A cada dia novos modelos de Veículos Aéreos Não Tripulados (VANTs) estão sendo lançados no mercado para serem utilizados em diversas aplicações, tais como mapeamento de ambientes e vigilância. Geralmente, estes robôs utilizam um sensor GPS como fonte de estimativa de localização. Contudo, para um bom funcionamento, este sensor depende de um número mínimo de satélites sincronizados com ele e que o sinal emitido pelos satélites seja recebido com boa qualidade, o que pode ser considerado um fator negativo. Uma forma de contornar este problema é empregar um sistema de localização baseado em visão computacional utilizando a câmera que já está embarcada no robô e imagens de satélite como mapa. Este sistema estima a localização do VANT através de comparações entre as imagens capturadas por ele e uma imagem de satélite, buscando encontrar a sua posição nesta imagem de satélite. Neste contexto, apresentamos uma variação do descritor BRIEF, o abBRIEF, para ser utilizado em um novo modelo de observação que também está sendo proposto. O modelo de observação é responsável por medir quão parecidas são as leituras do robô com diversas partes do mapa, para estimar a sua localização correta. Devido ao grande número de comparações necessárias, é importante que o descritor utilizado no processo seja rápido, não consuma muitos recursos computacionais e seja robusto para lidar com as várias diferenças entre as imagens. O modelo proposto foi utilizado no algoritmo de Monte Carlo (Monte Carlo Localization, MCL) para realizar a localização de VANTs e apresentou resultados satisfatórios que corroboram a eficácia do modelo e do descritor. / New models of Unnamed Aerial Vehicles (UAVs) are developed on a daily basis and applied to several tasks, such as mapping terrains and surveillance. GPS sensors are usually the main source of information to estimate the robot position, however, a downside of these sensors is that a minimum number of satellites must be available and emitting high quality signals. A vision-based system can be used to overcome this problem by using a robot embedded camera and satellite images as maps. Computational vision systems estimate the UAV localization through the comparison between the robot extracted image and several parts of the satellite image. These comparisons are performed in order to localize the part of the map which is most similar to the robot perspective. Taking into account all this information, we propose BRIEF descriptor variation, called abBRIEF, to be used on a novel observation model, also proposed in this master thesis. An observation model is responsible for evaluate how similar the robot measurements and the different map parts are. The used descriptor must run fast, consume low computational resources and be robust regarding image changes, all to compensate the large number of necessary comparisons. The proposed model is applied with Monte Carlo Localization (MCL) method to the auto localization of UAVs and presented solid results that corroborate the model and descriptor efficiency.

A cada dia novos modelos de Veículos Aéreos Não Tripulados (VANTs) estão sendo lançados no mercado para serem utilizados em diversas aplicações, tais como mapeamento de ambientes e vigilância. Geralmente, estes robôs utilizam um sensor GPS como fonte de estimativa de localização. Contudo, para um bom funcionamento, este sensor depende de um número mínimo de satélites sincronizados com ele e que o sinal emitido pelos satélites seja recebido com boa qualidade, o que pode ser considerado um fator negativo. Uma forma de contornar este problema é empregar um sistema de localização baseado em visão computacional utilizando a câmera que já está embarcada no robô e imagens de satélite como mapa. Este sistema estima a localização do VANT através de comparações entre as imagens capturadas por ele e uma imagem de satélite, buscando encontrar a sua posição nesta imagem de satélite. Neste contexto, apresentamos uma variação do descritor BRIEF, o abBRIEF, para ser utilizado em um novo modelo de observação que também está sendo proposto. O modelo de observação é responsável por medir quão parecidas são as leituras do robô com diversas partes do mapa, para estimar a sua localização correta. Devido ao grande número de comparações necessárias, é importante que o descritor utilizado no processo seja rápido, não consuma muitos recursos computacionais e seja robusto para lidar com as várias diferenças entre as imagens. O modelo proposto foi utilizado no algoritmo de Monte Carlo (Monte Carlo Localization, MCL) para realizar a localização de VANTs e apresentou resultados satisfatórios que corroboram a eficácia do modelo e do descritor. / New models of Unnamed Aerial Vehicles (UAVs) are developed on a daily basis and applied to several tasks, such as mapping terrains and surveillance. GPS sensors are usually the main source of information to estimate the robot position, however, a downside of these sensors is that a minimum number of satellites must be available and emitting high quality signals. A vision-based system can be used to overcome this problem by using a robot embedded camera and satellite images as maps. Computational vision systems estimate the UAV localization through the comparison between the robot extracted image and several parts of the satellite image. These comparisons are performed in order to localize the part of the map which is most similar to the robot perspective. Taking into account all this information, we propose BRIEF descriptor variation, called abBRIEF, to be used on a novel observation model, also proposed in this master thesis. An observation model is responsible for evaluate how similar the robot measurements and the different map parts are. The used descriptor must run fast, consume low computational resources and be robust regarding image changes, all to compensate the large number of necessary comparisons. The proposed model is applied with Monte Carlo Localization (MCL) method to the auto localization of UAVs and presented solid results that corroborate the model and descriptor efficiency.

A cada dia novos modelos de Veículos Aéreos Não Tripulados (VANTs) estão sendo lançados no mercado para serem utilizados em diversas aplicações, tais como mapeamento de ambientes e vigilância. Geralmente, estes robôs utilizam um sensor GPS como fonte de estimativa de localização. Contudo, para um bom funcionamento, este sensor depende de um número mínimo de satélites sincronizados com ele e que o sinal emitido pelos satélites seja recebido com boa qualidade, o que pode ser considerado um fator negativo. Uma forma de contornar este problema é empregar um sistema de localização baseado em visão computacional utilizando a câmera que já está embarcada no robô e imagens de satélite como mapa. Este sistema estima a localização do VANT através de comparações entre as imagens capturadas por ele e uma imagem de satélite, buscando encontrar a sua posição nesta imagem de satélite. Neste contexto, apresentamos uma variação do descritor BRIEF, o abBRIEF, para ser utilizado em um novo modelo de observação que também está sendo proposto. O modelo de observação é responsável por medir quão parecidas são as leituras do robô com diversas partes do mapa, para estimar a sua localização correta. Devido ao grande número de comparações necessárias, é importante que o descritor utilizado no processo seja rápido, não consuma muitos recursos computacionais e seja robusto para lidar com as várias diferenças entre as imagens. O modelo proposto foi utilizado no algoritmo de Monte Carlo (Monte Carlo Localization, MCL) para realizar a localização de VANTs e apresentou resultados satisfatórios que corroboram a eficácia do modelo e do descritor. / New models of Unnamed Aerial Vehicles (UAVs) are developed on a daily basis and applied to several tasks, such as mapping terrains and surveillance. GPS sensors are usually the main source of information to estimate the robot position, however, a downside of these sensors is that a minimum number of satellites must be available and emitting high quality signals. A vision-based system can be used to overcome this problem by using a robot embedded camera and satellite images as maps. Computational vision systems estimate the UAV localization through the comparison between the robot extracted image and several parts of the satellite image. These comparisons are performed in order to localize the part of the map which is most similar to the robot perspective. Taking into account all this information, we propose BRIEF descriptor variation, called abBRIEF, to be used on a novel observation model, also proposed in this master thesis. An observation model is responsible for evaluate how similar the robot measurements and the different map parts are. The used descriptor must run fast, consume low computational resources and be robust regarding image changes, all to compensate the large number of necessary comparisons. The proposed model is applied with Monte Carlo Localization (MCL) method to the auto localization of UAVs and presented solid results that corroborate the model and descriptor efficiency.