Um robô autônomo de limpeza (AV) colidiu com um trem durante uma operação de rotina. O incidente, longe de ser uma falha mecânica, revelou uma vulnerabilidade crítica nos sistemas de percepção. A análise posterior, realizada por meio de simulação 3D com RoboGuide, CloudCompare e Blender, demonstrou que a geometria do vidro do trem gerava oclusões nos sensores LiDAR, criando pontos cegos que o software de navegação não conseguiu antecipar.
Análise de oclusão LiDAR pela geometria do vidro 🚆
A equipe de engenharia recriou o cenário no RoboGuide, importando um modelo 3D do trem e do robô. Utilizando o CloudCompare para a análise de nuvens de pontos, detectou-se que o ângulo de incidência dos raios LiDAR sobre as superfícies de vidro curvo do trem provocava reflexões especulares. Isso gerava zonas de sombra ou vazios de dados em regiões-chave, como as bordas laterais e as junções dos painéis. No Blender, visualizou-se a trajetória do robô e sobrepôs-se o mapa de oclusão, confirmando que o sensor não registrava a presença do obstáculo no momento do impacto. A falha não era do hardware, mas da interpretação geométrica do ambiente.
Lições para a calibração e o design de rotas 🤖
A solução não passa apenas por adicionar mais sensores, mas por repensar a calibração e o planejamento de rotas. A simulação 3D permite replicar essas condições de oclusão e ajustar os campos de visão ou incluir pontos de verificação redundantes. Neste caso, propôs-se redesenhar a trajetória de limpeza para incluir uma varredura lateral prévia, e recalibrar o LiDAR para filtrar falsos positivos por reflexos. A lição é clara: em ambientes com superfícies altamente refletivas, a simulação deve preceder a implementação para evitar colisões evitáveis.
Como a simulação 3D permitiu identificar pontos cegos no robô de limpeza que o sensor LiDAR não detectou, que lições este caso oferece para melhorar a redundância sensorial em sistemas de navegação autônoma ferroviária?
(PS: Simular robôs é divertido, até que eles decidem não seguir suas ordens.)