Candidato:
Martin Joseph Aubard
Data, Hora e Local:
25 de julho de 2025, 14:00, Sala de Atos do DEEC (I-105), da Faculdade de Engenharia da Universidade do Porto
Presidente do Júri:
Doutor Pedro Nuno Ferreira da Rosa da Cruz Diniz, Professor Catedrático do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto
Vogais:
Doutor Bilal Wehbe, Senior Researcher at the German Research Center for Artificial Intelligence, Germany;
Doutora Catarina Helena Branco Simões da Silva, Professora Associada do Departamento de Engenharia Informática da Faculdade de Ciências e Tecnologia da Universidade de Coimbra;
Doutor Andry Maykol Gomes Pinto, Professor Associado do Departamento de Engenharia Eletrotécnica e de Computadores da Faculdade de Engenharia da Universidade do Porto;
Doutora Ana Maria Dias Madureira Pereira, Professora Coordenadora com Agregação do Departamento de Engenharia Informática do Instituto Superior de Engenharia do Porto (Orientadora).
A tese foi coorientada pelo Doutor Luís Filipe Pinto de Almeida Teixeira, Professor Associado do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto.
Resumo:
Esta tese aborda o desafio de melhorar as capacidades de deteção e interação a bordo dos veículos subaquáticos autónomos (AUVs) utilizando dados de sonar de varrimento lateral (SSS). Tradicionalmente, as missões subaquáticas baseiam-se em planos pré-definidos em que os dados são analisados após a missão por operadores ou especialistas. Este fluxo de trabalho é moroso e requer frequentemente várias missões para identificar e localizar alvos subaquáticos. A necessidade de missões repetidas aumenta os custos operacionais e a complexidade, realçando a ineficiência das metodologias actuais. Além disso, estas abordagens não permitem que o AUV interaja com os alvos detectados em tempo real, limitando o âmbito da adaptação da missão e da tomada de decisões em tempo real. Para ultrapassar estas limitações, esta tese apresenta uma nova plataforma que integra modelos de aprendizagem profunda para a deteção de objectos diretamente embarcado de AUVs. Esta integração permite que o veículo detecte, localize e interaja com alvos subaquáticos em tempo real, oferecendo melhorias significativas em relação à análise tradicional pós-missão. A plataforma baseia-se nas ferramentas LSTS, responsáveis pelo controlo de movimento e comunicação do AUV, e introduz capacidades melhoradas de processamento de dados em tempo real. No entanto, a implementação de um modelo deste tipo num sistema embebido apresenta de limitações computacionais que afectam o desempenho do modelo. Assim, foram implementados métodos de Knowledge Distillation, garantindo modelos mais pequenos e mais eficientes para efetuar a deteção embarcado sem sacrificar a precisão. Além disso, para melhorar a robustez do modelo contra o ruído subaquático, foi introduzida uma nova plataforma de treino adversárial, ROSAR, que garante um funcionamento fiável mesmo em ambientes sonar ruidosos. Após a deteção a bordo e a melhoria da localização, aprofundamos a interação a bordo com o objeto detectado. Isto é realizado através da extensão da plataforma anterior e da sua validação através de um simulador personalizado, melhorando a interação com os objectos detectados. Isto é demonstrado através de um caso de utilização de inspeção de condutas, que reduz o tempo de missão ao combinar a deteção por sonar e a recolha de dados da câmara numa única missão, utilizando árvores de comportamento e modelos de segurança avaliados. Tendo em conta a falta de disponibilidade de dados de sonar no terreno, esta tese contribui com dois novos datasets de sonar de varrimento lateral disponíveis publicamente, SWDD e Subpipe, que incluem dados recolhidos no terreno em paredes e condutas, e anotados manualmente para deteção de objectos. Ao passar da análise pós missão para a deteção e interação em tempo real, esta tese melhora significativamente a eficiência operacional das missões AUV. A plataforma proposta simplifica as operações subaquáticas e melhora o comportamento autónomo dos AUVs, baseando-se num modelo de deteção de objectos eficiente, preciso e robusto para aplicações eficientes de exploração e monitorização subaquáticas.