MODELO DE REDE NEURAL PARA RECONHECIMENTO DE OBSTÁCULOS EM CALÇADAS

INTRODUÇÃO: as calçadas das grandes cidades concentram obstáculos físicos (tais como postes, árvores e irregularidades de pavimento) que muitas vezes comprometem a mobilidade de cadeirantes, pessoas com deficiência visual e idosos, e os sistemas de navegação comerciais não incorporam esses elementos em microescala ao cálculo de rotas. OBJETIVOS: desenvolver um protótipo funcional de sistema de navegação urbana assistida que combine um modelo de detecção de objetos para identificação automática de obstáculos em calçadas com um mecanismo de roteirização multicritério capaz de gerar rotas personalizadas por perfil de mobilidade. MATERIAIS E MÉTODO: foi construído um conjunto de 3.096 imagens em nível de rua de 33 trechos do centro de Curitiba, anotadas com 9.016 caixas delimitadoras nas classes poste e árvore. O particionamento em treinamento, validação e teste (79/10/10%) foi realizado por grupos de captura, prevenindo vazamento de dados decorrente da autocorrelação espacial entre imagens vizinhas. Um modelo YOLOv8s foi treinado com resolução de entrada de 960 pixels e aumento de dados restrito a transformações fisicamente plausíveis. A malha caminhável real do Centro (1.198 interseções) foi extraída do OpenStreetMap e representada como grafo, sobre o qual o algoritmo de Dijkstra multicritério calcula rotas com função de custo que pondera distância, inclinação e obstáculos segundo pesos específicos de três perfis (cadeirante, deficiente visual e idoso). O sistema foi implementado como aplicação web com backend FastAPI, banco de grafos Neo4j e interface cartográfica com busca por endereço. RESULTADOS: o modelo atingiu mAP@50 de 0,777 na validação e 0,532 no teste composto exclusivamente por ruas não vistas no treinamento (poste: 0,508; árvore: 0,557), quantificando a lacuna de generalização espacial. A aplicação calculou rotas acessíveis funcionais: em trajeto de exemplo, o desvio de cinco obstáculos exigiu acréscimo de 198m (24,9%) sobre a rota mais curta. CONSIDERAÇÕES FINAIS: os resultados demonstram a viabilidade técnica da integração entre visão computacional e inteligência de grafos para navegação acessível, e indicam que a principal frente de evolução é a diversificação especial do conjunto de treinamento.

PALAVRAS-CHAVE: Acessibilidade urbana; Visão computacional; YOLO; Teoria de grafos; Algoritmo de Dijkstra.