NAVEGACIN AUTNOMA DEL ROBOT R2D2-00 USANDO METODOS MONTE CARLO Y EL ALGORITMO A*

AUTOR: Ivn Arturo Calle Flores, icallef@uni.pe

UNIVERSIDAD NACIONAL DE INGENIERA FACULTAD DE INGENIERA MECNICA Av. Tpac Amaru 210, Telf.: 481-1490, e-mail: fim@uni.edu.pe
Resumen.- Para que un robot pueda realizar tareas reales como transporte de objetos en una casa, industria u hospital, bsqueda y rescate en reas peligrosas, servicio de gua en un museo, etc. este necesita tener capacidades de navegacin autnoma. Especficamente, debe tener un componente de localizacin que le permita estimar su configuracin en un ambiente dado, y un sistema de planeamiento que le permita encontrar la trayectoria optima con el fin de llegar a una meta. En el problema de localizacin las tcnicas Monte Carlo actualmente representan el estado del arte; y en el planeamiento, el algoritmo A* es uno de los algoritmos ms usados. En el presente trabajo se presentan los resultados de la navegacin autnoma del robot R2D2-00: El robot autnomo, el primer robot completamente autnomo desarrollado en nuestro pas. Este robot al hacer uso de su componente de localizacin basado en las tcnicas Monte Carlo, y de su componente de planeamiento usando el algoritmo A*; es capaz de realizar tareas de navegacin autnoma en interiores al ms alto nivel. Palabras clave Navegacin autnoma, localizacin, planeamiento, mtodos Monte Carlo, algoritmo A*, R2D2-00: El robot autnomo. Abstract In order to have a robot that could do tasks such as object transportation in a house, industry or hospital, search and rescue in dangerous areas, tourguide services in a museum, etc., the robot must have autonomous navigation capabilities. Particularly, the robot must have a localization component in order to estimate its pose and a planning component in order to get the optimal path that leads the robot to its goal states. In the present work we present the results obtained in the autonomous navigation of the robot R2D2-00: The Peruvian autonomous robot, the first fully autonomous robot developed in our country, Peru. This robot making use of a localization component based in Monte Carlo techniques, and a planning component, based in the A* algorithm, is able to do autonomous navigation tasks at the highest level. Key words- Autonomous navigation, localization, planning, Monte Carlo techniques, the A* algorithm, R2D2-00: The Peruvian autonomous robot. I. INTRODUCCIN El problema de la navegacin autnoma de robots mviles tanto en ambientes cerrados como en exteriores ha recibido considerable atencin en los ltimos aos, esto debido principalmente a la gran cantidad de posibles aplicaciones que se le pueden dar a estos sistemas (Figura 1). Siendo las aplicaciones ms prometedoras las tareas de asistencia al humano como los servicios de gua en un museo, las tareas de limpieza en una casa, la bsqueda y rescate en reas peligrosas, servicio de transporte de objetos en industrias y hospitales, y los vehculos autnomos.

(a)

(b)

Figura 1. Ejemplos de nuevas aplicaciones robticas. (a) Servicio de gua. (b)Vehculos autnomos.

En estas aplicaciones, a diferencia de los sistemas robticos clsicos como los manipuladores robticos, el nivel de ruido/incertidumbre es muy alto. Esto debido principalmente a los entornos dinmicos en los que deben operar (donde hay personas, objetos inesperados, etc.), y al de ruido presente en los sensores y actuadores. Por este motivo, es un hecho ya comnmente aceptado en la comunidad de la robtica que las tcnicas probabilsticas son las ms adecuadas en la formulacin de algoritmos para la tarea de navegacin autnoma de robots mviles. Para que un robot sea considerado como autnomo debe contar con un sistema de localizacin el cual le proporciona al robot tanto su posicin y orientacin en un ambiente dado (fig. 2). Este problema de localizacin ha recibido considerable atencin en la comunidad robtica en la ltima dcada, y como resultado se ha tenido una serie de algoritmos probabilsticos capaces de resolver este problema. Dentro de estos algoritmos, los algoritmos basados en los mtodos Monte Carlo son uno de los ms usados tanto debido a su robustez como a que son capaces de trabajar con los sensores ultrasnicos y laser, los sensores ms usados en los robots de avanzada.

desarrolladas en los ambientes de la Facultad de Ingeniera Mecnica de la UNI (fig. 4). En la seccin VI se muestran las conclusiones, recomendaciones y propuestas de trabajo futuro. Finalmente se hacen los agradecimientos respectivos a las instituciones y personas que apoyaron al autor en el desarrollo del presente trabajo.

