Generacin Eciente de un Controlador Difuso con alta o Interpretabilidad para Navegacin de Robots Mviles o o

Manuel Mucientes Dept. Electrnica y Computacin o o Universidad de Santiago de Compostela 15782 Santiago manuel@dec.usc.es Jorge Casillas Dept. Ciencias de la Computacin e I.A. o Universidad de Granada 18071 Granada casillas@decsai.ugr.es

Resumen
El trabajo presenta el diseo de un contron lador difuso para el comportamiento de seguir contornos en robtica mvil utilizando la o o metodolog COR con optimizacin mediana o te colonias de hormigas. El sistema ha sido evaluado en diferentes entornos simulados, y se ha comparado con otro controlador basado en algoritmos genticos. La aproximacin e o propuesta obtiene una base de conocimiento altamente interpretable en un tiempo reducido. Palabras Clave: robtica mvil, seguir cono o tornos, control difuso, interpretabilidad, colonias de hormigas.

la obtencin de la base de conocimiento, y tambin la o e alta interpretabilidad de la misma. Finalmente, la utilizacin de una funcin que punta la accin del cono o u o trolador sobre cada uno de los ejemplos del conjunto de entrenamiento permite que la calidad del comportamiento aprendido no dependa del entorno. El art culo se organiza como sigue: en la seccin 2 se o explica el comportamiento de seguir contornos, y en la 3 la metodolog utilizada. La seccin 4 muestra los a o resultados y, nalmente, se exponen las conclusiones.

2.

Aprendizaje del comportamiento de seguir contornos

1.

Introduccin o

El campo de la robtica mvil se caracteriza por la o o gran cantidad de incertidumbre presente en los entornos reales. Adems, la informacin que proporcionan a o los sensores es ruidosa y poco able. La lgica difusa o ha demostrado ser una herramienta util para tratar con toda esta incertidumbre, y ha sido ampliamente utilizada para el diseo de comportamientos en robtin o ca [7]. El diseo de sistemas basados en reglas difusas n requiere un profundo conocimiento de la tarea a controlar, y su ajuste requiere una gran cantidad de tiempo [5]. Por estos motivos, en los ultimos aos se ha n generalizado el uso de mtodos de aprendizaje para el e diseo de controladores difusos. n En este art culo se presenta el diseo de un controlan dor difuso para el seguimiento de contornos en robtica o mvil usando la metodolog COR (Cooperacin entre o a o Reglas) [1, 2]. Las principales ventajas de la aproximacin propuesta son la facilidad de diseo, la rapidez en o n
Trabajo nanciado en parte por el Ministerio de Ciencia y Tecnolog mediante los proyectos TIC2002-04036a C05-01, TIC2003-00877 y TIC2003-09400-C04-03

El comportamiento de seguir contornos se utiliza habitualmente cuando el robot se encuentra explorando un rea desconocida, o cuando se mueve entre dos a puntos en un mapa. Un buen controlador para este comportamiento se debe caracterizar por tres aspectos: mantener una distancia adecuada con el contorno que se sigue, moverse a la mxima velocidad posible y, a nalmente, tratar que los movimientos sean suaves y progresivos. En lo que sigue, se asumir que el robot a sigue el contorno situado a su derecha (para seguir el otro contorno basta con realizar un intercambio en las entradas sensoriales). Las variables de entrada del sistema de control son la distancia derecha (DD), el cociente de distancias (CD) (muestra la posicin relativa del robot en el entorno), o la velocidad lineal del robot (VL), y la orientacin del o robot con respecto al contorno que sigue. Las variables de salida son la aceleracin lineal y la velocidad o angular.
CD = distancia izquierda DD (1)

Se ha escogido un conjunto de ejemplos (23085) para el aprendizaje de la base de conocimiento. Estos ejemplos cubren todo el universo de discurso de todas las

variables de la parte antecedente de la regla, con una precisin pn , donde n es la variable. La funcin SF , o o que punta la accin de la base de reglas sobre un u o ejemplo, se dene como:
SF RB el = 1 1 + 2 + 3 + 1 (2)

donde 1 , 2 , y 3 son respectivamente:

