Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIENCIA E INGENIERÍA NEOGRANADINA, VOL 22-2, PP 75 - 96, BOGOTÁ DICIEMBRE DE 2012, ISSN 0124-8170
A PATH PLANNING ALGORITHM FOR MOBILE ROBOTS USING POTENTIAL FIELDS AND
SWARMS OF ACTIVE BROWNIAN PARTICLES
RESUMEN
ABSTRACT
This paper offers a proposal of an algorithm for path planning based on a model of active
Brownian particles. There are several methods for trajectory planning in mobile robotics, and the
most known is based on artificial potential fields; however this method has a disadvantage of
local minima which can make the robot fails to reach the destination. Although applications have
been made to avoid local minima using swarms of particles, this proposal seeks to use a compact
model that allows the trajectory planning eluding local minima.
INTRODUCCIÓN
El comportamiento de muchos seres vivos depende de la interacción que se presenta con sus
vecinos, lo cual es útil para buscar alimento y también, para evadir depredadores. El modelado de
estos comportamientos ha sido objeto de atención en áreas como matemática, física, biología
e ingeniería; adicionalmente, se ha buscado emplear este comportamiento para solucionar
problemas en ingeniería.
En particular, los modelos de enjambres han sido empleados con exito para generar trayectorias
de uno o varios robots, tal como se puede apreciar en Abdel Wahid M. H. M. [8].
La aplicación que se presenta en este documento, emplea modelos de partículas activas brownianas,
donde se busca tener un algoritmo con pocos parámetros que incorpore una fuerza de auto-propulsión
y un componente de movimiento browniano. Con este modelo, se espera explotar la característica
de vorticidad que presentan las partículas. El algoritmo propuesto consiste en un movimiento
traslacional de las partículas cuando estas no están un mínimo local y de un comportamiento de
vorticidad (circular), cuando las partículas se encuentren en un mínimo local. El principio del algoritmo
consiste en incrementar la fuerza de autopropulsión cuando el enjambre se encuentre en un mínimo
local, de tal forma que las partículas puedan escapar de él y finamente, llegar al punto destino.
Una primera clasificación de los métodos para planear de movimientos de robots móviles, es
dinámica o estática [11]. En el caso dinámico, no se tiene información completa del espacio
de trabajo y los obstáculos se consideran móviles. Para el caso estático, se tiene conocimiento
completo del espacio de trabajo y los obstáculos no se mueven. En [12, 13, 14, 15], se puede
apreciar algunas aplicaciones para generar trayectorias de robots móviles ante la presencia de
obstáculos estáticos y dinámicos.
De los métodos para planear trayectorias, se tiene en un primer lugar, los basados en grafos
entre los cuales se distinguen: grafos de visibilidad [16], diagramas de Voronoi [17], modelado del
espacio libre [18], y descomposición en celdas [19, 20].
Otro tipo de métodos empleados para la planeación de trayectorias emplea un enfoque estocástico
que da lugar al algoritmo de planeación aleatoria de trayectorias (Randomized Path Planner RPP)
[21], al algoritmo de mapas probabilísticos (Probabilistic Road Map Method PRM) [22, 23], y al
algoritmo de árboles de exploración rápida (Rapidly Exploring Random Tree RRT), [24].
Enfoques adicionales para planear trayectorias utilizan métodos heurísticos de optimización como
algoritmos genéticos [25, 26, 27, 28], colonias de hormigas [29], quimiotaxis bacteriana [30], y
optimización mediante enjambres de partículas [31].
de forma separada por Connolly [37], y adicionalmente por Kim y Khosla [35]; este método se
implementa mediante funciones potenciales armónicas (Harmonic Potential Functions). En el
caso de tener obstáculos en movimiento, S.S. Ge y Y.J. Cui [36], proponen un nuevo conjunto de
funciones potenciales que dependen de la posición y de la velocidad de los obstáculos.
Un problema adicional identificado tanto por S.S. Ge y Y.J. Cui [36], y por R. Volpe y P. Khosla
[34], aparece cuando el campo potencial de un obstáculo encierra el objetivo, lo cual ocurre
cuando estos dos se encuentran muy cercanos. Este problema se denomina GNRON (Goals
Nonreachable With Obstacle Nearby); los anteriores autores proponen en sus trabajos diferentes
tipos de campos potenciales para solucionar este problema.
Un método adicional para evadir mínimos locales, consiste en generar un objetivo virtual; en
este caso, cuando el robot se encuentra en un mínimo, se adiciona un objetivo virtual en lugar
del global, hasta que el robot logre salir de este punto [41]. Este enfoque se hace para que el
robot pueda rodear obstáculos. Otro trabajo bajo una orientación similar, consiste en adicionar
un obstáculo virtual [42].
Por último, Abdel Wahid M. H. M. et al [8] emplea un conjunto de agentes con comportamiento
de enjambre y en particular con movimientos circulares, con la finalidad de evadir mínimos locales.
Esta técnica se denomina Local Minimal Avoidance (LMA), o Local Minimal Escape (LME).