Figura 2. El problema de localizacin

Por otro laso si se quiere que el robot realice tareas al ms alto nivel, este debe ser capaz de planificar sus acciones con el fin de llegar a sus metas establecidas. Por este motivo, un robot autnomo debe tener un componente de planeamiento que le indique el camino ms ptimo con el fin de llegar a la posicin deseada (fig. 3). De los muchos algoritmos desarrollados tanto en el campo de la robtica como en la Inteligencia Artificial, el algoritmo A* es uno de los ms usados debido a que es capaz de hallar trayectorias optimas en tiempos de ejecucin relativamente pequeos.

Fig. 4. El robot R2D2-00: El robot autnomo

II. MODELOS PROBABILISTICOS Y EL FILTRO DE BAYES Para el desarrollo de algoritmos de navegacin de un robot se requieren modelos tanto del movimiento del robot como de las mediciones de los sensores. Debido al nivel de ruido presente en las tareas reales, donde el robot debe operar en entornos no estructurados y altamente dinmicos, es mucho ms conveniente la formulacin de modelos probabilsticos. La cinemtica probabilstica del robot busca la descripcin del movimiento usando funciones de probabilidad. En la robtica mvil es imposible predecir con gran precisin el movimiento del robot debido a diversas fuentes de ruido (baches, deslizamiento de las llantas, imprecisiones en el diseo mecnico del robot, etc.), por lo que es ms conveniente describir el movimiento del robot usando funciones de probabilidad. En particular, el modelo probabilstico del movimiento de un robot est dado por la expresin (1), que se lee como la probabilidad de que el robot llegue al estado

Figura 3. El problema de planeamiento

En el presente trabajo se presentan los resultados de la navegacin autnoma del robot R2D2-00: El robot autnomo, el primer robot mvil completamente autnomo desarrollado en nuestro pas (fig. 4). Este robot al hacer uso de su componente de localizacin basado en las tcnicas Monte Carlo, y de su componente de planeamiento usando el algoritmo A*, es capaz de realizar tareas de navegacin autnoma en interiores al ms alto nivel. Para tal fin el presente trabajo se ha organizado de la siguiente manera. En la seccin II, se describen los conceptos bsicos que estn detrs de cualquier algoritmo de navegacin probabilstico. En la seccin III, se describe el algoritmo de localizacin basado en los mtodos Monte Carlo. En la seccin IV, se muestra en algoritmo de planeamiento A* aplicada al caso de los robots mviles. En la seccin V, se muestran los resultados de la navegacin autnoma del robot R2D2-00 tanto en simulaciones como en pruebas reales

xt dado que estaba en el estado xt 1 , y se efectu una

accin de control

ut p( xt | ut , xt 1 )
(1)

En el modelo de movimiento, las acciones de control usualmente estn dadas por una velocidad translacional

vt y una velocidad rotacional wt . Por lo que la seal de

control en cualquier instante de tiempo est dada por:

v ut = t wt

(2)

Para el clculo de la funcin de probabilidad de transicin de estado, la idea bsica es hallar el modelo inverso del robot, y comparar las velocidades reales necesarias para lograr el movimiento de xt 1 a xt , con las velocidades comandadas en

Fig. 6. Sensor laser Hokuyo URG-04LX-UG01

ut . Luego de haber

implementado este algoritmo, en la fig. 5 se muestra la funcin de probabilidad de transicin de estado de nuestro robot.
1 700 600 0.6 500 0.4 y(m) 400 0.2 300 0 200 100 0

0.8

De manera probabilstica, el modelo de los sensores est dado por p ( z | x ) que nos indica la probabilidad de la medida z, dado que el robot est en el estado x. En el caso de los sensores laser uno de los modelos ms usados es el llamado beam-based model que est basado en el proceso fsico que genera las mediciones del sensor. En este modelo se reconoce que existen 4 fuentes de ruido que afectan las medidas del sensor laser, las que hacen que la medidas obtenida por el robot sean diferentes a la medida esperada por el mismo. a) Ruido gaussiano local. Se refiere al ruido aleatorio de valores pequeos que afectan la medida correcta del sensor. b) Ruido debido a objetos inesperados. Se da cuando la medida obtenida es mucho menor que la medida esperada por el robot. Este ruido es debido principalmente a la presencia de personas u objetos. c) Ruido debido a fallas. Se da cuando el sensor no detecta ningn obstculo aun cuando en su campo de accin existen obstculo y/o paredes. d) Ruido aleatorio. Que re refieren a las mediciones que son del todo inexplicables. La combinacin de estas 4 fuentes de ruido resulta en el modelo de probabilidad de mediciones que se muestra en la figura 7. La importancia de este modelo es que nos permite evaluar la probabilidad de cualquier medicin obtenida por el sensor, dada la medicin esperada por el robot.

