Como já referido, os trilhos surgem como estruturas disruptivas no ambiente em que se encontram, o que permite explorar a sua saliência nas imagens adquiridas pelo robô. Utilizando esta caraterística, Santana et al. [67, 68] propõem um mé- todo que explora modelos de Saliência Visual [8] como apoio a uma técnica de segmentação bio-inspirada no comportamento de insetos sociais [7].
Capítulo 2 Revisão da Literatura
No seguimento do modelo proposto por Broggi et al. [11], aplicado à seg- mentação de estradas na identificação dos seus limites, Santana et al. [68] propõe que um grupo de agentes virtuais, modelados por comportamentos semelhantes aqueles observados nas colónias de formigas [23], explorem as regiões da imagem que apresentam uma maior conspicuidade, ou seja, nas regiões que apresentam um maior contraste em relação as regiões envolventes. A Figura9ilustra a visão geral do modelo proposto por Santana et al. [68], que pode ver o seu funcionamento descrito da seguinte forma. Primeiro é aplicada uma técnica, baseada em mode- los de Saliência Visual, que permite ao sistema identificar as regiões da imagem que apresentam uma maior conspicuidade (i.e., são mais salientes), e que por sua vez estão associadas a uma maior probabilidade de pertencerem ao trilho, como mostrado por Santana et al. [66]. Estas regiões são então representadas através de dois mapas de conspicuidade, que analisam a cor e a intensidade da imagem. De seguida, é aplicada uma técnica de segmentação bio-inspirada no comportamento das formigas a cada um dos mapas. Para cada mapa é depositado um grupo de agentes virtuais que ao explorarem as regiões mais salientes, saltando de pixel em pixel através de comportamentos modelados por um conjunto de regras pré- definido, dão origem a dois mapas de feromonas virtuais referentes aos respetivos mapas de conspicuidade (i.e., cor e intensidade), que descrevem as trajetórias re- alizadas por cada agente virtual. Uma trajetória é definida por um conjunto de saltos, ksaltos (ver 10). O agente pode não atingir o número máximo de saltos
se entretanto atingir uma linha limite na imagem, definida por hmax. Esta linha
define a altura máxima na imagem em que é expectável encontrar o "ponto de fuga"do trilho.
Para cada pixel analisado, ou seja, para o k-ésimo pixel visitado pelo agente virtual, é calculada a quantidade de feromona virtual a ser depositada nesse mesmo pixel através de uma função de avaliação, fi[k], que tem em conta a informação
de conspicuidade e de feromonas virtuais já depositadas. O depósito de feromonas tem como principal objetivo permitir aos agentes virtuais interagirem entre si através de um mecanismo denominada de stigmergy, inicialmente observado por Grassé et al. [34], e que apresenta duas características principais: (a) é uma forma 22
Capítulo 2 Revisão da Literatura
de comunicação indireta, ou seja, os agentes virtuais não comunicam diretamente entre si mas através do depósito de feromonas virtuais nos respetivos mapas e (b) a informação é local, ou seja, apenas pode ser acedida por agentes virtuais que visitem o mesmo pixel, ou as suas imediações. De referir que, as feromonas virtuais de um determinado mapa podem influenciar o comportamento dos agentes virtuais que operam no outro mapa.
Os dois mapas de feromonas virtuais são então combinados de forma a ob- ter um único mapa que representa a região hipótese do trilho (i.e., mais saliente). Esta hipótese é utilizada para atualizar um filtro temporal implementado como um campo neuronal onde é acumulada informação de histórico, entre imagens através de uma técnica de fluxo ótico, sobre a região hipótese do trilho. A informação de histórico acumulada no filtro temporal pode ser vista como a atividade dos agentes virtuais ao explorarem as regiões dos mapas de conspicuidade que se apresentam mais salientes. A informação de histórico, armazenada no filtro temporal, pode ser consultada através a função NF (p), com p = (px, py), que retorna o valor de
intensidade referente à atividade dos agentes virtuais num dado pixel p. Assim, as regiões que sejam visitas por mais agentes virtuais apresentam uma maior proba- bilidade de pertencerem à região hipótese do trilho. Dado que o campo neuronal contém dinâmica, ou seja, não é calculado tendo em conta apenas a imagem atual, precisa de ser compensado sempre que a câmara se desloca. Este processo é rea- lizado aplicando uma transformação ao campo neuronal de forma a compensar o movimento estimado através do cálculo do fluxo ótico entre imagens consecutivas. Por último, um mecanismo de aprendizagem on-line é utilizado para desam- biguar situações onde a informação de conspicuidade não é suficiente para iden- tificar a região hipótese do trilho. Este mecanismo utiliza a informação recolhida e analisada durante a execução do sistema (i.e., modelos bottom-up) referente ao contraste e aparência do trilho para criar modelos top-down que são utilizados para melhorar o processo de segmentação. Uma descrição mais detalhada sobre o método aqui descrito, pode ser consultada através dos trabalhos [67, 68].
Capítulo 2 Revisão da Literatura
Figura 9: Visão geral do sistema proposto por Santana et al. [68]. Imagem adaptada de [68].
Figura 10: Possível trajetória percorrida por um agente virtual até um limiar, h, definido empiricamente e representado a tracejado vermelho. A trajetória do agente virtual, que representa os píxeis visitados pelo mesmo encontra-se
descrito a tracejado branco.
Esta abordagem mostrou-se robusta e capaz de identificar uma grande va- riedade de trilhos em diferentes condições, como demonstrado em [68], mas ao assentar primariamente num modelo de Saliência Visual, onde a principal cara- terística é a saliência do trilho, tende a falhar na presença de distratores, isto é, 24
Capítulo 2 Revisão da Literatura
elementos que sejam eles próprios salientes no ambiente como sombras ou árvores. A Figura11ilustra uma situação onde o detetor de trilhos ao ser influenciado por distratores no passado aprendendo a aparência desses mesmos distratores como sendo a do trilho e onde ao propagar este conhecimento, ao longo do tempo, leva à identificação regiões potencialmente perigosas para o robô.
(a) (b)
Figura 11: Resultado do sistema proposto por Santana et al. [68] onde: (A) Segmentação do trilho com sucesso, região hipótese (a vermelho) projetada sobre o trilho; (B) Segmentação do trilho sem sucesso, região hipótese projetada na
envolvente do trilho.