1 = 100 |DD distancia de ref erencia| pDD |velocidad mxima V L| a pV L |orientacin| o 3 = porientacin o (3) (4) (5)

de extraccin de reglas difusas guiados por criterios de o cobertura de los datos del conjunto de ejemplos. Su simplicidad, adems de su velocidad y fcil comprena a sin, hace a estos mtodos muy adecuados para tareas o e de aprendizaje. Sin embargo, estos mtodos generale mente buscan reglas difusas con el mejor comportamiento individual (por ejemplo, [8]) y, por tanto, no se considera la interaccin global entre las reglas debida o al razonamiento interpolado realizado por los sistemas difusos, provocando as una mala precisin en algunos o casos. Con la intencin de paliar estos inconvenientes mano teniendo las interesantes ventajas de estos mtodos, e en [1] se propone la metodolog COR. En lugar de sea leccionar el consecuente con el mejor comportamiento en cada subespacio, esta metodolog considera la poa sibilidad de usar otro consecuente, diferente del mejor, si as se mejora el comportamiento global del sistema difuso gracias a tener una base de reglas con mejor cooperacin. o COR se compone de los siguientes pasos: (1) construccin del espacio de bsqueda, se obtiene un conjunto de o u consecuentes candidatos para cada regla; y (2) seleccin del conjunto de reglas ms cooperativo, se realiza o a una bsqueda combinatoria entre los conjuntos para u encontrar la combinacin de consecuentes con el meo jor comportamiento global. En la gura 1 se muestra una descripcin ms detallada del proceso de generao a cin de reglas basado en COR. o 3.2. Ventajas de la Metodolog COR para a Aprender Controladores Difusos en Navegacin con Robots Mviles o o

2 = 10

y pDD , pV L , y porientacin son las precisiones de las o respectivas variables de entrada. Las precisiones son utilizadas en estas ecuaciones con el n de evaluar las desviaciones en los valores de las variables respecto a los deseados, pero medidos en unidades de pn . Esto hace que las desviaciones de las distintas variables sean comparables, con lo que es posible asignar un peso a cada desviacin. Estos pesos (100, 10 y 1 para (3), (4), o y (5)) han sido obtenidos de forma heur stica. El ndice que mide la calidad global de cada conjunto de reglas es:
2

1 f (RB) = 2 NE

NE

1
l=1

SF RB el mx (SF (el )) a

(6)

donde N E es el nmero de ejemplos, es un factor u de escala que toma el valor 1000, y mx SF el es a la mxima puntuacin que una accin puede obtener a o o para el ejemplo el . Estos valores han sido obtenidos antes del comienzo del algoritmo, puntuando todas las posibles acciones sobre cada ejemplo.

3.

Metodolog de aprendizaje basada a en COR

La metodolog descrita anteriormente tiene varias a ventajas interesantes que la hacen muy util para apren der controladores difusos para navegacin con robots o mviles. En los siguientes apartados destacamos alguo nas de ellas. 3.2.1. Reduccin del espacio de b squeda o u

El proceso seguido para aprender el controlador difuso se basa en la metodolog COR (Cooperacin entre Rea o glas) propuesta en [1] y extendida en [2]. Hemos seleccionado este proceso debido a sus buenas propiedades para obtener bases de conocimiento rpidamente con a gran interpretabilidad. Los siguientes apartados describen la metodolog de aprendizaje, un anlisis de a a sus principales propiedades y el algoritmo propuesto basado en dicha metodolog a. 3.1. Metodolog COR a

En los ultimos aos se ha propuesto en la literatura es n pecializada una familia de mtodos simples y ecientes e

