Está en la página 1de 9

See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266393925

ALGORITMOS DE PLANIFICACIÓN DE
TRAYECTORIAS PARA UN ROBOT MÓVIL

Conference Paper · August 2006


DOI: 10.13140/2.1.2637.6968

CITATIONS READS

0 777

3 authors, including:

Diego Alexander Tibaduiza Burgos


National University of Colombia
107 PUBLICATIONS 205 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Structural health monitoring View project

Design and validation of an arm and leg exoskeleton for the rehabilitation of persons with partial
disability in their limbs using the master-slave configuration (Stage I) (Universidad Santo Tomás –
MEM Group) View project

All content following this page was uploaded by Diego Alexander Tibaduiza Burgos on 05 October 2014.

The user has requested enhancement of the downloaded file.


ALGORITMOS DE PLANIFICACIÓN DE
TRAYECTORIAS PARA UN ROBOT MÓVIL
Diego Alexander Tibaduiza Burgos, Roberto Martínez Ángel, Jaime Barrero Pérez

II. ROBOTS MÓVILES


Resumen-- En este artículo se presenta el resultado de un trabajo Son robots cuyo desplazamiento no está restringido a la
de investigación en el cual se trabajó el planeamiento de máxima longitud de sus articulaciones. Los vehículos con
trayectorias de un robot móvil en un ambiente dinámico. El
planeamiento de trayectorias se realizó usando dos técnicas: una
ruedas son la solución más simple y eficiente para conseguir
basada en el método de campos de potencial y otra en algoritmos la movilidad en terrenos suficientemente duros y libres de
genéticos. Para cada metodología se define una figura de mérito obstáculos, permitiendo conseguir velocidades
que permite evaluar la calidad de la trayectoria en función de relativamente altas. En este trabajo se utilizaron robots de
evitar colisiones. Estas estrategias pueden ser aplicados en agentes guiado diferencial, en el cual las variables de control de la
físicos que interactúan en un ambiente monitoreado por una locomoción son las velocidades de las ruedas laterales vi y
cámara que permite conocer su posición instantànea, como es el vd. La figura 1 muestra algunas vistas del robot utilizado.
caso de la copa de fútbol de robots ó a nivel industrial sobre un
AGV que transporta objetos dentro del un área de trabajo de una
celda de manufactura. Se incluye la descripción del software
desarrollado así como el hardware utilizado para la
implementaciòn de ambas metodologías.

Palabras Claves—Planificación, planeación, campos de potencial,


algoritmos genéticos.

I. INTRODUCCIÓN
La robótica es un campo de amplias perspectivas para el
desarrollo industrial que en un tiempo relativamente corto
podría permitir a paises en desarrollo apropiarse de técnicas que
utilizando las vias tradicionales podrían requerir un tiempo
considerable.
Actualmente los robots deben interactuar en ambientes cuyos
espacios de trabajo no son constantes, esto exige al robot poseer FIG.1. Robot móvil utilizado
herramientas que le permitan dar solución a estos cambios
frecuentes, es ahí cuando el planeamiento de trayectorias se III. ESQUEMA GENERAL
presenta como una solución.
Tal como se puede apreciar en la figura 2 existen dos robots
En este trabajo se presenta el desarrollo de dos algoritmos para
que se mueven sobre una plataforma de madera en la que se
planeamiento de la trayectoria de un robot móvil en un
hallan dos obstáculos fijos.
ambiente cambiante en el cual se mueve otro robot en presencia
Uno de los robots debe realizar la trayectoria especificada
de varios obstáculos. El objetivo es llevar al móvil desde el
mientras el otro robot se desplaza libremente utilizando para
punto origen hasta el punto destino dentro del área de trabajo,
su orientación unos módulos de ultrasonido. Este segundo
evitando todo tipo de colisiones, El lazo de realimentación lo
robot hace que el ambiente sea cambiante obstaculizando la
constituye una cámara que permite determinar en todo instante
realización de su trayectoria al primer robot. La plataforma
la posición de los dos robots y de los obstáculos estacionarios.
de madera es de color negro opaco para evitar brillos o
El algoritmo puede ser aplicado en un terreno como una pista
sombras que puedan dar falsas lecturas al algoritmo de
con las mismas características como las de la ROBOCUP ó en
visión.
cualquier tipo de aplicación en las que se tenga las coordenadas
de los obstáculos y puntos de interés.

