Desenvolvimento de um Pipeline para treinamento de Redes Neurais Baseado em Simulação para Navegação aprimorada de Robôs Agrícolas através da plataforma TerraSentia em parceria com a Universidade de Illinois (Urbana-Champaign)

• Processo: 23/15926-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Vigência (Início): 21 de abril de 2024
• Vigência (Término): 24 de julho de 2024
• Área do conhecimento: Ciências Agrárias - Engenharia Agrícola
• Pesquisador responsável: Marcelo Becker
• Beneficiário: Felipe Andrade Garcia Tommaselli
• Supervisor: Girish Chowdhary
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Local de pesquisa: University of Illinois at Urbana-Champaign, Estados Unidos
• Vinculado à bolsa: 22/08330-9 - Navegação de robôs terrestres em culturas agrícolas utilizando redes neurais em dados LiDAR, BP.IC
• Assunto(s): Agricultura Navegação autônoma
• Palavra(s)-Chave do Pesquisador: Agricultura | navegação autônoma | Redes Neurais e Deep Learning | Robótica e Mecatrônica | Simuladores computacionais para robótica | Sistemas de percepção e controladores | Robótica e Mecatrônica

Resumo

O crescimento da aplicação e disseminação de técnicas de inteligência artificial, especialmente as chamadas Redes Neurais, também impacta a automatização do ambiente agrícola. Neste contexto, vale destacar a importância dos robôs autônomos para aplicações rurais, que podem utilizar a IA para melhorar a eficácia dos seus resultados.No entanto, a dificuldade latente de realização de testes de campo devido a questões logísticas torna um desafio a obtenção de dados massivos. Posteriormente, esses dados devem passar por um processo de rotulagem manual para aplicações de aprendizagem supervisionada. Como resultado, este processo exaustivo de obtenção e anotação de dados desencoraja a aplicação de redes neurais ao contexto explicado.Posto isto, os ambientes de simulação computacional surgem como uma solução alternativa para facilitar o teste de algoritmos na plataforma e a obtenção de conjuntos de dados. Esta estrutura de simulação permite gerar conjuntos de dados massivos contendo múltiplas variações de elementos e inúmeros testes pré-programados. No entanto, é necessário uma estrutura eficaz para converter os dados de simulação em uma entrada de rede neural.Esse desafio de encontrar dados rotulados bons o suficiente foi percebido durante o primeiro ano de pesquisa do candidato, quando foi necessário classificar manualmente 4.000 imagens. Da mesma maneira, os pesquisadores do DASLAB também enfrentam a mesma dificuldade para gerar dados consistentes para as atuais implementações de IA. O Laboratório de Sistemas Autônomos Distribuídos (DASLAB), liderado pelo Dr. Girish Chowdhary, tem como objetivo principal desenvolver robôs móveis altamente autônomos, capazes de lidar com ambientes externos desafiadores e imprevisíveis. Já o Laboratório de Robótica Móvel, sob a supervisão do Dr. Becker no Brasil, compartilha objetivos semelhantes, especialmente na criação de sistemas totalmente autônomos para a agricultura. Portanto, o estágio de intercâmbio visa consolidar a grande sinergia que ambas as instituições podem oferecer.É importante notar que a Universidade de Illinois em Urbana-Champaign é altamente reconhecida internacionalmente, ocupando a 12ª posição entre as universidades públicas e a 35ª nos Estados Unidos, de acordo com o America's Best College de 2023-24 do US News & World Report. Além disso, de acordo com o Times Higher Education, a UIUC é classificada como a 48ª universidade mundial. Portanto, fica claro que a UIUC e o DASLAB possuem os recursos e infraestrutura necessários não apenas para apoiar a pesquisa proposta, mas também para incrementar os objetivos e possibilidades deste trabalho no campo teórico e prático. Além disso, este projeto tem o potencial de promover a colaboração entre LabRoM e DASLAB.Durante o estágio de pesquisa, estreitando o foco do projeto, o objetivo principal é desenvolver um pipeline de treinamento de redes neurais com simulação, validado com subsequentes testes em vida real. Para isso, o candidato colaborará com a equipe DASLAB, obtendo insights sobre ferramentas de ponta utilizadas no desenvolvimento de robótica autônoma. Além disso, o candidato obterá um conhecimento mais profundo da plataforma TerraSentia da EarthSense, empresa fundada por membros do DASLAB.Além disso, o pipeline de simulação descrito pode aprimorar exponencialmente os trabalhos de inteligência artificial utilizando poucos recursos para treinamento, consolidando assim as próximas gerações de projetos com IA do DASLAB em termos de produtividade e confiabilidade. Esse conhecimento recém-adquirido será vital para implementar a pesquisa em LiDAR de crop-follow com redes neurais do candidato usando a mesma plataforma TerraSentia, objetivo central de seu projeto FAPESP. Além disso, o atual projeto em andamento do DASLAB com esta simulação para treinamento em IA visa especificamente um sistema de percepção baseado em redes neurais, semelhante à pesquisa do candidato.