Navegación robótica basada en reglas difusas

Ulises Castañeda Islas, Salvador Medrano Romero,

Jose Antonio Cruz Zamora
mailto:sesilucasta@gmail.com, salmedrom@hotmail.com, tonocz@yahoo.com.mx
Departamento de Sistemas y Computación
Instituto Tecnológico de Apizaco

Resumen. Hoy en día la implementación de tecnología en artefactos tanto

cotidianos como de la industria y la investigación es inminente para el hombre,
por lo que el mismo se ha basado en técnicas de Inteligencia Artificial como lo
es la Navegación Robótica para hacer más simples las tareas diarias. El
objetivo principal de este artículo es crear un modelo de navegación robótica
implementado en un carro de supermercado con el fin de reducir el esfuerzo
humano que este conlleva.

Palabras clave: Navegación robótica, Inteligencia Artificial, Lógica difusa,

Mamdani.

1 Introducción

La robótica es una herramienta fundamental en la tecnología actual ya que bien

implementada puede satisfacer necesidades de la vida diaria, así como apoyar en
varios campos como lo son: la medicina, la industria, la investigación, el mercado,
etc.
En este artículo proponemos la navegación robótica como una opción de facilitar el
manejo de un carro de supermercado utilizando diferentes técnicas de IA como lo son
las Redes Neuronales Artificiales (RNA), Lógica difusa, el Aprendizaje Automático
(AA), Fusión sensorial, programación dinámica, algoritmos híbridos entre otras.

2 Lógica difusa

J.S.R Jang plantea que los sistemas de inferencia difusa son útiles en diferentes
aplicaciones como lo son el control automático, la robótica entre otras.
La estructura básica de un sistema de inferencia difusa consiste en tres componentes
conceptuales:
Regla base la cual contiene una selección de reglas difusas
Base de datos la cual define el miembro utilizado en la función de reglas difusas
Mecanismo de razonamiento, lleva a cabo el procedimiento de inferencia a las normas
y de hechos a una unidad de salida o conclusión razonable
En la siguiente figura mostramos la gráfica de un modelo reactivo del cual partimos
para empezar a implementar los siguientes modelos.

Modelo reactivo

45
40
35
Velocidad

30
25
Serie1
20
15
10
5
0
0 20 40 60 80 100 120
Distancia

Fig. 1. En la figura 1 se muestra un modelo reactivo simple el cual usamos como punto de
partida.

Modelo Reactivo con Subdivisiones

80

60
velocidad

40
Serie1
20

0
0 20 40 60 80 100 120
-20
distancia

Fig. 2. En la figura 2 se muestra un modelo reactivo un poco más elaborado ya que este
modelo cuenta con reglas ósea con subdivisiones.

SISTEMAS DE INFERENCIA EN LOGICA DIFUSA MODELO MAMDANI

En este sistema difuso mamdani se distinguen las siguientes partes:

FUZZIFICADOR
En este caso vamos a usar el fuzzificador que es el que va a recibir valores numéricos enviados
directamente de los sensores del robot pero para que el valor pueda ser procesado por el
sistema difuso es necesario convertirlo a un lenguaje que el mecanismo de inferencia pueda
procesar.
Esta es la tarea del fuzzificador toma los valores que le envían los sensores los procesa y los
convierte en valores difusos.

MECANISMO DE INFERENCIA DIFUSA

Este mecanismo toma los valores fusificados arrojados por el fuzzificador los toma para ser
procesados para poder generar una salida difusa.

DEFUZZIFICADOR

Centroidelenta * Subarealenta (  ( x))  Centroide media Subareamedia (  ( x))

centroide 
Subarealenta (  ( x))  Subareamedia (  ( x))

(13 * 2,6)  (26 *1,8222)

Centroide   18,356784
(2,6  1,8222)
Tomando en cuenta el mecanismo de inferencia difusa el valor que nos va a devolver el
mecanismo de inferencia es una salida difusa, lo que por lógica no va a poder ser interpretados
por los sensores externos del robot entonces se debe convertir la salida difusa del mecanismo de
inferencia a valores que pueda interpretar el sensor.
Esta función la realiza el defuzzifiocador que en resumen debe regresar un valor de salida que
pueda interpretar el sensor.

Fig. 3. Sistema difuso mamdani procesamiento general

Primer avance del Modelo Mamdani.

Para el primer paso del modelo Mamdani utilizamos las siguientes fórmulas de membresía
triangular para empezar a fuzzificar los valore lingüísticos arrojados por los sensores del robot:
  0 x <= a

 x–a a <= x <= b.

b–a
Triángulo (x; a, b, c)
 c – xb <= x <= c.
c–b

 0 c <= x.

Estas fórmulas son utilizadas para empezar el proceso de fuzzificación y aplicándolas tomando
en cuenta los valores de distancia y velocidad arrojan los siguientes resultados para el manejo
de los sensores y motores:
1,20

1,00

0,80
Muy cerca
Cerca
Grado de
0,60 Normal
pertenencia
Lejos
Muy lejos
0,40

0,20

0,00
1 9 17 25 33 41 49 57 65 73 81 89 97
Distancia

Fig. 4. Grafica de distancia

1,20

1,00

0,80
Muy lento
Lento
Grado de
0,60 Medio
pertenencia
Rapido
Muy rapido
0,40

0,20

0,00
1 5 9 13 17 21 25 29 33 37 41 45 49
Velocidad

Fig. 5. Grafica de velocidad.

Estas graficas nos muestran los rangos en los cuales va a aumentar o disminuir la velocidad
dependiendo de la distancia que detecten los sensores entrando así al siguiente paso del
algoritmo Mamdani que es definir la base de reglas con las cuales podrá navegar el robot. Estas
reglas son como la siguiente:
IF la Distancia es Muy Lejos THEN la Velocidad es Muy Rápido.

Modelo difuso

60

40
Velocidad

20 VEL(X)

0
0 20 40 60 80 100 120
-20
Distancia

Fig. 6. En la figura 6 se observa el modelo difuso que a diferencia de los modelos reactivos
este es más continuo para que la navegación sea más fluida

3 Fusión sensorial
En el proyecto presentado es fundamental la utilización de diferentes sensores como
son sensores Infra rojos, de ultrasonido, de movimiento etc.
Se pretende utilizar sensores en conjunto con una Red Neuronal Artificial para poder
crear una fusión sensorial.
Una fusión sensorial es una característica que se presenta cuando dos receptores de
imágenes captan la misma imagen a la vez combinando estos dos ángulos, una ventaja
de esta fusión es que si existe un pequeño fallo en uno de los dos receptores el otro
puede compensarlo y erradicar el problema.

Fig. 7. La figura 7 nos muestra como es la fusión sensorial en la visión de un humano.

4 Tratamiento de señales
En nuestro proyecto vamos a implementar dos tipos de señales que son:

1.- Señal infrarroja.

2.- Señal ultrasónica.
El primer tipo de señal va a ser utilizado en la detección de objetos para evitar
posibles coaliciones con el entorno; mientras que la señal ultrasónica nos permitirá
tener y mantener contacto entre el vehículo y el usuario del mismo ya que este tipo de
señal nos permite establecer una conexión en una distancia mayor, en este tipo de
tratamiento cabe aclarar que el vehículo no sigue a la persona en si sino a una parte de
su cuerpo

5 Conclusiones

En al trabajo presentado se muestran diferentes técnicas de Inteligencia Artificial

como opciones fundamentales para la navegación robótica. La “Lógica Difusa”.
Al hacer un análisis de las técnicas a utilizar se llegó a la conclusión de que la lógica
difusa es el mejor camino a seguir en la realización del proyecto ya que es más
factible y adaptable para la navegación robótica dentro del entorno en el que se está
aplicando
Llegamos a esta conclusión en base a una comparación sobre las características,
ventajas, desventajas y resultados en cuanto a diferentes procesos de cada una de las
técnicas.

References

1. García Elías Hugo Adrián, Ramírez Cruz José Federico. “Aprendizaje en redes neuronales
Wavelet aplicado en la eliminación de ruido”.
2. M.A. Zamora, L.M. Tomás-Balibrea, H. Martínez, A.G. Skarmeta. “Navegación
Planificada de un Robot Móvil en Entornos Interiores Desconocidos”
3. Swain Ricardo, Devy Michel, Jonquiéres Stéphanie. “Navegación de un Robot Móvil por
Medio de Control Visual en Ambiente Estructurado”
4. E. Scillato Adrian, L. Colón Daniel y E. Balbuena Juan. “Técnica de Navegación Híbrida
para Robots Móviles”
5. Hernández, R., Jiménez, L.M., Reinoso, O., Puerto, R., Payá L. “Estudio e implementación
de técnicas de control reactivo de robots móviles utilizando sensores de rango (sonar e
infrarrojos)”.

6. Herrara Arias Roberto, González Jorge Santiago. “Principios de Robótica: Aplicación al

Guiado de Vehículos. Introducción Sensores de Exploración”
7. Cayetano Guerra Artal. “Seguimiento visual artificial”.

8. J.S.R. JANG, C.T. SUN, E. MIZUTANI “Neuro-Fuzzy and soft Computing A

Computational Approach to Learning and Machine Intelligence