Enquanto dados de sobrevoo podem fornecer informações gerais sobre uma floresta, no interior da mata é possível identificar plantas do sub-bosque, medir o diâmetro e contar os troncos de cada árvore. Atualmente, essas medições dependem de expedições humanas, que podem ser lentas, caras e até perigosas. Portanto, robôs capazes de navegar e extrair dados do interior da mata de forma autônoma têm o potencial de revolucionar a forma como as florestas são monitoradas em todo o mundo, aumentando a quantidade e qualidade das informações obtidas. No contexto de florestas, algoritmos clássicos desenvolvidos para ambientes urbanos podem falhar devido à falta de sinal confiável de GPS, terrenos irregulares, plantas e folhas que cobrem o terreno, além das árvores que balançam com o vento. Isso ocorre porque as suposições feitas pelos algoritmos clássicos podem não ser válidas nesse ambiente. No entanto, informações semânticas, como classes e formas de objetos esperados no ambiente são uma opção promissora para aumentar a robustez e o desempenho de sistemas autônomos. Nesta tese é apresentado um framework que utiliza informações semânticas derivadas de algoritmos de aprendizado de máquina dos dados de sensores carregados por um veículo aéreo não tripulado. O framework desenvolvido é capaz de identificar árvores e modelá-las como cilindros, criando um mapa semântico. A formulação adotada possibilita a incorporação de estimativas ruidosas que podem ser refinadas com a chegada de novas leituras dos sensores e de medidas externas para aumentar a robustez do sistema. A partir do mapa semântico gerado, é proposto um algoritmo capaz de gerar descritores únicos de locais em florestas que visualmente são extremamente similares. Tais descritores permitem o reconhecimeno de locais já visitados, e podem ser utilizados pelo framework para reduzir o erro acumulado nas estimativas de localização. Os resultados obtidos em experimentos em ambientes simulados e em florestas de Pinus do mundo real, demonstram que os métodos desenvolvidos geram mapas semânticos que melhoram a qualidade das estimativas de localização do robô e geram mapas informativos. Ademais, a representação semântica dos dados obtidos pelos sensores é mais eficiente computacionalmente, pois resume os dados brutos em um modelo geométrico semântico com poucos parâmetros.

While overhead data can provide general information about a forest, inside the forest, we can identify understory plants and measure the diameter and count of the trunks of each tree. Currently, specialists rely on human expeditions to get these measurements, which can be slow, expensive, and dangerous. For this reason, robots that can autonomously navigate and extract data from inside the forest could revolutionize how we monitor forests worldwide and the amount of information we have about them. In forestry, the lack of reliable GPS signal, uneven terrain covered by plants and leaves, and trees with branches moving with the wind are a few of the challenges posed. These factors can create shortcomings for classic algorithms as some assumptions may not be valid in this environment. Semantic information, such as classes and forms of objects expected in the environment is a promising way to increase the robustness and performance of autonomous systems. In this context, this thesis introduces a framework that uses 3D data provided by LiDAR or stereo cameras to identify semantic information using neural networks. This information is used to identify trees and model them as cylinders, creating a semantic map. Our formulation allows the incorporation of noisy estimates that can be refined with the arrival of new sensor readings and external measurements to increase the frameworks robustness. Using the semantic map generated by our framework, we propose an algorithm capable of generating unique forest location descriptors that are visually highly similar. These descriptors can be used to identify previously visited locations and feedback to reduce accumulated errors in location estimates. We present several experiments in simulated environments and real-world Pine forests, demonstrating that our method generates semantic maps that improve the quality of the robots location estimates and generate informative maps with information on the individual count and the trunk diameter of each tree. Furthermore, the semantic representation of the data obtained by the sensors is much more computationally efficient, as it summarizes the raw data in a semantic geometric model with few parameters.