La metodolog COR reduce el espacio de bsqueda a u basndose en informacin heur a o stica. Este hecho diferencia a COR de otros mtodos de aprendizaje de ree glas difusas y le permite ser ms rpido y realizar una a a mejor exploracin de las soluciones. Este es un aspecto o importante en el aprendizaje de controladores difusos, donde se suele utilizar un alto nmero de ejemplos. En u el comportamiento de seguimiento de contornos presentado en este art culo, donde se consideran 23.085 ejemplos, la metodolog propuesta emple tan solo 20 a o minutos para obtener el controlador. A diferencia de esto, una solucin basada en algoritmos genticos con o e el mismo nmero de ejemplos tardar varias horas. u a

Entradas:
l l Un conjunto de datos entrada-salida E = {e1 , . . . , el , . . . , eN }, donde el = (xl , . . . , xl , y1 , . . . , ym ), l n 1 {1, . . . , N }, siendo N el tamao del conjunto de datos, y n (m) el nmero de variables de entrada (salida) que n u represente el comportamiento del problema a resolver.

Una particin difusa de los espacios de las variables. Sea Ai el conjunto de trminos ling o e usticos de la i-sima e variable de entrada, siendo i {1, . . . , n}, y Bj el conjunto de trminos ling e usticos de la j-sima variable de salida, e siendo j {1, . . . , m}, donde |Ai | (|Bj |) es el nmero de etiquetas de la i-sima (j-sima) variable de entrada (salida). u e e Algoritmo: 1. Construccin del espacio de bsqueda: o u 1.1. Denir los subespacios de entrada difusos que contengan ejemplos positivos: Para ello, dado el conjunto de ejemplos positivos E + (Ss ) para cada subespacio de entrada difuso Ss = (As , . . . , As , . . . , As ) (con As Ai ): n 1 i i E + (Ss ) = {el E tal que i {1, . . . , n}, Ai Ai , As (xl ) A (xl )}, i i i
i

(7)

el conjunto de subespacios con ejemplos positivos se dene como S + = {Sh | E + (Sh ) = }. 1.2. Generar el conjunto de reglas candidatas en cada subespacio con ejemplos positivos: En primer lugar se dene el conjunto de consecuentes candidatos asociado con cada subespacio Sh S + : C(Sh ) = {
h (B1 h , . . . , Bm ) B1 . . . Bm tal que

l l el E (Sh ) donde j {1, . . . , m}, Bj Bj , B kh (yj ) B (yj ) }.

j j

(8)

A continuacin se dene el conjunto de reglas candidatas para cada subespacio como CR(Sh ) = {Rkh = o kh kh k k [SI X1 es Ah y ... y Xn es Ah ENTONCES Y1 es B1 h y ... y Ym es Bm ] tal que (B1 h , . . . , Bm ) C(Sh )}. n 1 Para permitir a la metodolog COR reducir el nmero inicial de reglas difusas, se aade el elemento especial R a u n (que signica no considerar) a cada conjunto de reglas candidatas, es decir, CR(Sh ) = CR(Sh ) R . Si se selecciona este elemento, no se generar ninguna regla en el correspondiente subespacio de entrada difuso. a 2. Seleccin del conjunto de reglas difusas ms cooperativo Esta fase se realiza ejecutando un algoritmo de bsqueda o a u combinatoria para encontrar la combinacin RB = {R1 CR(S1 ), . . . , Rh CR(Sh ), . . . , R|S + | CR(S|S + | )} con o el mejor comportamiento. Se considera un ndice f (RB) para medir la calidad global del conjunto de reglas codicada en cada solucin. Para o obtener soluciones con gran interpretabilidad, se modica la funcin original para penalizar excesivo nmero de reglas: o u f (RB) = f (RB) + f (RB0 ) #RB |S + | (9)

siendo [0, 1] un parmetro que regula la importancia del nmero de reglas, #RB = |{Rh RB tal que Rh = R }| a u el nmero de reglas usado en la solucin a evaluar y RB0 la base de reglas inicial. u o

