Documentos de Académico
Documentos de Profesional
Documentos de Cultura
y K
u
no ptimos.
Por otra parte, al usar parmetros ptimos, como se observa en la Figura 8, el robot llega a su
destino con un RMSE=0.1 m, con velocidades de hasta 1 m s
-1
.
FIGURA 8. Resultados del seguimiento de la trayectoria con parmetros K
y K
u
ptimos.
P
1
P
n
P
1
P
n
P
1
P
n
Trayectoria a seguir
Trayectoria controlador
Trayectoria a seguir
Trayectoria controlador
Tercer Escenario. Para el caso de detectar un objeto inesperado en el camino, se aadieron en
forma aleatoria imgenes 3D de objetos previamente grabados en terreno, como se muestra en la
Figura 9.
FIGURA 9. Trayectoria para evasin de un obstculo local y suavizado mediante curvas cubicas de
Bzier. Offset del obstculo.
De los resultados obtenidos en el todos los Escenarios, podemos decir que, la generacin de
trayectorias resulta robusta y eficiente en trminos de tiempo de computo. Adems, para la evasin
local de obstculos resulta una alternativa fiable ya que de haber espacio para que el robot pase, el
algoritmo A*, encontrara la ruta de menor costo. Pero sin embargo, esta ruta tiende a ser muy
rectilnea, es decir con aristas pronunciadas, por lo que se hace necesario reducir la velocidad del
robot a la mitad (0.1 m s
-1
) para que el controlador pueda seguir la trayectoria de forma ajustada y
evitar as las colisiones en espacios reducidos.
Por otra parte la evasin de obstculos resulta exitosa, siempre que la altura del objeto sea
menor que la altura a la que se encuentra el sensor Kinect. Esto, debido a que si no ve su punto de
destino (punto intermedio de la trayectoria global P
k+1
), el robot necesita generar una nueva
trayectoria al siguiente punto intermedio P
k+2
, lo que no siempre resulta ser la trayectoria de menor
costo para evadir un obstculo.
En cuanto al controlador, este resulta adecuado, ya que considera el modelo cinemtico del
robot, pero dicha cinemtica cambia si es que se le aade peso adicional, como por ejemplo un
pequeo estanque con herbicida. Por lo que los parmetros deben ser recalculados.
Adicionalmente, el desempeo del controlador est fuertemente ligado a los parmetros K
y
K
u
. Para nuestro anlisis los valores seleccionados son los que ofrecen el menor RMSE posible. En
el Primer Escenario el RMSE es de apenas 0.1 m, lo que resulta altamente deseable en entornos
agrcolas, ya que no posee oscilaciones que le pudiesen provocar una colisin.
Finalmente, el mayor aporte de este trabajo, creemos estriba en la integracin de diversas
tcnicas de planificacin, navegacin, seguimiento de trayectorias, optimizacin y evasin de
obstculos mediante visin 3D. Tcnicas que permiten asegurar la navegacin segura y efectiva, en
entornos agrcolas. Combinando tcnicas clsicas como A*, con nuevas herramientas de visin
3D, como la que nos ofrece Kinect.
Punto de la
trayectoria global
P
k+1
P
k
CONCLUSIONES
El marco de integracin de algoritmos de seguimiento y planificacin de trayectorias
propuesto, muestra bajos errores en el seguimiento de las trayectorias (RMSE=0.1 m en 30 m),
debido a la optimizacin de los parmetros del controlador, para cada trayectoria. Es decir el
controlador, genera la mejor solucin para cada trayectoria.
Los parmetros del controlador obtenidos mediante algoritmos genticos garantizan una
solucin casi ptima, ya que evita caer en mnimos locales a diferencia de otros mtodos de
optimizacin.
El ampliamente probado algoritmo de planificacin A*, ha probado su eficacia en la
generacin de trayectorias tanto locales como globales y su eficiencia en trminos de tiempo de
computo (<300 ms, para la trayectoria ms larga). Lo que lo hace adecuado para las necesidades de
los robots en entornos agrcolas.
La evasin local de obstculos detectados por el sensor Kinect, resulta adecuado para la
deteccin de objetos en el camino del robot, aunque estos sean de pequeo tamao. Pero se debe
tener en cuenta en su implementacin en terreno, el efecto de la luz sobre el sensor de profundidad
y los efectos de la vibracin en la determinacin de las alturas de los objetos detectados.
REFERENCIAS
DE LA CRUZ C., Control de Formacin de Robots Mviles, Tesis Doctoral, Instituto de
Automtica, Universidad Nacional de San Juan, Argentina, San Juan, (2006).
FLETCHER, L.; TELLER, S.; OLSON, E.; MOORE, D.; KUWATA, Y.; LEONARD, J.;
MILLER, I.; CAMPBELL, M. The MITCornell Collision and Why It Happened. 2008.
GILL, M. & ZOMAYA, A. Genetic algorithms for robot control Evolutionary Computation, 1995.,
IEEE International Conference on, , 1, 462.
HART, P. E.; NILSSON, N. J. & RAPHAEL, B. A Formal Basis for the Heuristic Determination of
minimum Cost Paths Systems Science and Cybernetics, IEEE Transactions on, Systems Science and
Cybernetics, IEEE Transactions on, Artificial Intelligence Group of the Applied Physics
Laboratory, Stanford Research Institute, Menlo Park, Calif., IEEE, 1968, 4, 100-107.
KRISHNA, K., AND G. A. DUMONT, "System identification and control using genetic
algorithms", IEEE Trans on System, Man and Cybernetics, vol. 22, no. 5, pp. 1033-1O46, 1992.
MARTINS, F.N. SARCINELLI-FILHO, M. BASTOS, T.F. CARELLI, R. Dynamic modeling and
adaptive dynamic compensation for unicycle-like mobile robots. Advanced Robotics, 2009. ICAR
2009. International Conference on. Junio 2009.
MATTHEW MCNAUGHTON, CHRISTOPHER R. BAKER, T. G. B. S. C. U. & ZIGLAR, J.
ROUFF, C. & HINCHEY, M. (Eds.) Experience from the DARPA Urban Challenge, Springer-
Verlag London Limited, 2012.
ROSALES A., G SCAGLIA, V. MULT, Tracking control of a mobile robot based on Taylor
Formula. 2007. AJIEE. Jornadas en Ingeniera Elctrica Y Electrnica.
ROSALES A., Dynamic nonlinear model based predictive control for mobile robots. En V
Seminario Euro Latinoamericano de Sistemas de Ingeniera. Nov. de 2009.
SCAGLIA G., MUT V., QUINTERO O., DI SCIASCIO F., Trajectory Control Of Mobile Robots
Based On Numerical Methods, XII Congreso Latinoamericano de Control Automtico - CLCA,
Salvador, Brasil, (2006a).
SOFMAN, B.; BAGNELL, J. A.; STENTZ, A. & VANDAPEL, N. Terrain classification from
aerial data to support ground vehicle navigation Robotics, Citeseer, 2006