-0.2

-0.4 -0.2

0.2

0.4

0.6 x(m)

0.8

1.2

Fig. 5. Funcin de probabilidad de transicin de estado

En esta figura, la imagen en rojo representa la configuracin inicial del robot y la imagen en magenta representa la configuracin final ideal del robot. Como puede observarse este modelo asigna la mayor probabilidad a la configuracin ideal, sin embargo tambin asigna valores grandes de probabilidad a las posiciones cercanas a esta configuracin. De esta manera al usar un modelo probabilstico, es posible tomar en cuenta todas las posibles configuraciones, modelando de manera explcita el ruido presente en el movimiento real del robot. En el caso de los sensores, debido a la presencia de ruido/incertidumbre en las aplicaciones reales, tambin es mucho ms conveniente hacer un modelado probabilstico de las mediciones de los sensores. En el caso de nuestro robot, el sensor usado es el sensor laser Hokuyo URG-04LX-UG01 (fig. 6) el cual tienen un alcance de 5.6m y un precio aproximado de 1,500.00 dlares. Este tipo de sensores son los ms usados en las aplicaciones robticas ms avanzadas, y se usan con el fin de medir distancias al objeto ms cercano tales como paredes.

ztk * ideal

Fig. 7. Funcin de probabilidad de las mediciones de un sensor laser

Finalmente, en la tarea de estimacin de estado el punto de partida de cualquier algoritmo probabilstico est dado por el filtro de Bayes, el cual nos permite calcular la distribucion sobre el estado p( xt | z1:t , u1:t ) en el instante t a partir de la distribucion previa

IV. LOCALIZACION USANDO METODOS MONTE CARLO

p( xt 1 | z1:t 1 , u1:t 1 ) en el instante t 1 usando la

siguiente ecuacion.

V. PLANEAMIENTO USANDO EL ALGORITMO A*

VI. RESULTADOS EXPERIMENTALES

p ( xt | z1:t , u1:t ) =

p ( zt | xt ) p ( xt | ut , xt 1 ) p ( xt 1 | z1:t 1 , u1:t 1 ) dxt 1

(3) VII. CONCLUSIONES Y TRABAJO FUTURO

Este filtro es del tipo recursivo, y es esta propiedad la que lo hace adecuado para una serie de tareas de estimacion de estado en tiempo real. Debe notarse la aparicion de los terminos p( zt | xt ) y p( xt | ut , xt 1 ) que representan las funciones de probabilidad de las mediciones, y la probabilidad de transicion de estados anteriormente descritas. El algoritmo de localizacin basado en los mtodos Monte Carlo es una instancia del filtro de Bayes cuando se usa mtodos basados en el muestreo. Antes de finalizar esta seccin es importante sealar que el filtro de Bayes es el mtodo ms general en la tarea de estimacin de estado y es usado ampliamente en muchas reas de la ciencia y la ingeniera. Algoritmos tales como el filtro de Kalman [], modelos ocultos de Markov [], etc., se pueden ver como implementaciones de este filtro en el caso de problemas especificos. En el area de la robotica movil, este filtro forma el nucleo de cualquier algoritmo basado en tecnicas probabilisticas.

VIII. BIBLIOGRAFIA

III. OBJETIVOS Objetivo general El objetivo general del presente trabajo consiste en la implementacin de un sistema de navegacin autnoma aplicado al robot R2D2-00. De esta manera se tendr el primer robot mvil autnomo desarrollado en nuestro pas capaz de realizar tareas reales al ms alto nivel. Objetivos especficos a) Implementacin del componente de localizacin con el fin que el robot estime su configuracin en cualquier instante de tiempo b) Implementacin del componente de planeamiento con el fin que el robot pueda planificar la trayectoria optima con el fin de llegar a sus metas c) Implementacin del sistema de control de movimiento con el fin que el robot sea capaz de seguir la trayectoria deseada. d) Integracin del software de navegacin del robot, el cual consiste de los componentes de localizacin y planeamiento. e) Desarrollo de pruebas de navegacin autnoma con el fin de optimar los parmetros de navegacin.