Figura 1: Algoritmo COR Esta reduccin del espacio de bsqueda se realiza imo u poniendo dos restricciones: 1. Nmero mximo de subespacios de entrada difusos: u a El nmero mximo de subespacios de enterada difuu a sos, y por tanto el nmero mximo de reglas difusas, u a se limita mediante el conjunto de ejemplos positivos. Las restricciones impuestas para construir E + (Ss ) ecuacin (7) dividen el espacio de entrada en una o rejilla crisp mediante los puntos de corte entre los conjuntos difusos de las etiquetas y, por consiguiente, cada ejemplo contribuye a generar una sola regla. Esto es una seleccin del conjunto de espacios conservadoo ra que genera el menor nmero posible de reglas que u garantice una cobertura completa de los ejemplos. En nuestro problema, dado que el conjunto de ejemplos est uniformemente distribuido en el espacio de a entrada completo (como se describe en la seccin 2), o no se realiza una reduccin del nmero mximo de suo u a bespacios de entrada difusos. Sin embargo, el hecho de asignar cada ejemplo a un solo subespacio implica reducir el nmero de consecuentes candidatos, ya que el u conjunto de ejemplos positivos se reduce. 2. Conjunto de reglas candidatas en cada subespacio: Se realiza una segunda reduccin del espacio de o bsqueda restringiendo el conjunto de consecuentes u posibles para cada combinacin de antecedentes. De o nuevo, usamos una condicin restrictiva para construir o C(Sh ) ecuacin (8) que genera un menor nmero o u de reglas candidatas.

Para ilustrar el efecto de esta reduccin del espacio de o bsqueda podemos comprobar que, a partir del conu junto de datos de ejemplos propuesto en la seccin 2, o y usando el siguiente nmero de trminos ling u e usticos para cada variable de entrada/salida, |A1 | = 5, |A2 | = 2, |A3 | = 5, |A4 | = 2, |B1 | = 9, |B2 | = 9, nuestra metodolog genera un espacio de bsqueda de a u + |C(Sh )| = 9,8e+89 combinaciones, mientras Sh S que el total de posibles combinaciones (considerando los |S + | = 100 subespacios de entrada analizados) es (|B1 | |B2 |)100 = 7,1e+190. 3.2.2. Propiedades de interpretabilidad

cooperan ser diferente. a La metodolog COR realiza el proceso de reduccin al a o mismo tiempo que el aprendizaje con la intencin de o mejorar la precisin (eliminando reglas conictivas y o errneas) y la interpretabilidad. Este proceso se realiza o aadiendo la regla nula (R ) a cada conjunto de reglas n candidato correspondiente a cada subespacio, como se muestra en el paso 1.2. de la gura 1. Adems, se cona sidera una funcin objetivo modicada, ecuacin (9), o o para penalizar un alto nmero de reglas y favorecer u an ms la reduccin. u a o 3.3. Metodolog COR con Optimizacin a o Basada en Colonias de Hormigas