Manuscrito recibido el 31 de Mayo de 2006. Este formato fue financiado por


la Universidad Industrial de Santander y la Universidad Autónoma de
Bucaramanga
D.A.T.B. actualmente con la Universidad Autónoma de Bucaramanga, Calle
48 No. 39-234, Facultad de Ingeniería Mecatrónica, Escuela de Ciencias
Naturales e Ingeniería, Bucaramanga, Santander, Colombia, Tlf. +57-097-
6436111, ext 330, E-mail: dtibaduiza@unab.edu.co.
R.M.A y J.B.P. está con la Universidad Industrial de Santander, Carrera 27
Calle 9, Barrio la Universidad, Bucaramanga, Santander, Colombia., Tlf. +57-
097-6344000, ext 2709, E-mail: rmangel@uis.edu.co FIG.2. Vista del área de trabajo.
Para determinar la posición y orientación de los robots y los cromosomas es la que se observa en la Tabla I:
obstáculos se utilizó una cámara ubicada dos metros por encima
de la plataforma de madera para así cubrir todo el entorno de TABLA 1
trabajo. Las imágenes captadas por la cámara son procesadas CODIFICACIÓN DE CROMOSOMAS.
mediante un algoritmo de visión el cual permite determinar la Cromosom
Codificación Característica que representa
posición de cada objeto dentro de la pista. a
Debido al uso intensivo de recursos de computación por parte α 0 Monótono en X (MX)
del algoritmo de visión, se utilizó dos computadores, uno para 1 Monótono en Y (MY)
el procesamiento de imágenes y otro para los algoritmos de
control.
β 00 Vertical para MX y horizontal para
MY
IV. PLANEAMIENTO DE TRAYECTORIAS 01 Diagonal superior para MX
Una de las tareas más importantes en robótica móvil es el Diagonal izquierda para MY
planeamiento de la trayectoria, ya que esta confiere al robot la 10 Horizontal para MX
capacidad de ejecutar la tarea para la cual fue diseñado. Vertical para MY
11 Diagonal Inferior para MX
La programación del movimiento del robot se descompone en Diagonal derecha para MY
dos partes: El planeamiento de caminos y la planificación de δ Según ecuación
trayectorias. (1)
El planeamiento de caminos consiste en generar una ruta libre El número de genes del cromosoma está dado por la
de colisiones en un ambiente con obstáculos y su optimización expresión:
con base en algún criterio. La planificación es off-line cuando el
ambiente es estático, es decir el espacio de trabajo permanece 1 + log 2 N = G (1)
sin variaciones para toda la trayectoria mientras que cuando el
espacio de trabajo cambia continuamente y obliga al algoritmo
a generar respuestas ante estos cambios la planificación debe Donde N es el número de celdas que representen el
realizarse on-line. . territorio a cubrir por el robot móvil y G es el número de
La planeación de trayectorias consiste en fijar el movimiento cromosomas. Cada pareja dirección-distancia, representan
de un robot móvil a lo largo de un camino planeado. Existen pasos de distancia variable (parejas βδ). Cuando el
numerosos métodos para la planeación de movimiento de un cromosoma de dirección sea codificado en “00” el
robot móvil pero pocos se han desarrollado para planeamiento cromosoma δ puede ser positivo o negativo, es decir el
de movimiento on-line en un tiempo variante o en un terreno primer gen de este cromosoma es 0 para positivo o 1 para
desconocido. Aquí se describe dos algoritmos para negativo.
planeamiento on-line, uno de ellos basado en algoritmos Si es positivo y el individuo es MX representará una
genéticos y el otro basado en campos de potencial. vertical positiva hacia arriba seguida de una diagonal
superior derecha, si es negativo representara una vertical
A. Algoritmos Genéticos hacia abajo seguida de una diagonal inferior derecha. Si es
Son una técnica de inteligencia artificial fundamentada en la positivo y el individuo es MY representara una horizontal
teoría de la evolución. Esta se basa en los mecanismos de positiva hacia la derecha seguida de una diagonal inferior
selección que utiliza la naturaleza, donde los individuos mas derecha, si es negativo representara una horizontal negativa
fuertes de una población son los que sobreviven. De la biología hacia la izquierda seguida de una diagonal inferior
se sabe que la manera mediante la cual estas adaptaciones al izquierda. La figura 3 y 4 muestra la distribución de cada
medio se transmiten de individuo a su descendencia son los
cromosoma.
genes; una estructura biológica que contiene información acerca
del medio y las habilidades desarrolladas por sus ancestros.
La implementación de un algoritmo genético simple implica
tener en cuenta características como reproducción, cruce y
mutación.
Para realizar estas etapas el algoritmo debe ser codificado en
cadenas que se llaman cromosomas, cada una conformada por
elementos característicos denominados genes.
Codificación
Si se piensa en una trayectoria se debe pensar en como definirla
en términos de sus componentes fundamentales (genes) para
esto se trabaja en la codificación binaria que permite ordenar
como cromosomas, cualidades como su dirección en el plano
cartesiano y la distancia que le toma ir de un punto a otro.
Los cromosomas escogidos representan: monotonía de la
trayectoria en x y y: cromosoma α; dirección: cromosoma β; y
distancia: cromosoma δ.
FIG. 3. Ejemplo de trayectoria codificada.
La estrategia de codificación de los genes para los
FIG. 4. Método de Cruce FIG. 5. Camino exitoso sin zonas de riesgo en los
obstáculos, generación 20
Reconocimiento
Con un sistema de visión se captura el ambiente de trabajo del
robot cuya trayectoria se va a planear y se ubica los obstáculos
presentes en el marco de referencia. Aquí se distinguen dos
clases de obstáculos en el territorio del robot móvil Obstáculos
Fijos y Obstáculos Móviles. A partir de esta información, se
ejecuta el algoritmo. La trayectoria obtenida debe ser
recalculada dependiendo de si el obstáculo móvil interrumpe su
ejecución.. Los obstáculos fijos se identificaron con el color
azul y los obstáculos móviles con el amarillo según el modelo
HLS.Teniendo en cuenta que el robot móvil es un cuerpo con
dimensiones que pueden comprender mas de una celda, se opto
por demarcar zonas de peligro o tolerancia alrededor de los
obstáculos para asegurar que el carro no se choque con los
obstáculos a pesar de tener una trayectoria que aparentemente
no colisiona.

Comunicación
La trayectoria es codificada en el host de control en paquetes de
9 bits que definen todos sus cromosomas paso por paso, y FIG. 6. Camino exitoso sin zonas de riesgo, generación
enviada utilizando un modulo de radiofrecuencia El módulo 110.
diseñado se caracteriza por su bajo costo y bajo consumo de
potencia. La transmisión se realiza en la banda de 400 a 900
MHZ lo que asegura un cubrimiento de suficiente distancia
entre el host de control y el robot móvil.

Resultados obtenidos
En las figuras 5,6 y 7 se presenta una serie de trayectorias
generadas por el Algoritmo Genético ante diferentes obstáculos.

FIG. 7. Camino exitoso con grilla de 32 celdas,


considerando zonas de riesgo (generación 205).
Una vez conocido el tamaño del área de trabajo se crea una
B. Campos de Potencial matriz para simular la pista tal como se muestra en la figura
El método de campo de potencial es conocido como un método 8 y esta se inicializa con ceros. Cada elemento de la matriz
local, ya que sólo calcula el movimiento para una corresponde a un area determinada, con lo cual si el terreno
configuración inicial-final dada. Se comienza en la inicial y se de trabajo es por ejemplo de (200*200) cm2 cada elemento
intenta mover el robot hacia el objetivo en pequeños pasos. Este de la matriz corresponde con una area de (10*10) cm2 en la
método esencialmente trata el ambiente de trabajo como un pista. El área de cada celda puede ajustarse sin importar si el
campo de fuerzas, dando un valor diferente a cada objeto sobre área de trabajo no es cuadrada.
el área de trabajo. El objetivo o punto de llegada se considera
como un imán de polaridad contraria a la del móvil, es decir
que tiene fuerza de atracción mientras que los obstáculos se
comportan como imanes de igual polaridad generando fuerzas
repulsivas
Básicamente la planificación se puede trabajar de la siguiente
manera:
• Inicializar variables
• Leer y ubicar puntos importantes del terreno sobre la matriz.
• Definir potencial para el punto de llegada
• Definir potencial para cada obstáculo
• Mover el móvil desde el punto de inicio al punto de llegada
siguiendo el potencial menor o igual y guardar ese movimiento hasta
encontrar el punto de llegada.
Para implementar este método fue necesario tener en cuenta las FIG.8. Representación del área de trabajo cuando la pista es
siguientes consideraciones: de 20x20
• Existe una discretización del terreno.
• Cada punto de la pista se considera afectado por un valor Creación del potencial alrededor del punto de llegada
numérico que indica la relación de este con el punto de Para poder generar un potencial que haga converger todos
llegada. De otra manera cada celda considerada posee un los caminos al punto de llegada, se le asigna a este punto un
potencial que indica si la trayectoria puede pasar por allí o valor numérico igual a “0” y a partir de este se generan
no. valores numéricos ascendentes hasta cubrir la totalidad de la
pista, tal como se puede observar en la tabla II. El único
• De acuerdo a la distribución numérica asignada, la trayectoria
punto que queda sin potencial es el de inicio, el cual se
se hace siguiendo un potencial descendente
representa con otro valor superior al potencial mayor en la
• El algoritmo puede ser on-line si se actualiza periódicamente
pista.
los valores detectados por una cámara o puede ser off-line si TABLA II
se posee la información de la ubicación de los obstáculos solo POTENCIAL ALREDEDOR DEL PUNTO DE LLEGADA.
al comienzo del programa, con lo cual sólo se encuentra un
camino sin poder revisar si algún obstáculo ha entrado a la 3 3 3 3 3 3 3
trayectoria planeada. 3 2 2 2 2 2 3
• El algoritmo es ajustable al área de trabajo. Con esto se trata 3 2 1 1 1 2 3
de generar algo de robustez lo cual permite usar el mismo 3 2 1 0 1 2 3
programa para diferentes tamaños de pista. En este caso el 3 2 1 1 1 2 3
área de trabajo quedaría definida por las características del 3 2 2 2 2 2 3
sistema de visión tales como altura de la cámara y lentes 3 3 3 3 3 3 3
usados.

En el caso de planeamiento on-line la velocidad de Realizando esta configuración en la pista se implementa la


actualización del algoritmo depende del tiempo que demore la fuerza de atracción con lo cual se asegura que desde
actualización de los datos de la pista, es decir el tiempo de cualquier punto siguiendo una secuencia descendente de
respuesta del algoritmo de visión. También dependerá del números se converge al punto de llegada.
lenguaje usado y la velocidad de procesamiento del computador
usado Creación del potencial alrededor de un obstáculo
Para incluir los obstáculos es necesario tener en cuenta las
Inicialización de las variables siguientes características:
Es la primera etapa del algoritmo,que consiste en obtener la • El obstáculo posee un área efectiva propia de
lectura de los datos tales como: Posiciones de inicio, llegada, sus dimensiones, a través de la cual no se
posiciones de los obstáculos y tamaño de la pista. Cuando el puede realizar una trayectoria porque habría
planeamiento se hace on-line estos datos se obtienen del colisión. Este obstáculo se representa en el
algoritmo de visión y se actualizan periódicamente dentro del algoritmo con el número “200”, aunque el
programa, para determinar si el camino se cruza o no con un valor puede ser cualquiera que que sea mayor
obstáculo.
que los valores del campo de potencial ya Parámetros iniciales:
definidos en la pista. Posición inicial: (x,y) = (5,5).
Posición Final: (x,y)= (15,15)
• Cuando el obstáculo tiene una forma irregular se Número de obstáculos = 1
considera como zona de riesgo lo cual impide que Posición del obstáculo: (x,y)= (9,9)
una trayectoria sea definida en sus cercanías. Al introducir estos datos en el algoritmo se obtiene la
Otro tipo de zona de riesgo muy frecuente se presenta cuando representación que se muestra en la figura 10, los resultados
dos obstáculos están muy cerca uno del otro. Existe la obtenidos después de ejecutado la planeamiento se pueden
posibilidad de que el algoritmo genere una trayectoria que pase observar en la figura 11 Y 12.
por entre los obstáculos, sin tener en cuenta que las dimensiones
del móvil puedan no permitir realizar esta trayectoria. Para
evitar esta situación, se genera alrededor del obstáculo un
potencial descendente tal como se muestra en la tabla III.

TABLA III
CAMPO DE POTENCIAL ALREDEDOR DE UN OBSTÁCULO

49 49 49 49 49
49 50 50 50 49
49 50 200 50 49
49 50 50 50 49
49 49 49 49 49

El número de cuadros alrededor del obstáculo con potenciales


grandes depende de cuanta zona de riesgo se quiera considerar.
Con valores numéricos alrededor del obstáculo se simula la
fuerza repulsora que los caracteriza y puesto que la trayectoria
trascurre de manera descendente, al encontrar valores grandes
de potencial se desvía a zonas más seguras. Fig.10. Representación de los datos ingresados al algoritmo

Creación del potencial en los orillos de la pista


Esta es una forma de asegurarse que el móvil jamás salga del
area de trabajo y corresponde más a un método de seguridad
que a una necesidad, ya que si el robot posee sensores de
ultrasonido, estos pueden evitar las colisiones con las paredes
del orillo de la pista.

Los bordes del area de trabajo estan representado por un


potencial grande, en este caso su valor corresponde con el
número 100 y al igual que para un obstáculo se genera una zona
de riesgo para evitar que el móvil se acerque demasiado.
En la figura 9 se muestra el potencial alrededor de la pista, el
potencial del punto de llegada y el de los obstáculos.

FIG.9. Vista general de la pista. Fig.11. Representación de los datos ingresados al algoritmo
con un obstáculo

VI. RESULTADOS DEL ALGORITMO


Estos son algunos ejemplos de las trayectorias que se pueden
obtener con el algoritmo
Posición del obstáculo3: (x,y)= (15,8)

Al introducir estos datos en el algoritmo se obtiene la


representación que se muestra en la figura 13, los
resultados obtenidos después del algoritmo se pueden
observar en las figuras 14 y 15.

FIG.12. Resultados obtenidos luego de ejecutar el


algoritmo.

Como se puede observar en las dos graficas lo único


que se ha modificado en la matriz es el camino que en
este caso se modificó colocando el número 100 a las
celdas por las que pasa el camino.
La estructura definida para los movimientos es la que
se observa en la tabla IV. FIG.13. Distribución de los obstáculos, punto de inicio
y punto de llegada.
TABLA IV
REPRESENTACIÓN DE LOS MOVIMIENTOS

Diagonal inf. Abajo Diagonal inf


Izquierda derecha
Atrás Punto Actual Adelante
Diagonal sup. Arriba Diagonal Sup
izquierda izquierda

Esta estructura esta definida de la forma como


aumentan y disminuyen los índices de las matrices tal
como puede apreciarse en la tabla V.

