Existem várias técnicas consagradas de localização e mapeamento simultâneos (SLAM) — desde o SLAM clássico, que usa o filtro Kalman estendido, até os atuais algoritmos baseados em grafos. Nosso laboratório conseguiu desenvolver um algoritmo inédito de SLAM, que usa varreduras 3D a laser como entrada. O que distingue nosso algoritmo é sua aplicação da teoria de Dempster–Shafer, em vez da teoria bayesiana, para representar o modelo de células de um mapa. Nos métodos tradicionais, cada célula tem uma probabilidade específica de estar ocupada. Porém, a teoria de Dempster–Shafer permite que uma única célula contenha várias massas e dá fórmulas para atualizar essas massas. O conceito central deste projeto é como aproveitar essas massas para discernir padrões no mapa. Esses padrões podem se manifestar como bordas distintas de objetos ou áreas que correspondem a objetos inteiros dentro de um ambiente.

Com o monitoramento de nuvens de pontos, podemos usar o método do desdobramento máximo de covariâncias. Essa técnica permite processar uma dimensão reduzida do perfil resultante, preservando a relação deste com as variáveis explicativas. Essas variáveis retratam o perfil adquirido com base no quanto algumas formas se desviam de uma referência. Dentre outros fatores, a variável explicativa pode representar o ângulo de desvio do padrão ao longo de um eixo específico. No momento, estamos explorando o uso do desdobramento máximo de covariâncias para identificar rapidamente ângulos de 90 graus, que predominam em ambientes internos, para auxiliar robôs a se localizarem dentro desses espaços.