dri Fpro ,i = ( | vi |2 )v
= vi
2. MODELO
dt EMPLEADO
El modelo seleccionado para implementar el algoritmo de planeación de trayectorias, se encuentra
d r
basado en la forma de locomoción del zooplancton dDaphnia que
i
emplea = v
i movimientos circulares
i |= /
ri dt | v
para buscar alimento. Con este modelo, dri sedvbusca = vi
aprovechar la forma de locomoción con
i dtpro ,i Fint ,i Fesp ,i Fest ,i
ri mi=sevipresenta
=F
características de vorticidad ya que taldcomo=
dt v en Abdel Wahid M. H. M. et al [8] esta
para evadir dt
i
puede ser una buena estrategia
dr dt mínimos
dr locales. El modelo seleccionado es:
i
= vi = vi
i
dt dt dvi
= (
drdi v m i (1) = F F
pro ,i int ,i F F int
esp ,i , i F
est ,i
a ri R)
= i vi dt
dri dri Fd vi = (mdt = Fpro 2 ,i Fint , i Fesp ,i Fest ,i
= vi Fpro ,i dt Fint| v,ii | )Fvesp
i
m d=vi ivpro ,i = i Fest ,i
dt i
dt= Fpro
, i
dri dri = vi mdti ,i Fint ,i Fesp ,i Fest ,i
= vi dt dvi dt dvi
dt mi = Fpro ,i Fm inti,i F= esp F F F F (2) ,i Fest ,i 2
a N
dt
dt
,i pro
dvi
,i est ,i int ,i Fproesp
=
,i 2 ( | v
i | ) vi
F int , i = (ri rj )
N j =1
Donde dalv| vcálculo i |= de i ,i = (=
/mproposición
F Fpro , i | vla i Fesp ,i conociendo
Fiint|partícula,
,i)v Fest ,i
dmri ladvprimera
i = F ecuación F
corresponde
F
F F = ( dt| vi |2)dvrii = de
v
su
= v m i
= Fpro Fint ,i de Flaespvelocidad
,i Fest ,i de la partícula donde
velocidad . La prosegunda int ,iecuación
i corresponde al ,icálculo
,
,i = ( | vi | )vi dt
pro i 2 i
dvdti dt i ,i esp ,i esti,i
Fprodt
dvi mi es la=masa ܱ ൌ ͲǤͲͲͳ
Fpro ,i Fint,i Fesp ,i Fest ,i
de la -ésima כ
partícula. ܶܥ כ ܴܱ 2 2
mi = Fpro dt,i Fint ,i Fesp ,i Fest F ,i pro ,i = ( | v Fi pro | ),iv= i ( | vi | |)v vi |= /
dt 1 N
= r j
i
La fuerza de auto-propulsión se consideraF como: = |
a v( r |= R
) / R
,i = ( | vi | )vi 2
int ,i Fi pro
i
N j =1
| v |= / dvi
Fprodv,ii = ( | vi | )vi 2 |Fv |=i = ( / | v | 2
) v m = F
(3)pro ,i F F F
mi = Fpro ,i 2Fint ,i Fesp ,i Fest ,ipro i ,i i i i
dt
int ,i esp ,i est ,i
vi |2 )vi esi muyܴisimilar | ൌ ܫ െܱ/
F = dt
( | v | ) v vi |= | vi |= /
Fpro ,i = El(pro ,i |anterior
término al presente en la ecuación de Rayleigh ,i = a ( r
Fintdescribe R)
i comportamiento
que un
la velocidad
Fav ,i|= N
= a(ri R) en estado estable tiende
de ciclo límite. Cuando actúa sólo esta fuerza,
a ser | vi |= / [5, 4]. La fuerza de interacción
FintF,int =
, i =a(r| int i R)
de
(ri las/rpartículas
j ) U obj (r ) = kobj dis(r , robj
a/de (ri las NRpartículas está dada por:
i i
2
|Fvinti |=,i = )j =1
F = ( | v | 2
)vi
| v
|=
F pro =
, i / ( | v | ) v pro , i i
| vi |= /i
i
Fint ,i = a (ri R) Fint ,i = a (ri R)
i
a N
ܴ F = ( r r )
ܹܶܣ ൌ a N j =1 i j
N int , i
FNint,i ,i=
F = a ( r
i ( ri r j )
R ) U obs (r ) = kobs dis(r , robs
ܷ
F Fint=,i =aa1(r N a N int
N 1 (4)
int ,i = a (ri R)
F = rrj ) (rir)rj |)vj =|=
R
N
F int ,i R = iN ( /
F | v=i |=a(r/R) int ,i
N j =1
j = 1
i j i
Fint ,i = Dondea (ri R)corresponde al centro a N
j =1 a
N
dis(r , ra ) = ( x xa ) 2
Fint ,i = (ri Fint
de masa del rj,)i = (ri rj )
enjambre:
int , i i
N j =1 N j =1 a NR = 1 N
(ri Nrj
Fint ,i1= N ) r j
F = (r r ) a
N
ܴܱ כF ݐ = 1 aN R(r= r
N
rN j =1
FRint =
NN N j R =U
obj ( r ) r=
U obj (Nr ) j==1 kobj dis(r , robj )
k obj dis (r , jr=1 int
2
obj )
(5)N j =1
Q Rci= 1c* RN =r 1 rj j =1
j
j =1
A ln N* j N j =1
U obj (r ) = kobj disdis (U
, r )2 = ( x x ) 2 ( y2 y ) 2
r(,robj robj(ar) ) = kobj dis(ar , robj U ) (r ) a= k dis(r , r ) 1
k c0 c j =1
U ( r
) = k dis
obs
( r
1obs
, r ) 2
obs
U obj
obs (r ) ,=r k22-2
obs
) 1dis (r , r ) obs
U 1(r )N=k dis(r, r ) 2CIENCIA E INGENIERÍA U obs (rNEOGRANADINA,
) = kobs dis (rVOL. obj
1 N obj
R =obj r j obj obj U obj obs ((rr)) = = kkobj obsdisdis((rr,,rrobj obs))
R = dis(
21
obs
r , raj ) = ( x xa ) 2 ( y ya ) 2
dis 1 (r , ra ) = (x x
N j1=1) 2 ( y y ) 2
) =N j =1dis2(r , robj ) 2 U (r ) = k dis(U r ,obs
M
(r dis
U obj (r )U=objkobj (krobj r , ra ) =obj ( x x
( ) ) = dis (2r , robs()r )a 2
, robj ) obsdis U =
r U r ( rk ) U a
obs
(esp obs obs
2a
) obs(, m y y2a )
dis(r , ra ) = ( x xa)m =1 ( y ya ) 1
h ci c U (r ) = k dis(r, rdis)(r1 , ra ) = ( x dis
* U obs (r ) = kobs dis(r , robs )
xa )(2r ,ra( )y =ya( )x2x1 a ) 2 ( y ya ) 2 M
a
( r r )
j
a N
N Fint ,i =
(ri rj )
j =1
Fint ,i = 1 N N
i j
j =1
N j =1 R = r j N
N j =11 1 N
R = r j
NR j= =1 rj 2
obj ( rj =)1 = kDE dis(rMÓVILES,, robj ) EMPLEANDO CAMPOS
80 ALGORITMO PARA PLANEAR U N
TRAYECTORIAS objROBOTS POTENCIALES
Y ENJAMBRES DE PARTÍCULAS ACTIVAS BROWNIANAS 1 N
1 N R = r j
R = r j 2 N j =1
N j =1 U obj (r ) = kobj dis(r , robj )
2
U obj (r ) = kobj dis = k(r ,dis robj ) 2 1
U obj ( r )
U obs (r ) =objkobs dis (r ,(rrobj, r)obs ) (6)
2 1 U obj2 (r ) = kobj dis(r , robj ) 2
U obj (r ) = kobjDonde
dis(r , robj )es la posición U obs (r )de= la kobsmeta dis((rry,,rraobs
dis ) =)la posición
( x x ) del 2
(obstáculo.
y ya ) La función de distancia en
coordenadas rectangulares es: 1 a
U obs (r ) = kobs dis(r , robs ) 1
U obs (r ) = k2 obs dis(r , robs2 )
dis(r , ra ) = ( x xa ) ( y ya )
dis(r , ra ) = ( x xa ) 2 (My 2 ya ) 2 U (7) (r ) = kobs dis(r , robs ) 1
U obs (r ) = kobs dis(r , robs ) 1 dis(r , ra ) = ( x xa ) ( y ya ) 2 obs
U esp = U obj (r ) U obs ,m (r )
Considerando M obstáculos, el potencial total sempuede =1 calcular como:
2 2 dis(r , ra ) = ( x xa ) 2 ( y ya ) 2
dis(r , ra ) = ( x xa ) ( y ya ) M
Fesp U esp = U obj ( r ) U obs M, m ( r )
,i = k f iU esp ( ri )
U esp = U obj (mr=)1 U obs M,m (r )
U esp = U objm =1( r ) U obs , m ( r ) (8)
Fest ,i = i (t ) m =1
M
La fuerza M
sobre cada partícula que se produce por el potencial U esp = es:U obj (r ) U obs ,m (r )
U esp = U obj (r ) U obs ,m (r ) M m =1
m =1 1 2
K i = mi vi , U i = Uint (ri ) k f U esp (ri ).
M 2 M Fesp ,i = k f iU esp (ri ) (9)
(t )
d 1 F = k U (r )
,i = k f E i(rconstante
=i ) mique 2
FespDonde esiUuna esp vi pondera (est
U intFesp =kinfluencia
ri,)i,i la f iU ) i (riesp
(ftesp ) que i tienen los obstáculos y la meta.
dt 2 D
Al finalse tiene la fuerza estocástica F = (t ) que según Mikhailov Alexander S. et al [43] evita
Fest ,i = i (t ) 2 2 Kest ,i=1 m i 2
(=ri U
) intla
0(rinteracción
el colapso de los Ei = ( vi ) vi ik (ri2 Ri )iR, iUUespiomitir
individuos, de tal forma que se v puede i ) k f U esp (de ri ).repulsión de corto
rango. Adicionalmente, Erdmann Udo et al1[7] y Mikhailov Alexander S. et al [43], muestran que el
1 2 K i = mi vi2 , N U i = U int (ri ) k f U esp (ri ).
i =
Ktérmino mi vi , U i = UNint (ri ) una esp ( ri). 2 2
Nk U (t )
2 (t ) permite E = E i = ( Evii = ) vi m
se tienen las mismasi =1condiciones
tener f transición
iniciales
d 21 un
entre
en la
vrmovimiento
posición
i
i2
i kUf i(Uresp
y
int la i ) (rki )U 0,(r ) a rotacional,
traslacional
velocidad f esp para
i las partículas.
cuando
Esta
i =1 dt 2 i =1
fuerza d se1Ddescribe mediante d normal
una distribución 1 2 de media cero y varianza D.
E i = mi vi2 UNint (ri ) k f U esp (ri )Ei = dt 2 mivi 2NUint2 (ri ) k f U esp
2
(ri )
dt 2 (ri R) = 0 E i = ( Lvi
iU esp (ri )i =1 0
) vri (k(r i R
vi ) R)vi
iU esp ( ri ) 0
i =1
2 2 3. EANÁLISIS
= (
DEL 2MODELO 2
E i = ( N vi )vvi i = 0 k (ri R ) R i N v iN ) vi k (2ri R2) R
E i =
N
E =aproximado /(para la evolución
vi ) vi de la energía
En esta sección,
r i k f
se presenta
U
i esp i (
un análisis
r ) 0,
Ni =1 Ni =1
ri
delk f
enjambre
iU esp ( ri ) 0,
y cómo se afecta 2 el momento angular cuando la formación
( v 2 ) v 2 está cerca de un punto
i = 1 de equilibrio,
= E i =(
i =1 N
=v/2) vmedia
N
vla E enjambre
2
Ees= decir, E =
cuando (
i posición del N R ),se 0 encuentra i ien un punto donde las fuerzas
i i i
i =(1r R )i == 1 0 N
dadas i =1 por el campo potencial son cercanas a cero. En el caso mencionado anteriormente, se 2
i =1 N 2 ri ( vi )vi
i
i =1
L r (
v ) v L
aprecia que ilas i = ri mi vipresentan
L partículas ,
i i la
N capacidad
de girar
U esp alrededor
( R ), siUdel punto de
min U esp (iR =1);
equilibrio
i =1 i
N
(
(mínimo r R ) =
local),
=1 i
0 lo cual hace que el
momento (ri angular
vi = 0
i = 1
R)U=min 0 permanezca
= invariable.
U min , siU min < U esp ( R ).
/ i i L = v m v r m v /
i i i i i
v = 2 0
vi = 0 vi = / = 0 e
i
R0 i = r m v
i i 2 R 0
2
vi = / v = /
Lii = ri mi v0i , e max
HELBERT EDUARDO ESPITIACUCHANGO, IVÁNSOFRONY ESMERAL
JORGE U esp ( R ), siU min U esp ( R
U ( R ), s iU 2
U ( R );
U ==ri esp[( vi min )vi a(esp ri R) k f U esp (ri )]
LiU= ri(Rm).i vi, ,
Umin =
Li = ri mi vmin , , s < s ( ); U , s iU < U ( R
i min
U iU min Li = espvi mi vdi eri micvi iU U R min min esp
N = min esp
dt , siU min > U esp ( R).
= L=
Li L = vi m i vi ri mi vi d = 0 e
Li = vi mi vi r0i mieiv=1i = ri mi vi
i
M M
= (rki )f iU esp (ri )
Fesp ,i = k fFespiU,i esp 81
UNIVERSIDAD MILITAR NUEVA GRANADA
MM M
Fest ,i = i (t F ) est ,i = i (t )
3.1. ANÁLISIS DE ENERGÍA
FFespesp,i ,i==kkf f UiUespesp(r(ir)i ) Fesp ,i = k f iU esp (ri )
1 M 1 M
i
ܱ ൌ ͲǤͲͲͳ ܱܴ כ ܥܶ כ
2 2
= mi vK
K i Siendo i ,i ,=U i m =laiU venergía
i int, (M rU i ) i= kU
cinética fU intesp (r(i yr)i ). potencialk f U esp (rde i ). la -ésima partícula, las cuales están definidas
como: 2 Fesp ,i 2= k fFM Festest U , i =
i,i esp i i
= ( r (i t(
) ) t ) F est ,i = i (t )
FespM ,i = k f iU esp ( ri )
M
d 1 2 d M 1 F2esp ,i = k fiU esp (ri ) M
Ei = Em i iv =i =U iint
(tm ()Friesp v) i 1= k1U f U (r2(i )riU ) esp k f(Uri esp )U(r(i r()r) )kkUU (r(r).). 1
dt 2 Fest ,i dt 2 K Ki i=i,= mF
m kvesp
int
Fvfi2 i,= , iU = U( t i)=k =U U i ( r )f f esp K(10) = mi vi2 , U i = U int (ri ) k f U esp (ri ).
Fesp ,i 2=2est k ,fi
i i
espi,U i i ( ri f) i esp i
i intint i esp i i
U 2 i
Fesp,i F =est,ik= f iiU(tesp ) (esp ri ) Fesp ,i = ܴk fE ൌEi iiܫU Kെ
==esp Ki(i rܱi)U i i
1 ܱ
ൌ
-ésima F ͲǤͲͲͳ
2est ,i partícula = (כ t )
ܶܥ כ ܴܱ
+ U i y la energía
E i La energía
EKivi=de =()lav k1,(ir2= EiR =k)K total del enjambre corresponden
2 2 2 2
= ( im i v iv ,k (rU i)= dvdi KiR=i1()U )est
t1F
R ii2) 2iU (,t )fRUU esp ( ri ). kU (r ). d 1
i i
2 Fenergías EF Eiestii=,= i = ( )= ( ) ( )
f ) esp,i, ,aE
2
a la suma de las de 1 todas
m
int
m v v m v
las U (
partículas,
r r) kU k
U Udonde r (
i= r r)
i ( , aiy= kkf f son m
parámetros
v U ( r )
no k U ( ri )
est ,i = K i dt (t)2m F t
i i i i i i intint i i int
2 i v2i , U i = U int (ri )est,ik f U esp
2 f esp esp i i int i f esp
=
idt
i
1 2 2 para la energía de una partícula
f i i ( r ).
dt 2
negativos. NTomando laN derivada
= , = ( ) (
).
i
Ei = K i U i :
N N
K m v
12 i Kvi2 =) vim v 2 ,int U U 1 U r k U r
E = E i =EE ==( i=1 vK
2 2 2 2 i f esp
dE m iiv
i
1
()
= 2v
i U m2iintvi(i,rdi)2 U 21 kiif= iU2U i2 2int ((rir)i )i =kU fU int (ri ()rii ).2k f U
1esp esp (ܴri). 2 2
i =1 i
i =1 i =dt 1 K2E= E
i =1i==(m
i i
(
2 vE
,
i i i di i 1dti i 22 i inti i i i int f ii esp 2 iܹܶܣ= v U v 2)= ) v U v
m v
(
esp r
k k
)( U(
r r
k K (
RU rR ) =
))
R
R ( kr m).
U v , ( r )
U
i i i, (t = EU i ,) = (
r ) k U
v ) (vr ). k ( ri R) R
ܴE2i ൌ=d ܫ1െ ܱmi vi U int (ri ) k f U espf(rii esp ) ൌ (11)
i i i inta i k f i esp i
f
N N E = dt m2 v 2 U (r ) k U (r )
N d 1int i 22 f 2 esp i
ܷ
N
i =1 i E ii ==1 (i EEEiv=id== dt) 1EvEi 2=E=mi 2k=i v((ir(iURint)mRv(2virvi )2i))v2kUvf 2Uint esp
( r R ) = 0 ( r R ) = i 02Nd 1
2 Ni N i2
(rid()ri)k1f U esp (ri )D E = E = (
N
vi 2 ) vi 2
E i = dt E i =
2
i1=1 i ii =i1=1 int i
imi v (
dt U 2 2
(v r
i ) 2 )
i iv
k i U i
E i k=
((
rr i)
i
R ) R
m v 2
U (12) ( r )
int ii =1 f iesp k i U( r )
i
2( v2 i ) v2 i k (ri Rdt
i i i
dtii == ) R 2
f esp
E =1
vi = 0 vi = 0N E N= ( v 2 )v 2 k 2(r R2 ) R iU esp (ri ) 0
Sumando las
E = contribuciones E i =E i N Ni 2 i N2
N (
=((r(riE Npara E vܴ vi==icada ()0N)v2viipartícula vik (r)ii v R )2Rk (ri 2 R) R2 2 N
2 i =1 E i
=ܹܶܣ
i
i(=1
E
R=
ൌ
vi
R
) i)= 2 0
E
) vii (
= (
(ri v R
2E
y iv
)R i 2) vi
considerando
i = ( vi ) v
ܴܱi
que
N כ
(r R) = 0, se tiene:
i=ݐ1k (ir R ) R
i1=1 i
2 i=
= = k ) i
N 2 i 2 i ܹܶܣ ൌ
vi = / vi = / E v
N E =
N
i =N
N i =1 = N i(=
E
i i =
ܷN1
N 1 v
i = 1
) v ݀
r i k f iU esp (ri ) 0,
=i=1 = i 2 i 2 i
2 2
Li = ri mi vLii, = ri mi vi , EiN=i1
=i1 i =1 v i =)1 v E = Ei = ( (13)
i 2 2
= i =1 (i
( r R ) = 0 2
vi ) vi
( r R ) = 0 i i
= 1 = 1
N
2 r ( v 2 )v
vi
i i i
N2 2
0o
i = 1 i = 1 i = 1
vi iiN=1=
v ( =r /
/ entonces
R ) = 0 L = i /
En13 si vi = (rii vi R =) =
N
0=1(0ri R) = 0
la energía tiende a ser constante.
N i =1
i i
m vܴܱ ݐ כ
1 ii ൌ0)i =i *0 ANGULAR i =1(ri R) = 0
Li = vi miLvi = rvi immi vi vi i (vrri =R
ܹܶܣ
N i = 1 i
i =MOMENTO
3.2. ANÁLISIS 2 DEL
v = / L Q vLi ii===rir0 c immi v2civi ,i , L i = ri mi vi ,
i
A ln=20 vi vi*=݀=/0
= ri mi vi = ri mi vi vEEivki==i =v0K
i
/
K i=es
i ic
U Uic/mostrar i vi =que 0 el enjambre ha llegado a un mínimo
El objetivo de estai sección
vL ==v 2 0 que una vez
local, las L =
partículas r m Lv describen
=
i,i 2 i i v m/
m v
v r r
i ii2 i i i i i i circulares
movimientos m m v v alrededor de R L,i=el0vcual mse vi ri mi vi en
encuentra
2 v 2= /i =viri =mi v/i, i i
(r2i )]= / el momento angular de laܱ-ésima ൌ ͲǤͲͲͳ ܥܶ כ ܱܴ כ
i i i i i
= riun = riviCon
[(mínimo. [()vi a2,(i,vrLi,=),RvaL ai) ykm akf(ffvr UResp) (rik)]f U
i parámetros
, noespvnegativos,
dado por: v = / r
partícula está i
= L =rr=rmm i
i
vi iivvi,
i i i
= ri mi vU ( R ), siU U ( R );
L = v m v i ri v
im
m
Q ci c*L= N L L =i N iL iLii L= r=ii Lvm
i i i
i =
iLi = r m v ,
v m v r mi vi
i vi i ,i i i i i i i U min = i esp min esp
A ln Li = ri imi vi i,*m = , (14) U , s iU < U ( R ).