TABLA V
DEFINICIÓN DE PUNTOS VECINOS DENTRO DE UNA
MATRIZ
A(x-1,y-1) A(x-1,y) A(x-1,y+1)
A(x,y-1) A(x,y) A(x,y+1)
A(x+1,y-1) A(x+1,j) A(x+1,y+1) FIG.14. Resultados obtenidos para la distribución con
tres obstáculos.
Aquí el movimiento en filas corresponden a los
movimientos en x, los movimientos en columnas
corresponden con los movimientos en y.
El algoritmo funciona con cualquier número de
obstáculos y en cualquier dirección. El número de
obstáculos depende del tamaño del terreno, ya que un
número elevado de obstáculos reduciría la posibilidad
de tener espacios para generar la trayectoria. Otros
ejemplos de lo obtenido son:

Parámetros iniciales:
Posición inicial: (x,y) = (17,17).
Posición Final: (x,y)= (4,4)
Número de obstáculos = 3
Posición del obstáculo1: (x,y)= (16,4)
Posición del obstáculo2: (x,y)= (4,16)
FIG.15. Resultados obtenidos para la distribución con figura 17 . La principal razón para elegir estos modelos
tres obstáculos. radica en que la información cromática y la de brillo es
separada en componentes distintas, lo cual hace a estos
Parámetros iniciales: modelos robustos ante los cambios de iluminación que
Posición inicial: (x,y) = (3,3). se presenten en el escenario. Además, al estar
Posición Final: (x,y)= (17,17) realizando detección solamente en las componentes
Número de obstáculos = 4 que contienen la información cromática, el tiempo en la
Posición del obstáculo1: (x,y)= (9,9) segmentación disminuye, lo cual disminuye también el
Posición del obstáculo2: (x,y)= (3,17) tiempo total de procesamiento.
Posición del obstáculo3: (x,y)= (17,3)
Posición del obstáculo3: (x,y)= (9,1) Adquisición
Posición del obstáculo3: (x,y)= (9,15)
Posición del obstáculo3: (x,y)= (10,17)
Posición del obstáculo3: (x,y)= (17,10) HLS xyY
Seleccionar
En la figura 16 se puede apreciar el resultado del Modelo
algoritmo cuando se tienen 6 obstáculos.

Conversión Conversión
RGB a HLS RGB a xyY

Binarización Binarización

Filtrado
Morfológico

Descartar Areas
Pequeñas

Representación y
Descripción
FIG.16. Resultados obtenidos cuando se tienen 6
obstáculos. Reconocimiento e
Interpretación

V. ALGORITMO DE VISIÓN
Adquisición
Detección y segmentación de movimiento
La etapa de detección y segmentación de movimiento
es una de las mas importante en el proyecto aquí FIG.17. Diagrama de flujo para Algoritmo de Color
presentado. Los algoritmos implementados para el
efecto, son de amplio uso en aplicaciones de análisis VI. SALIDA DE LOS DATOS
dinámico de imágenes como es el caso del algoritmo de Los datos que se obtienen del algoritmo se
Jain utilizada en sistemas de vigilancia vial el cual se representaron como se muestra en la figura 18, estos
basa en la detección de bordes de los vehículos en datos son enviados a través del puerto serial a un
movimiento en una secuencia de imágenes o algoritmos módulo de radiofrecuencia y son procesados por un
de reconocimiento de color utilizado en robótica de tipo microcontrolador quien es quien ejecuta las acciones de
recreativa como es el caso de la Copa de fútbol control sobre las ruedas de acuerdo a la tabla VI, este
robótico. algoritmo fue implementado sobre un robot móvil
Método basado en Color diferencial con muy buenos resultados . Para el envío
Los algoritmos de detección y segmentación de de los datos se trabajo con un TWS-434A y para la
movimiento basados en el reconocimiento del color, recepción se uso un RWS-434 los cuales trabajan a una
distinguen el color de los objetos de interés presentes en frecuencia de 434 Mhz, estos módulos aparecen en la
la escena para así realizar su segmentación. figura 19.

En el presente proyecto se implementaron dos modelos


de color [pajares] el xyY y HLS para realizar la
detección. El diagrama de flujo se puede observar en la
actualización de los datos a la velocidad dada por las
estrategias, lo que implicó que la velocidad de los
móviles fuera moderada.

