidenciando a sensibilidade do método aos hiperparâmetros do otimizador e o compromisso entre precisão e custo computacional. O trabalho busca contribuir com uma abordagem de SLAM 3D mais robusta para robôs móveis em ambientes subterrâneos, com potencial aplicação em operações de inspeção, mapeamento e navegação autônoma em mineração.