Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Neves Junior, Flavio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1627-1425 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0494282486171725 | - |
Autor(es): dc.contributor | Teixeira, Marco Antonio Simões | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0372-312X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3482274885890440 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Neves Junior, Flavio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1627-1425 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0494282486171725 | - |
Autor(es): dc.contributor | Pinto, Milena Faria | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6916-700X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9537851345288279 | - |
Autor(es): dc.creator | Barioni, Wilson Eduardo | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:25:05Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:25:05Z | - |
Data de envio: dc.date.issued | 2025-01-14 | - |
Data de envio: dc.date.issued | 2030-01-09 | - |
Data de envio: dc.date.issued | 2025-01-14 | - |
Data de envio: dc.date.issued | 2024-12-05 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35791 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1094964 | - |
Descrição: dc.description | Mobile robotics has emerged as a key area in industrial automation, especially with the use of Automated Guided Vehicles (AGVs). Inspired by the human ability to identify and distinguish floor markings in factories for safe navigation, this dissertation presents the development and implementation of an autonomous navigation system for AGVs using advanced computer vision techniques, with an emphasis on semantic segmentation through the You Only Look Once version 8 (YOLOv8n) model. The work involved creating a high-quality dataset, training the YOLOv8 model using this dataset, integrating the developed computer vision model with the PID controllers that guide the AGVs, and validating the system in real industrial environments. The implementation utilized the Robot Operating System (ROS), a middleware widely used in robotics, which efficiently managed the communication between sensors, the computer vision model, and the AGV controllers. The results demonstrated that the proposed model, generated from YOLOv8, is capable of accurately identifying and differentiating floor markings, such as pedestrian crossings and navigation areas, enabling AGVs to navigate with the same safety and efficiency as a human walking through a factory. The precision mentioned in the text refers to YOLOv8’s ability to accurately identify and differentiate factory floor markings, such as pedestrian crossings and navigation areas. This precise identification is essential to ensure that AGVs can navigate safely and efficiently, autonomously, in industrial environments. In other words, the term “precision”here refers to the accuracy with which the developed computer vision model can correctly distinguish elements of the environment, allowing AGVs to make navigation decisions comparable to those of a human who relies on the same markings. Precision is a critical factor in avoiding misinterpretation of floor markings, which could compromise the safety and effectiveness of autonomous navigation. The application of the proposed model not only improved the of logistical operations but also proved to be a practical and innovative solution to meet the demands of Industry 4.0. | - |
Descrição: dc.description | A robótica móvel tem se destacado como uma área fundamental na automação industrial, especialmente com o uso de Veículos Guiados Automaticamente (AGVs). Inspirada pela capacidade da visão humana de identificar e distinguir demarcações no piso da fábrica para navegação segura, esta dissertação apresenta o desenvolvimento e implementação de um sistema de navegação autônoma para AGVs utilizando técnicas avançadas de visão computacional, com ênfase na segmentação semântica através do modelo You Only Look Once version 8 (YOLOv8n). O trabalho envolveu a criação de uma base de dados (dataset) de qualidade, o treinamento do modelo YOLOv8 usando esta base, a integração do modelo de visão computacional desenvolvido com os controladores PID que guiam os AGVs e a validação do sistema em ambientes industriais reais. A implementação fez uso do Robot Operating System (ROS), um middleware amplamente utilizado em robótica, que permitiu gerenciar eficientemente a comunicação entre os sensores, o modelo de visão computacional e os controladores do AGV. Os resultados demonstraram que o modelo proposto gerado a partir do YOLOv8 é capaz de identificar e diferenciar com precisão demarcações no piso, como faixas de pedestres e áreas de navegação, permitindo que os AGVs naveguem com a mesma segurança e eficiência que um humano ao caminhar por uma fábrica. Essa identificação precisa é essencial para garantir que os AGVs possam navegar com segurança e eficiência, de maneira autônoma, em ambientes industriais. Em outras palavras, o termo “precisão”aqui se refere à exatidão com que o modelo de visão computacional desenvolvido consegue distinguir corretamente os elementos do ambiente, permitindo que os AGVs tomem decisões de navegação comparáveis às de um ser humano que se orienta pelas mesmas demarcações. A precisão é um fator crítico para evitar erros de interpretação de marcações no piso, o que poderia comprometer a segurança e a eficácia da navegação autônoma. A aplicação do modelo proposto não só melhorou a segurança das operações logísticas, mas também mostrou-se uma solução prática e inovadora para atender às demandas da Indústria 4.0. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | embargoedAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Veículos autônomos | - |
Palavras-chave: dc.subject | Visão por computador | - |
Palavras-chave: dc.subject | Controladores PID | - |
Palavras-chave: dc.subject | Indústria 4.0 | - |
Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
Palavras-chave: dc.subject | Automated vehicles | - |
Palavras-chave: dc.subject | Computer vision | - |
Palavras-chave: dc.subject | PID controllers | - |
Palavras-chave: dc.subject | Industry 4.0 | - |
Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Avanços na navegação autônoma de AGVS: desenvolvimento e implementação de segmentação semântica baseada em YOLOv8 para ambientes industriais | - |
Título: dc.title | Advancements in autonomous navigation of AGVS: development and implementation of semantic segmentation based on YOLOv8 for industrial environments | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: