Robôs móveis precisam estimar continuamente sua posição para navegar de forma autônoma. No entanto, sistemas de navegação por satélite nem sempre são confiáveis: os sinais podem se degradar perto de edifícios ou se tornarem indisponíveis em ambientes internos. Para operar com segurança e eficiência, os robôs devem interpretar o ambiente ao seu redor usando sensores embarcados e algoritmos de localização robustos.

Pesquisadores da Universidade Miguel Hernández de Elche (UMH), na Espanha, desenvolveram um sistema de localização hierárquico que melhora significativamente o posicionamento de robôs em ambientes amplos e em constante mudança. O método aborda um dos problemas mais desafiadores da robótica móvel: o chamado problema do "robô sequestrado", no qual um robô perde a noção de sua posição inicial após ser movido, desligado ou deslocado.

O estudo, publicado no International Journal of Intelligent Systems , apresenta o MCL-DLF (Monte Carlo Localization—Deep Local Feature), uma estrutura de localização LiDAR 3D de resolução progressiva, projetada para navegação de longo prazo em grandes ambientes. O sistema foi validado ao longo de vários meses no campus da UMH Elche sob diversas condições ambientais, incluindo cenários internos e externos.

A abordagem proposta imita a forma como os humanos se orientam em ambientes desconhecidos ou em constante mudança. Primeiro, o robô realiza uma etapa de localização aproximada, identificando sua região aproximada com base em características estruturais globais extraídas de nuvens de pontos LiDAR 3D, como edifícios ou vegetação.

Uma vez que essa região é delimitada com precisão, o sistema realiza uma localização fina, analisando características locais detalhadas para estimar a posição e a orientação exatas do robô.

"Isso é semelhante à forma como as pessoas primeiro reconhecem uma área geral e depois se baseiam em pequenos detalhes distintivos para determinar sua localização precisa", explica a pesquisadora da UMH, Míriam Máximo, autora principal do estudo.

O trabalho foi dirigido por Mónica Ballesta e David Valiente, também pesquisadores do Instituto de Pesquisa em Engenharia de Elche (I3E) da UMH. Para evitar ambiguidade em ambientes visualmente semelhantes, o método integra técnicas de aprendizado profundo que extraem automaticamente características locais discriminativas de nuvens de pontos 3D.

Em vez de se basear em regras predefinidas, o robô aprende quais características ambientais são mais informativas para a localização. Essas características aprendidas são combinadas com a localização probabilística de Monte Carlo, que mantém múltiplas hipóteses de pose e as atualiza à medida que novos dados dos sensores são recebidos.

Um dos principais desafios na navegação robótica de longo prazo é a variabilidade ambiental. Os espaços externos mudam ao longo do tempo devido a alterações sazonais, crescimento da vegetação ou diferenças de iluminação, o que pode alterar significativamente a sua aparência.

Os pesquisadores relatam que o MCL-DLF alcança maior precisão de posicionamento do que as abordagens convencionais, mantendo estimativas de orientação comparáveis ou superiores em determinadas trajetórias. É importante ressaltar que o sistema apresenta menor variabilidade ao longo do tempo, confirmando sua robustez a mudanças sazonais e estruturais.

A localização confiável é fundamental para a robótica de serviços, a automação logística, a inspeção de infraestrutura, o monitoramento ambiental e os veículos autônomos. Em todos esses domínios, a operação segura depende da estimativa de posição estável e precisa em condições dinâmicas do mundo real.

Embora a navegação totalmente autônoma continue sendo um desafio central na robótica, este trabalho aproxima os robôs da capacidade de operar de forma confiável em ambientes amplos e em constante mudança, sem a necessidade de infraestrutura de posicionamento externa.

O estudo foi conduzido por Míriam Máximo, Antonio Santo, Arturo Gil, Mónica Ballesta e David Valiente no Instituto de Pesquisa em Engenharia de Elche (I3E), Universidade Miguel Hernández de Elche (UMH).