La metodolog propuesta tiene tambin algunas vena e tajas interesantes desde el punto de vista de la interpretabilidad del modelo difuso obtenido. Este es un aspecto importante en control difuso para navegacin o de robots mviles ya que permite que las acciones del o robot sean fcilmente compresibles y puedan ser coa municadas a otros mdulos que supervisen el comporo tamiento de la arquitectura de control. Bsicamente, a podemos destacar dos aspectos: La estructura del modelo y las funciones de pertenencia permanecen invariables para una excelente interpretabilidad : La metodolog COR es un esfuerzo a por explotar la capacidad de precisin de los sistemas o difusos ling usticos centrndose exclusivamente en el a diseo de la base de reglas. En este caso, las funciones n de pertenencia y la estructura del modelo se mantienen invariables, resultando as en la mxima interpretabi a lidad. Reduccin de la base de reglas para mejorar la ino terpretabilidad y la precisin: Al denir una base de o reglas, es comn incluir reglas redundantes o reglas u que generan conictos con otras en ciertas ocasiones. Adems, una base con un alto nmero de reglas es a u dif de interpretar, incluso cuando se considera una cil estructura de regla difusa ling ustica. Para afrontar este problema se suele realizar un postprocesamiento. Cuando se consideran restricciones de interpretabilidad, las reglas pueden ser fusionadas [6], generando as una estructura dispersa (no basada en una rejilla) donde cada regla usa diferentes conjuntos difusos para cada variable. Otra posibilidad si queremos obtener reglas difusas ling usticas con gran interpretabilidad es realizar un proceso de seleccin para obtener un subconjunto de o la base de reglas original. Sin embargo, este enfoque no parece apropiado para generar un conjunto de reglas preciso ya que no se considera la interdependencia existente entre las tareas de aprendizaje y reduccin. o Es decir, es seguro que despus de la reduccin del cone o junto de reglas, el nuevo conjunto de reglas que mejor

Dado que el espacio de bsqueda manejado en el paso u 2. de la metodolog COR es grande, resulta necesario a usar tcnicas de bsqueda aproximadas. En [1] se obe u tuvieron modelos ling usticos con buena precisin utio lizando enfriamiento simulado. Sin embargo, dado que una de las restricciones de nuestro problema es el manejo de una funcin de evaluacin computacionalmente o o costosa, en este art culo se propone el uso de optimizacin mediante colonias de hormigas (OCH) [4]. Esta es o una tcnica de bsqueda bio-inspirada que considera e u informacin heur o stica para permitir obtener buenas soluciones con rapidez. Esta seccin describe los como ponentes del algoritmo propuesto. 3.3.1. Representacin del problema basado o en COR

Para aplicar OCH en la metodolog COR es convea niente verla como un problema de optimizacin como binatoria con la capacidad de ser representado en un grafo ponderado. De esta forma, se puede afrontar el problema considerando un nmero jo de subespacios u e interpretando el proceso de aprendizaje como la forma de asignar vectores de consecuentes es decir, etiquetas de las particiones difusas de las variables de salida a estos subespacios segn un criterio de optiu malidad (esto es, siguiendo la metodolog COR). a Por tanto, de acuerdo con la gura 1, cada nodo Sh S + se asigna a cada consecuente candidato k kh mbolo especial no con(B1 h , . . . , Bm ) C(Sh ) y al s siderar (R ) que indica la ausencia de reglas en el correspondiente subespacio. 3.3.2. Informacin heur o stica

La informacin heur o stica sobre la preferencia potencial de elegir un vector de consecuentes espec co, o B kh , en cada combinacin de antecedentes (subespacio) se determina de la siguiente forma para B kh =

k kh (B1 h , . . . , Bm ) C(Sh ):

hkh =

el E + (Sh )

mx a

M in Ah (xl ), B kh (y l ) .
j

(10)

Si B kh C(Sh ), hacer hkh = 0. / Posteriormente, para el s mbolo no considerar, hacer lo siguiente: h,|B1 |...|Bm |+1 = 3.3.3. 1 mx a hkh . (11)