i vvi 2 2r)i v m
L r m v
* cuyo
i i
h = c [ ( c iav(i r Ri ) ki i i
( )]
min 2 min esp
k c0 c cambio = ri mi en el tiempo
vi =Lln r iv[i(i
i i=
r es:
m ivi viri i )vm i i ivai (rii R) k f f U espU esp( ri )]
r = ri [( vi )vi a(ri R) k f U esp (ri )
i =1 i = 1
=m riL*i =
m vv m v r m
i
d Li = vi
vii i riii ii ii i L i =i v m v r
v ܴ ൌ ܫ െ ܱ
N
N
L
k = v
= rci m
0 mv
c
i v i r m
v i mi v=i N0 e
i i i i
= ri [(==
i i 2 i i i i i
ri riv[i(
2
[()vL
=L ra= i(vrm
N 2
N
i i) R )R) (
ivLv)iR
) a(akri(f r kr2 k)] UU (ri()] r )]
i =1 i =1 = =riv iL
m
=iiviir=
iv
i r[i (
U
mii v2i espvi if)vf i espaesp (ri i R) k f U esp 0
L(r=
i)]L
i
= ri =mir=iiiv1=i1 [( v2 i )vi a (ri = rRi ) mkivfi U esp (ri )]
i ie=1 max
= N ri [( N vi 2 )vi a(ri 2 R ) k f U (ri )] N
h ci c* ri rj rj rirLi=rj0 rLji r=i = NN0 [(
[ ( = r ) v
( ) v ) ak(riUResp )(rki )] f2U esp ( ri )]
c, 2 U ( R);
d ln
= ri
= =
r
i
L[(
r
r L N =
[ [
( (
i
=iN Livii=1 ) ii a(iri R)i ki f U esp
v
2Li
v v
v2 i2
)
)
v
v
a
a
r
i
a
i
(
r(
r=
R
i
rR R )
)
[
(f
k k
esp
U
f ( ri )]
U espi i i =i i
v ( (
r)r)]
v d
)]=
a (r r [ (
R )
k
siU
v U min) v ( r )]
a (
espr R ) ܴ
k
U esp (
i =i1=1N
e
= 1 i
*
i
k c0 c
i
i i i f esp i
dt i =1 ,
d
f i
s iU
espi i
> ܹܶܣ
U
i
( R
ൌ
).
f
N
N
2 = N =12 N
N
r (rk) U (r ) N
min esp
ܷ
L = ri (L =N rvi i()vL i N L
i
v
= i =r1i [(rr L =
v rL
i 2i)L
rrjLii==jNv11i=rrj )jCIENCIA
i k
i
f
vri ri==
N = U
L
esp i i f
ai0(=101ri R) k2f LU=esp (rL
esp
i
)]
)vi a
= 1
r(jr)]rj ri = 0
i i
L =i i i r Uri esp
i
i i =
i [( E 2 vi NEOGRANADINA, (rii i RVOL. ) 22-2 k f U
i =1
INGENIERÍA
i U esp (R)
=N1 ri i =[1( vi )vi a ( ri
i =1
i=
N iR=1 ) k U
f esp ( r i )]
min
r
2
= N N ri=i 1[( N vi2 )2 v2i a(NrNi 2 R ) k f Uesp (ri )] N 2 N
ri rj rj L= NLi=
i==
= 1 r0
i r
r r [ (
i ii r j =
(
(
r
r
i
v v [ vr
(
) v
i =i 0)
)
v v i
a v( r
i rr
=1 )
) vR
N
ik )
k
a (
k
U
rU U( R (
r )
r)
)( k
r )] L t U
= (r r )](
esp(ri )]vi )vi i =a1 (ri R) k f U esp (ri =)]1 ܴܱ ݐ כ
i 2
f esp i v )vi ri k f U esp (ri )
= rrii=1
2 i f esp esp i
1 j )vi a ( r i rki f[(U
i i i i i f f esp i i i i
i =i[1=(1 i =v i =i1=R
i r j r j rii = 0i
ri (n) = ri (n 1) vi t ܹܶܣ ൌ ݀
i = 1
N ir=i1 rj rj 2 rNi = 0N N
Li = ri mivi ,
LLi i == rri im i vi vi i,,
m
i i i i ,
L = r m v
Li = vi mi vi ri mivi
L = v
Li i = vi i m m i i vi i ri im
v r i vi vi i
m
L = v
i i PARAi PLANEAR m v r m v
82 ALGORITMO i i TRAYECTORIAS
i i DE ROBOTS MÓVILES, EMPLEANDO CAMPOS POTENCIALES
= ri mivi Y ENJAMBRES DE PARTÍCULAS ACTIVAS BROWNIANAS
== rri m m v
i vi
= ri imi vi i i
2
= ri [( vi )vi 22a(ri R) kf U esp(ri )]
Adicionando la variación = r
= ri i [(del[ (
momento v ) v
v2i i )vi i angulara ( r
a(ri i Rde R ) k
) todas U
kf f Uesp las((partículas
rri )])] del enjambre alrededor de
su centro de masa, = ri [se (tiene: vi )vi a(ri R) k f U esp (ri )]i esp
N N
L= L N
i =L1 ==Ni LLi
L = i
L
L=i =1i1 i
i =1
N
NN 2
= ri [( vi )vi 22a(ri R) kf U esp(ri )]
i =1 =
=N rri [[(( vv2i ))vvi aa((rri RR))kkf U Uesp((rri )])]
= i r=ii=11 i[( vi i)vi i a(ri i R) k f fU esp (espri )]i
i =1
Dado que ri r j rj ri= 0,
rri rrj rrj rri ==00
ri irj j rj jri =i 0 (t )
N N 2 N (t ) N
L= r N( vi )vi 22 ri Nk fU esp(ri )
iL=L1 ==iN rri (( vv2i ))iv=v(t )N rri kkf U
i1 Uesp((rri ))
L = i ii
(15) D
r=ii=11 i( vi i)vi D r=ii=11 ik f fU esp (espri ) i
i =1 D se i =1
(t )
Asumiendo que el enjambre de partículas encuentra cercano a un mínimo local, iU esp (ri ) 0,
entonces: iU esp (ri ) 0
iU esp (ri ) 0
D N
N
Nri k
f iU esp
(ri ) 0,
i =1
ri k f iU esp (ri ) 0,
iU esp (ri ) 0 i =r1 k U
i f i esp i ) 0,
( r
y reemplazando en (15), i =1 (t ) N 2
N
N
2 L ri ( vi )vi
ri k f iU esp (ri ) 0, L Nri ( vi2 )vi i =1
i =1 L Di =r1i ( vi )vi (16)
i =1 /
De loNanterior
se aprecia
2 que si el enjambre
/iU
de esp (partículas
ri ) 0 se encuentra cerca a un mínimo local
L el
donde ( vdel
ri gradiente i ) vi
campo potencial es /aproximadamente
cero, entonces la formación presenta
i =1
un movimiento circular alrededor del mínimo N local con velocidad de cada partícula R 0
tendiendo a
R r0 k U (r ) 0,
/ . R i =01
i f i esp i
U esp ( R ), siU min U esp
U esp (R ), siU min U esp (R ); U min =
U min =NU U min , siU min < U esp
rUesp
( R, ), siU 2min U esp ( R );
R0 U
4. ANÁLISIS min
L
= i
(
CUALITATIVO
i min
1 min ,
vs
i
iU ) v
mini
<
siU min < U esp ( R ).
U esp (
R ).
=U = 0 e
Sobre el U esp ( R ),
comportamiento siU min del Uenjambre esp ( R ); = seobserva e en primer lugar que el acoplamiento del
min =
0
U /
sistema (enjambre),
U min , siU min < U esp ( R ). = 0 e
permite cambiar de un movimiento de traslación a rotación.
0
En
general,
el
enjambre exhibe un comportamiento dinámico de la siguiente manera:
0 e max
e max
•
=Apartir de unas condiciones iniciales 0 ( Re 0 ),elmaxenjambre va a invertir su energía en velocidades
0 e , s ( );
d iU U R
lineales, de manera que todos las partículas d e sec , mueven siU minhacia (R); objetivo eO=.
Ulaespposición c min esp
•
0 Unavez maxque llegan al objetivo, las dpartículas dt = ,inician
U esp s(iU Run), ciclosiU min (
Ulimite
); esp ( R ); de dt
U
Ralrededor O . d , siU min > U esp ( R ).
e Ue min = =c d , siUminmin > Uespesp (R).
U ,iU s>iU < U ( R ).
Los pasos descritos anteriormente dt
son ideales, d , mins
por lo cualmin elUverdaderoesp ( R ). esp enjambre exhibe un
min
U U (R )
d e c , siU min U esp ( R); U min U esp (R ) min esp
= = 0 (R
e)
dt d , siU minHELBERT > U espEDUARDO ( R). ESPITIA U min U
CUCHANGO, esp JORGE IVÁN SOFRONY ESMERAL t
t
t 0 e max
U min U esp (R) ri (n) = ri (n 1) vi t
r (n) = ri (n 1) vi t
i
ri (nd)=e ri (nc 1) , vsi iUt min U esp ( R);
t = vi (n) = vi (n 1) ( Fpro ,i Fint ,i
iU esp (ri ) 0
N
r k
i =1
i f iU esp (ri ) 0,
83
UNIVERSIDAD MILITAR NUEVA GRANADA
N 2
L ri ( vi )vi
i =1
comportamiento
O más complejo que refleja los valores de los diferentes parámetros. En la Figura 1,
se observa como la magnitud de las velocidades convergen al valor común de / . Los paneles
de la Figura 2 muestran las diferentes etapas descritas anteriormente.
R0
O
U esp ( R ), siU min U esp ( R );
U min =
U min , siU min < U esp ( R ).
(t )
= 0 e
D
0 e max
iU esp (ri ) 0
d e c , siU min U esp ( R );
=
N
dt d , siU min > U esp ( R).
i =1
ri k f iU esp (ri ) 0,
U min U esp (R)
N 2
L ri ( vi )vi
i
=1t
Figura 1. Evolución de la velocidad de cada partícula del enjambre. Se puede observar cómo las magnitudes
de las velocidades convergen a un valor constante en este caso de (n) = ri (n 1) vi t
/ri=2.
R 0vi (n) = vi (n 1) ( Fpro ,i Fint ,i Fesp ,
U esp ( R ), siU min U ,esp ( Rsi
);
U min =e (n) = e (n 1) t c U min
U min , siU min <Uesp ( R ).
d , siU min
= 0 e
0 e max
d e en
Figura 2. Comportamiento típico del modelo de enjambre. La posición objetivo se establece , siU U esp ( R);
= cel origen. (a)min
Condición inicial. (b) Tiempo: 13 seg. El enjambre se pone en movimiento hacia el origen. d ,15 seg.
dt (c) Tiempo siU El
min > U esp ( R ).
enjambre está cerca del origen. (d) Tiempo: 60 seg. El enjambre describe un círculo alrededor de su centro de masa.
U min U esp (R)
5. ALGORITMO PROPUESTO PARA EVADIR MÍNIMOS LOCALES
t
CIENCIA E INGENIERÍA NEOGRANADINA, VOL. 22-2
ri (n) = ri (n 1) vi t
vi (n) = vi (n 1) ( Fpro ,i Fint ,i Fesp ,i Fe
(tN )
D r k i f iUesp (ri ) 0,
(t )(t )
D i =1
iU esp (ri ) 0 (t )
iU espN(ri) 0D 2 POTENCIALES
84
N
ALGORITMO PARA PLANEAR TRAYECTORIAS DE ROBOTS
=vi(nde
La contribución 0 )=vei (en 1) ( Fdiscreto
n tiempo pro ,i Fint ,i Fesp ,i Fest ,i ) t/m
es:
i , si ( );
, si U U ( R ); U U R
e (n) = e (n 1) t c e (n)min= e (nesp 1) t
c min esp
0 e max d , siU min > U esp ( R ). d , siU min > U esp ( R).
, siU min U esp ( R);
e (n) = e (n 1) t c (23)
d , siU min > U esp ( R).
d e c , siU min U esp ( R);
=
Por último, dt
el algoritmo d , propuesto
siU min >para U esp (planear
R). trayectorias, se puede apreciar a continuación:
U min U esp (R)
t
ri (n) = ri (n 1) vi t
vi (n) = vi (n 1) ( Fpro ,i Fint ,i Fesp ,i Fest ,i )t/mi
c , siU min U esp ( R);
e (n) = e (n 1) t
d , siU min > U esp ( R).
La Figura 3 muestra el campo potencial con un obstáculo tipo barrera, que presenta un mínimo
local.
La Figura 5 muestra la energía que se adicionó para lograr que el enjambre escape del mínimo
local. Es de apreciar que se llega al valor máximo de la energía de propulsión adicionada, y se
mantiene en este valor hasta que el enjambre logra escapar del mínimo local.
Cuando se tienen obstáculos muy próximos, se generan pasajes estrechos debido a las magnitudes
de los campos potenciales asociados a los obstáculos. En este caso, cuando la magnitud de los
campos potenciales es alta, se genera una barrera en el pasaje estrecho que dificulta la planeación
de la trayectoria. Uno de los problemas que se presenta en esta configuración, es la oscilación de
la trayectoria [11].
En la Figura 6.a, se presenta el campo potencial generado con la presencia de un pasaje estrecho.
El contorno de este campo potencial se puede apreciar en la Figura 6.b, donde se observa que en
el inicio del pasaje estrecho se genera un mínimo local.
a) Campo potencial b) Contorno
Figura 6. a) Campo potencial con la presencia de un pasaje estrecho, b) Contorno del campo potencial con la
presencia de un pasaje estrecho.
Figura 7. a) Trayectorias de las partículas, b) Trayectoria promedio del enjambre, para D = 1 , N = 20 y = 0.5
En la Figura 8, se aprecia que la energía adicionada llega a su valor máximo y se mantiene en él,
hasta que el enjambre logra salir del mínimo local. Lo anterior hace que la trayectoria generada
presente movimientos circulares antes de escapar del mínimo local.
7. ANÁLISIS DE RESULTADOS
Con el fin de observar el comportamiento del algoritmo para diferentes parámetros, se consideraron
los casos mostrados en la Tabla 1, donde se varia D , N y . El índice de comparación considerado
consiste en el número de iteraciones requeridas para que el algoritmo determine la trayectoria
desde el punto inicial hasta el final.
Para determinar si existe diferencia significativa en los resultados, se realiza un análisis estadístico,
utilizando la metodología descrita en la Figura 9 [44, 45]. Esta metodología permite elegir entre
pruebas paramétricas y no paramétricas en función, si se cumplen los supuestos de normalidad y
homocedasticidad (igualdad de varianza).
Para el campo potencial con un obstáculo tipo barrera, los resultados para 50 ejecuciones del
algoritmo con las diferentes configuraciones de parámetros, se pueden apreciar en la Tabla 2.
3.9839 1019
Caso Caso 1 Caso 2 Caso 3 Caso 4 Caso 5 Caso 6 Caso 7 Caso 8
Al realizar la prueba de normalidad para los datos recolectados, se obtiene p un p -value de
20 Media 481.18 461.12 536.50 442.10 536.36 803.66 542.00 997.38
1.4996 10 ; por lo tanto, para determinar si existe variabilidad significativa entre los diferentes
VAR 17769.3 11811.7
un p27216.4
-value de1036.3
casos, se realiza la prueba de Kruskal-Wallis y se obtiene 0 que 53165.7 138183.3
indica 0que existen 48291.1 498435.3
STD
diferencias entre los casos considerados. Para133.30 108.68
determinar 164.97que32.19
los grupos 230.58
presentan 371.73
diferencias, se 219.75 706.00
Caso Caso 1 Caso 2 Caso 3 Caso 4 Caso 5 Caso 6 Caso 7 Caso 8
hace la prueba no paramétrica deMR Bonferroni y163.80
se obtienen los0resultados
130.09 mostrados
207.90 129.24 en la Figura
175.55 10.
298.51 181.67 317.24
Media 279.98 942.70 295.38 911.16 264.68 1145.26 268.40 890.84
VAR 1733.2 299316.8 2463.7 341174.7 1484.5 299908.1 734.4 104195.2
STD 41.63 547.10 49.64 584.10 38.53 547.64 27.10 322.79
MR 112.57 290.69 128.48 283.26 80.40 319.83 91.54 297.23
Figura 10. Resultados de la comparación para los casos con variación de parámetros.
Los resultados anteriores muestran que la diferencia más significativa se presenta en los casos 6 y
8, en relación con los otros casos. Para este campo potencial, no se puede establecer una relación
directa entre el comportamiento del algoritmo y los parámetros considerados.
Para este campo potencial los resultados de 50 ejecuciones del algoritmo con las diferentes
configuraciones de parámetros se pueden apreciar en la tabla 3.
MR 112.57 STD
290.69 41.63
128.48 547.10
283.26 4
MR 112.57 290.69 1
Con estos resultados, se observa que los casos 1, 3, 5 y 7 presentan diferencias significativas con
los casos 2, 4, 6 y 8. Lo anterior muestra que para este grupo de experimentos, el parámetro que
presenta mayor influencia en el desempeño del algoritmo es .
8. CONCLUSIONES
La selección del modelo se realizó, buscando tener una expresión compacta con pocos términos
y que permitiera describir comportamientos de enjambre y desplazamientos uniformes y
movimientos circulares, los cuales se aprecian en diferentes grupos de seres vivos.
Para observar las características del modelo, se hizo un análisis sin considerar el componente
estocástico; con este análisis, se muestra el comportamiento del movimiento circular de las
partículas bajo ciertas características de los parámetros del modelo.
Con los resultados cualitativos y cuantitativos, se apreció que para los campos potenciales
considerados, el algoritmo propuesto logra evadir mínimos locales y permite establecer una
trayectoria entre el punto origen y destino.
Aunque en los casos considerados se logra determinar una trayectoria desde el punto inicial al
punto objetivo en algunas situaciones se observa la presencia de trayectorias con irregularidades y
movimientos circulares, lo cual puede producir trayectorias no óptimas. Considerando lo anterior,
en un trabajo futuro se puede desarrollar un algoritmo para suavizar las trayectorias irregulares y
eliminar las trayectorias circulares.
Con el análisis estadístico de los datos, se validan las observaciones efectuadas para los diferentes
experimentos. Los parámetros que se modificaron para observar el comportamiento del algoritmo
fueron seleccionados, considerando los análisis reportados del modelo y las simulaciones previas
del mismo.
En los resultados se apreció que el parámetro asociado a la fuerza disipativa, presenta un efecto
considerable en el algoritmo en comparación con el número de partículas y la magnitud del ruido.
Esta característica puede utilizarse para mejorar el desempeño del algoritmo.
En un trabajo futuro, se puede proponer una estrategia de control para el factor de propulsión
con la cual se pueda evadir mínimos locales en forma más eficiente. Una alternativa adicional para
mejorar el algoritmo, consiste en modificar de forma dinámica el factor asociado con el campo
potencial, de tal forma que el enjambre pueda escapar rápidamente de mínimos locales.
REFERENCIAS BIBLIOGRAFÍCAS
[1] Udo Erdmann, Werner Ebeling, Schimansky-Geier Lutz, Ordemann Anke, and Moss Frank,
(2008). Active brownian particle and random walk theories of the motions of zooplankton:
application to experiments with swarms of daphnia. In: Journal of Theoretical Biology 9.
[2] Hsin Ya-Chieh, (2006). Emergence of vortex swarming in daphnia. Term Paper for Emergent
State of Matter, Spring.
[3] Werner Ebeling, (2002). Nonequilibrium statistical mechanics of swarms of driven particles.
Elsevier: Physica A.
[4] Levine Herbert, Rappel Wouter-Jan, and Cohen Inon, (2000). Self-organization in systems of
self-propelled particles. In: Physical Review E 63.
[5] D’Orsogna M.R., Chuang Y.L., Bertozzi A.L., and Chayes L.S., (2006). Self-propelled particles
with soft-core interactions: patterns, stability, and collapse. In: Physical Review Letters, PRL 96.
[6] Werner Ebeling, and Udo Erdmann, (2002). Nonequilibrium Statistical Mechanics of Swarms
of Driven Particles. In: Physica A: Statistical Mechanics and its Applications, Vol. 314, Issues
1-4, pp. 92-96.
[7] Udo Erdmann, Werner Ebeling, and Alexander S. Mikhailov, (2005). Noise-Induced Transition
from Translational to Rotational Motion of Swarms. In: Physical Review E.
[8] Abdel Wahid M.H.M., and McInnes Colin R., (2008). Wall following to escape local minima for
swarms of agents using internal states and emergent behavior. International Conference of
Computational Intelligence and Intelligent Systems ICCIIS.
[9] Gómez-Bravo F., Cuesta F., y Ollero Baturone Aníbal, (2003). Planificación de trayectorias en
robots móviles basada en técnicas de control de sistemas no holónomos. XXIV Jornadas de
Automática.
[10] Ollero Baturone Aníbal, (2001). Robótica Manipuladores y robots móviles. Marcombo.
[11] De Los Santos De La Rosa Erik Adolfo, (2004). Heurística para la generación de configuraciones
en pasajes estrechos aplicada al problema de los clavos. Tesis de Maestría en Ciencias con
Especialidad en Ingeniería en Sistemas Computacionales, Universidad de las Américas Puebla.
