Agentes autônomos têm sido um árduo assunto de pesquisa na área da Inteligência Artificial. Para desenvolver algum tipo de autonomia em agentes artificiais, devem ser fornecidas capacidades de alto nível como percepção, raciocínio e tomada de decisão. O campo Conhecimento da Situação (Situation Awareness – SA) fornece uma teoria que baseia a tomada de decisões para os agentes, realizando a percepção, compreensão e projeção de sua situação atual. Assim, pretendemos desenvolver um modelo de SA que gere opiniões sobre a situação do agente autônomo para permitir a tomada de decisões e o planejamento de ações. O modelo será aplicado no cenário de veículos autônomos. Com a opinião sobre sua situação, o veículo toma decisões sobre suas ações e planos (por exemplo, reagir a obstáculos, girar à esquerda ou à direita, para planejar uma nova rota). No contexto do veículo autônomo, os dados fornecidos pelos sensores podem ser afetados por imprecisão ou incerteza nas medidas (por exemplo, a curva detectada pelos sensores pode ser leve ou acentuada). Além disso, o fenômeno observado é dinâmico, já que ele varia com o tempo. Para abordar esses problemas, nosso modelo inclui uma inferência híbrida baseada na inferência Fuzzy-Bayesiana e Redes Bayesianas Dinâmicas.
Um veículo com uma câmera frontal acoplada realiza um trajeto em uma rodovia. As imagens obtidas pela câmera são processadas por um sistema através de técnicas de visão computacional passiva para identificar o caminho e possíveis obstáculos. Estas informações compõem a base de crenças do agente, isto é, o caminho e os obstáculos. Caso o padrão da rodovia mude consideravelmente ou as formas dos obstáculos difiram de seu estado anterior, o agente precisará rever suas crenças naqueles objetos, ou seja, identificar se o que acreditava ser, por exemplo, um caminho ainda o é. Assim, com base nas crenças do agente, o veículo autônomo tomará decisões como manter-se na pista ou reagir a obstáculos.
Durante o trajeto, são identificadas as características do caminho, tais como a existência de curvas, bifurcações, inclinações de terreno e interrupções na estrada. Além disto, são analisados os possíveis obstáculos, que incluem buracos na rodovia, veículos, pedestres, animais e outros objetos em seu caminho. Caso haja outro veículo, o sistema verifica se o mesmo está se locomovendo e, neste caso, qual sua direção. Não é necessário que o agente tenha a capacidade de discernir entre pedestres, animais e outros objetos que porventura possam estar atrapalhando a trafegabilidade, pois nestes casos o comportamento esperado é o mesmo.
Thiago Rateke is a Computer Vision Researcher with experience mainly focusing on visual perception for autonomous navigation. Finished his PhD degree at Federal University of Santa Catarina (UFSC) in 2020 with focuses on visual perception for Autonomous Navigation. Using approaches like: Stereo Vision, Optical Flow and Convolutional Neural Networks.