kh {1,...,|C(Sh )|}

robot Nomad 200. Estos entornos incluyen todo el abanico de situaciones a las que el robot puede enfrentarse durante la navegacin. Ninguno de los entornos de o prueba ha sido utilizado durante el aprendizaje, puesto que en esta etapa se ha empleado un conjunto de ejemplos escogidos de forma que se cubra todo el espacio de entradas con una precisin adecuada. Estas o condiciones garantizan que la calidad del controlador obtenido no dependa de los entornos en los que se ha entrenado el sistema, y adems que el robot sea capaz a de enfrentarse a cualquier situacin. o La gura 3 muestra el camino seguido por el robot a lo largo de uno de los entornos de prueba (entorno D). La trayectoria del robot se representa mediante c rculos. Una mayor concentracin indicar menor veo a locidad. El controlador aprendido tiene 77 reglas y ha sido obtenido en menos de 20 minutos. Si en una determinada situacin no se dispara ninguna regla, se o seleccionar aceleracin lineal y velocidad angular nua o las. La mxima velocidad del robot es de 61 cm/s, y a la distancia de referencia a la que se debe seguir la pared es de 51 cm. Se han llevado a cabo 10 pruebas para cada uno de los entornos de test. En la tabla 1 se muestran los valores medios de algunos parmea tros que reejan el rendimiento del controlador. Estos parmetros son la distancia media a la pared derecha a (el contorno que se sigue), la velocidad lineal media, el tiempo empleado en recorrer el camino, y el cambio medio en velocidad entre dos ciclos consecutivos (reeja la suavidad del comportamiento).

Inicializacin de la feromona o

El valor inicial de la feromona para cada asignacin se o obtiene de la siguiente forma: 0 = 1 |S + |

B kh C(Sh )

mx a

hkh .

(12)

Sh

S +

As la feromona inicial ser el valor medio del camino , a construido tomando el mejor consecuente en cada regla de acuerdo con la informacin heur o stica (se trata, por tanto, de una asignacin voraz). o 3.3.4. Esquema de OCH: sistema de la mejor-peor hormiga

Una vez diseados los componentes previos, se debe n denir un algoritmo OCH para resolver el problema. En esta contribucin consideramos el algoritmo sisteo ma de la mejor-peor hormiga (SMPH) [3]. Su esquema global se muestra en la gura 2, para ms detalle rea rase a [3]. e
1. 2. Dar un valor inicial de la feromona, 0 , para cada arco. Mientras (condicin terminacin no se cumpla) hacer: o o a) b) c) d) e) f) g) Realizar el camino de cada hormiga mediante el proceso de construccin de la solucin. o o Aplicar el mecanismo de evaporacin de feroo mona. Aplicar el proceso de bsqueda local sobre la meu jor solucin actual. o Actualizar Smejor global y Speor actual . Aplicar la regla de actualizacin de feromona o Mejor-Peor. Aplicar la mutacin de feromona. o Si (condicin estancado se cumple), aplicar reinio cializacin. o

Esquina cncava Esquina convexa

1 metro

Direccin de movimiento

Figura 2: Algoritmo SMPH

Figura 3: Recorrido del robot en el entorno D. Con el n de mostrar la calidad del controlador se va a describir el recorrido del robot en el entorno D (gura 3). Este entorno es bastante complejo, pues tiene cuatro esquinas cncavas y seis convexas a lo largo de o sus 59 metros. En estas situaciones el robot deja de

4.

Resultados

El controlador aprendido ha sido probado en cuatro entornos simulados diferentes utilizando el software del

detectar la pared correctamente en algunos instantes, y adems debe reducir la velocidad signicativamente. a A pesar de ello la velocidad media obtenida ha sido alta, y la distancia a la que se ha seguido el contorno se encuentra prxima a la distancia de referencia. La o diferencia es debida al elevado nmero de esquinas de u este entorno, ya que en ellas la orientacin del robot o es mala, y se da prioridad al giro rpido antes que a a una distancia correcta.
Ent. A B C D DD (cm) 65 57 55 55 Vel. (cm/s) 55 52 50 54 Cambio vel. (cm/s) 5.73 5.75 4.10 4.27 Tpo (s) 62 103 84 112

lizando la metodolog COR. Las principales ventajas a de la aproximacin propuesta son la facilidad de dio seo, la rapidez en la obtencin de la base de conocin o miento, el alto grado de interpretabilidad de la misma y, nalmente, que la calidad del comportamiento obtenido no depende del conjunto de entrenamiento. El controlador ha sido probado en varios entornos simulados mostrando valores adecuados en los valores medios de algunos parmetros que reejan la calidad a del comportamiento. El sistema ha sido tambin come parado con un diseo previo basado en algoritmos n genticos, incrementando la calidad e interpretabilidad e del mismo.