[12] Khaled Belghith, Kabanza Froduald, Hartman Leo, and Nkambou Roger, (2006). Anytime
Dynamic Path-Planning with Flexible Probabilistic Roadmaps Khaled Belghith. Proceedings
IEEE International Conference on Robotics and Automation.
[13] Bennewitz Maren, Burgard Wolfram, and Thrun Sebastian, (2002). Finding and Optimizing
Solvable Priority Schemes for Decoupled Path Planning Techniques for Teams of Mobile
Robots. In: Robotics and Autonomous Systems.
[14] Poty A., Melchior P., and Oustaloup A., (2004). Dynamic Path Planning For Mobile Robots
Using Fractional Potential Field. First International Symposium on Control, Communications
and Signal Processing.
[15] Tu Jianping, and Yangt Simon, (2003). Genetic Algorithm Based Path Planning for a Mobile
Robot. Proceedings of the IEEE International Conference on Robotics & Automation.
[16] Nilsson J. Nils, (1969). A Mobile Automaton: An Application of Artificial Intelligence Techiques.
Proc. of the 1st. International Joint Conference on Artificial Intelligence.
[17] Segovia Armando, and Rombaut Michkle, (1993). Path Finding from a Spot Image for a
Mobile Robot. Intelligent Vehicles 93 Symposium.
[18] Brooks Rodney A., (1983). Solving the Find-Path Problem by Good Representation of Free
Space. IEEE Transactions on Sysyems Man and Cybernetics.
[19] Lozano Peréz Tomás, (1983). Spatial planning: a configuration space approach. IEEE
Transactions on computers.
[20] Sleumer Nora H., and Tschichold Gürman Nadine, (1999). Exact Cell Decomposition of
Arrangements used for Path Planning in Robotics. Swiss Federal Institute of Technology.
[21] Barraquand Jérome, Langlois Bruno, and Latombe Jean-Claude, (1992). Numerical Potential
Field Techniques for Robot Path Planning. IEEE Transactions on Systems, Man and Cybernetics.
[22] Kavraki Lydia E., and Latombe Jean-Claude, (1998). Probablistic Roadmaps for Robot. In
Practical Motion Planning in Robotics: Current Approaches and Future Directions, John Wiley.
[23] Overmars Mark H., and Svestka Petr, (1994). A probabilistic learning approach to motion
planning. Proceding in Workshop on Algorithmic Foundations of Robotics.
[24] Lindemann Stephen R., and La Valle Steven M., (2004). Steps Toward Derandomizing RRTs.
In: IEEE Fourth International Workshop on Robot Motion and Control.
[25] Fujimori Atsushi, Nikiforuk Peter, and Gupta Madan, (1997). Adaptive Navigation of Mobile
Robots with Obstacle Avoidance. IEEE Transactions on Robotics and Automation.
[26] Gemeinder M., and Gerke M., (2003). GA-based Path Planning for Mobile Robot Systems
Employing an Active Search Algorithm. Applied Soft Computing.
[27] Liu Guan-Yu, and Wu Chia-Ju, (2001). A Discrete Method for Time-Optimal Motion Planning
of a Class of Mobile Robots. In: Journal of Intelligent and Robotic Systems.
[28] Xiao Jing, Michalewicz Zbigniew, Zhang Lixin, and Trojanowski Krzysztof, (1997). Adaptive
Evolutionary Planner/Navigator for Robots. IEEE Transactions on Evolutionary Computation.
[29] Porta García Miguel Ángel, (2007). Planeación de trayectorias para robótica móvil mediante
optimización por colonia de hormigas. Tesis de Maestría en Ciencias en Sistemas Digitales,
Instituto Politécnico Nacional, Tijuana, México.
[30] Coelho Leandro dos Santos, and Sierakowski Cezar Augusto, (2006). Bacteria Colony
Approaches With Variable Velocity Applied to Path Optimization of Mobile Robots. ABCM
Symposium Series in Mechatronics, Vol. 2.
[31] Sierakowski Cezar A., and Coelho Leandro dos Santos, (2005). Study of two swarm intelligence
techniques for path planning of mobile robots. 16th IFAC World Congress, July.
[32] Khatib O., (1986). Real-time obstacle avoidance for manipulators and mobile robots. In:
International Journal of Robotic Research, Vol. 5 (1), 90p.
[33] Krogh B., (1984). A generalized potential field approach to obstacle avoidance control. ASME
Conference of Robotic Research: The Next Five Years and Beyond. Bethlehem, Pennsylvania.
[34] Khosla P., and Volpe R., (1988). Superquadric artificial potentials for obstacle avoidance and
approach. IEEE Internaitional Conference on Robotics and Automation., Philadelphia, April
26-28.
[35] Kim J.O., and Khosla P.K., (1991). Real-time obstacle avoidance using harmonic potential
functions. IEEE Conference on Robotics and Automation, Sacramento, pp.790-796.
[36] Ge S.S., and Cui Y.J., (2000). New potential functions for mobile robot path planning. IEEE
Transactions on Robotics and Automation, Vol. 16 (5), 615p.
[37] Connolly C.I., and Burns J.B., (1994). Path Planning using Laplace’s equation. IEEE Conference
on Robotics and Automation.
[38] Rimon E., and Koditchek D.E., (1992). Exact robot navigation using artificial potential
functions. IEEE Transactions on Robotics and Automation, Vol. 8 (5).
[39] Lee Leng-Feng, (2004). Decentralized motion planning within an artificial potential framework
(APF) for cooperative payload transport by multi-robot collectives. Master Of Science Thesis,
University of New York at Buffalo, December.
[40] Prahlad Vadakkepat, Kay Chen Tan, and Wang Ming-Liang, (2000). Evolutionary Artificial
Potential Fields and Their Application in Real Time Robot Path. Proceedings of the Congress
on Evolutionary Computation.
[41] Xi-Yong Zou, and Jing Zhu, (2003). Virtual local target method for avoiding local minimum in
potential field based robot navigation. In: Journal of Zhejiang University - Science A.
[42] Chengqing Liu, Ang Marcelo, Krishnan Hariharan, and Yong Lim Ser, (2000). Virtual Obstacle
Concept for Local-minimum-recovery in Potential-field Based Navigation. Proceedings of the
IEEE International Conference on Robotics & Automation.
[43] Mikhailov Alexander S., and Zanette Damián H., (1999). Noise-induced breakdown of
coherent collective motion in swarms. In: Physical Review E 60:44, pp.4571-4575.
[44] Arriaza Gómez A.J., Fernández Palacín F.M., López Sánchez A., Muñoz Márquez M., Pérez
Plaza S., y Sánchez Navas A., (2008). Estadística básica con R y R-Commander. Servicio de
Publicaciones de la Universidad de Cádiz.
[45] Cagnina Leticia Cecilia, (2010). Optimización mono y multiobjetivo a través de una heurística
de inteligencia colectiva. Tesis de Doctorado en Ciencias de la Computación, Universidad
Nacional de San Luis, Argentina.