FIG.18. Representación de los datos de salida RECOMENDACIONES


Usar módulos de radiofrecuencia que permitan al
algoritmo de control recibir señales de los módulos de
ultrasonido para ser incorporados en la hora de la toma
TABLA VI
Bytes de salida del algoritmo de campos de potencial de desiciones.
Correr los algoritmos en computadores con mayor
Byte Descripción velocidad de procesamiento para acelerar el tiempo de
los resultados obtenidos
000XXXXX Horizontal derecha
Encontrar un código que permita al algoritmo genético
001XXXXX Diagonal inferior trabajar con áreas diferentes a cuadradas.
derecha Elegir el tamaño de las celdas en campos de potencial
010XXXXX Vertical inferior con áreas cada vez menores para permitir una mayor
011XXXXX Diagonal inferior resolución.
izquierda
100XXXXX Horizontal izquierda
101XXXXX Diagonal superior
izquierda REFERENCIAS BIBLIOGRÁFICAS
110XXXXX Vertical superior [1] Cooperative Strategy using Dynamic Role Assignment and
111XXXXX Diagonal superior Potential Fields Path Planning. Paul A. Vallejos, Javier
derecha Ruiz-del-Solar, Alan Duvost. Proceedings of the 1st IEEE
Latin American Robotics Symposium – LARS 2004,Mexico city,
Mexico. October 28 – 29, 2004.
[2] Laue, T., Röfer, T. (2005). A Behavior Architecture for
Autonomous Mobile Robots Based on Potential Fields. In:
8th International Workshop on RoboCup 2004 (Robot
World Cup Soccer Games and Conferences), Lecture Notes in
Artificial Intelligence. Springer, im Erscheinen.
[3] Anibal Ollero Baturone, Alfaomega, Marcombo, 2001. Robótica,
Manipuladores y robots móviles
[4] J. Borenstein , Y. Koren . The Vector Field Histogram-Fast
FIG. 19. Módulos de radiofrecuencia usados para Obstacle Avoidance for Mobile Robots. IEEE Journal of
campos de potencial Robotics and Automation Vol 7, No 3, June 1991, pp 278-288.
[5] Método de aprendizaje simple para navegación de minirobots
VII. CONCLUSIONES rodantes. Gustavo Ramirez. DYNA, Año 70, Nro 138, pp 59-
Estos algoritmos son un método sencillo y eficiente 66, Medellín, Marzo de 2003, ISSN 0012-7353.
para el planeamiento de trayectorias. En el caso de los [6] Kazuo Sugihara and John Smith. Genetic Algorithms for
campos de potencial únicamente es necesario seguir las Adaptive Planning of Path and Trajectory of a Mobile
Robot in 2D Terrains. .IEEE, Journal of robotics, 1999.
celdas con valores numéricos más pequeños para [7] Holland, John H. Adaptation in Natural and Artificial
encontrar el punto de llegada, mientras que en Systems, University of Michigan Press, 1975, 211 p.
algoritmos genéticos el camino depende de la función [8] Koza, John R. Genetic Programming. On the Programming of
de evaluación. Computers by Means of Natural Selection, The MIT Press,
1992, 819 p.
La codificación usada para el algoritmo genético sólo [9] Goldberg, David E. Genetic Algorithms in Search,
permite trabajar un área cuadrada de trabajo, en el caso Optimization, and Machine Learning, Addison-Wesley
de los campos de potencial es indiferente la forma del Publishing Company, 1989, 412 p.
terreno, lo que le da mas robustez. [10] Koza, John, Genetic Programming II : Automatic Discovery
of Reusable Programs, The MIT Press, 1992, 746p.
Es posible ejecutar las dos estrategias para ambientes
estáticos o para ambientes dinámicos, lo único que
cambia es la actualización de los datos que puede
hacerse luego de obtener los datos con una cámara.
El número de obstáculos depende del tamaño de la
pista, además las zonas de riesgo pueden ser
aumentadas o disminuidas dependiendo de la forma del
obstáculo.
El algoritmo de visión implementado permite realizar la
detección de movimiento de hasta 6 móviles sobre la
escena en tiempo real para la aplicación. Debido a que
el tiempo de respuesta del algoritmo de visión en
algunas ocasiones era menor que el de los algoritmos de
control implementados fue necesario realizar la

View publication stats

También podría gustarte