Tabla 1: Valores medios de algunos parmetros (77 a reglas ling usticas). Para evaluar el controlador obtenido, se ha realizado una comparacin con otro diseado utilizando algoo n ritmos genticos [6]. El diseo en [6] constaba de dos e n etapas: aprendizaje de la base de datos y una base de reglas general (aproximacin Pittsburgh), y reduccin o o de la base de reglas generada mediante la fusin de o reglas. Esta reduccin provoca una prdida de intero e pretabilidad en la base de conocimiento nal, pues las etiquetas usadas en cada regla no son generales, sino dependientes de la misma. Este controlador tiene 46 reglas (en la tabla 2 se muestran los valores medios de algunos parmetros para los entornos de prueba). El a tiempo empleado en el aprendizaje es elevado (varias horas) si se compara con los menos de 20 minutos necesarios para la obtencin del controlador presentado o en este trabajo.
Ent. A B C D DD (cm) 59 54 54 54 Vel. (cm/s) 46 43 36 46 Cambio vel. (cm/s) 8.69 9.70 7.75 7.18 Tpo (s) 72 120 114 127

Referencias
[1] J. Casillas, O. Cordn, F. Herrera. COR: A meto hodology to improve ad hoc data-driven linguistic rule learning methods by inducing cooperation among rules. IEEE Trans. Syst., Man, Cybern. B, 32(4):526537, 2002. [2] J. Casillas, O. Cordn, F. Herrera. COR methodoo logy: a simple way to obtain linguistic fuzzy models with good interpretability and accuracy. In J. Casillas, O. Cordn, F. Herrera, L. Magdalena o (Eds.), Accuracy improvements in linguistic fuzzy modeling. Springer, Heidelberg, Germany, 2003. [3] O. Cordn, F. Herrera, I. Fernndez de Viana, o a L. Moreno. A new ACO model integrating evolutionary computation concepts: the best-worst ant system. En Proc. 2nd Int. Workshop on Ant Algorithms, 2229, Brussels, Belgium, 2000. [4] M. Dorigo, G. Di Caro. The ant colony optimization meta-heuristic. En D. Corne, M. Dorigo, F. Glover (Eds.), New ideas in optimization, 11 32. McGraw-Hill, New York, USA, 1999. [5] M. Mucientes, R. Iglesias, C. V. Regueiro, A. Bugar S. Barro. A fuzzy temporal rule-based velon, city controller for mobile robotics. Fuzzy Sets and Systems, 134:8399, 2003. [6] M. Mucientes, D. L. Moreno, C. V. Regueiro, A. Bugar S. Barro. Design of a fuzzy contron, ller for the wall-following behavior in mobile robotics with evolutionary algorithms. En Proc. IPMU2004, aceptado, 2004. [7] A. Saotti. The uses of fuzzy logic in autonomous robot navigation. Soft Computing, 1(4):180197, 1997. [8] L.-X. Wang, J.M. Mendel. Generating fuzzy rules by learning from examples. IEEE Trans. Syst., Man, Cybern., 22(6):14141427, 1992.

Tabla 2: Valores medios de algunos parmetros para a el sistema descrito en [6] (46 reglas difusas) El controlador descrito en este trabajo presenta un mayor nmero de reglas (77 vs. 46), pero mejora los reu sultados obtenidos en [6]. La velocidad media es mayor en todos los entornos, reduciendo el tiempo de navegacin. La distancia derecha media es similar en ambos o controladores y, nalmente, el cambio medio en velocidad se reduce bastante en este controlador, lo que reeja la calidad del comportamiento obtenido en comparacin con [6]. Por otra parte, la interpretabilidad de o las reglas es alta, en contraposicin a [6]. o

5.

Conclusiones

En este trabajo se ha presentado el diseo de un conn trolador difuso para el seguimiento de contornos uti-