Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Proyecto Final
Gerrit Färber
15.07.2002
1. Introducción
La planificación de movimientos se distingue entre dos tipos básicos. La planificación basada
en el modelo y la planificación basada en sensores. La diferencia entre las dos es que en la
primera el entorno tiene que ser completamente conocido y en la segunda el contorno no es
conocido o puede ser variable.
Esta publicación se dirige al problema general de planificación de movimientos “Path Planing”
y exploración del espacio no conocido.
2. Básicos
En el método con el entorno no conocido se utilizan normalmente sensores de sonar o de
visión. Los sensores de visión necesitan extensos cálculos, sin embargo es bastante difícil
obtener información de distancias a los obstáculos. Los sensores de sonar proveen la distancia
a los obstáculos, pero no tienen una buena resolución a los ángulos y también son susceptibles
a errores por distintas reflexiones a diferentes superficies.
En esta publicación se utiliza un robot de dos y luego de cuatro grados de libertad (dos-cuatro
bazos). Los obstáculos se identifican con sensores de piel, monteados en gran número. La
desventaja de este método es que el robot tiene que moverse lentamente para poder parar el
movimiento sin tocar el obstáculo con su mismo brazo. Si es seguro que el entorno no contiene
obstáculos que se mueven durante el procedimiento, los movimientos del robot pueden ser más
rápido en el espacio ya explorado.
El robot de métodos en espacio no conocidos tiene dos objetivos por conseguir. Primero
alcanzar el destino y segundo explorar el espacio libre. Además debe evitarse que el robot se
mueva mucho en el espacio conocido sin acercarse al destino. Si no se acerca al destino
solamente es ventajoso que se explore del espacio.
La idea fundamental de movimientos con sensores de piel es la siguiente:
El movimiento del robot se convierte en un “Sensor del espacio libre”.
Este espacio conocido entonces va a estar memorizado y será utilizado
para los próximos movimientos .
El grafo muestra la simulación de un robot de dos grados de libertad. En los imágenes del
espacio físico (a, c, f, i) se muestra el espacio desconocido en gris, espacio conocido en blanco.
En los imágenes del C-Space (b, d, e, g, h, j) se muestra todos los posibles caminos en líneas
rectas de color roja, el espacio desconocido en verde, el espacio conocido en blanco. Los
obstáculos aparecen en color azul y el camino calculado en línea recta de color negro.
Primero todo el espacio es desconocido (a, b). En el C-Space la configuración inicial está
conectada mediante dos líneas rectas con la configuración final. Luego en imagen-c el robot
tiene contacto con un obstáculo. Este obstáculo aparece en el C-Space, también cortando todos
los caminos no posibles por este punto de contacto. De allí el algoritmo busca otro camino en
el C-Space para evitar este obstáculo. El nuevo camino “directo” tiene un rodeo significante.
Otro punto de contacto de este mismo obstáculo esta añadido en el C-Space (g) y finalmente el
robot encuentra la configuración final. Por los sensores de piel el robot tiene que moverse muy
cerca de los obstáculos y los rodeos para evitar nuevo contacto son más grandes que en
soluciones con visión por ejemplo.
Otros métodos:
Aparte del algoritmo Lazy-PRM otros algoritmos existen ya publicados.
- Cheung y Lumelsky explican el Algoritmo- BUG que busca el camino mas corto. En caso de
contacto, el robot sigue moviéndose por la superficie del obstáculo. La desventaja de este
algoritmo es que no utiliza la información del espacio conocido, el algoritmo es limitado a dos
grados de libertad (DOF) y no extensible a más dimensiones. Además se pueden encontrar
configuraciones singulares muy difíciles de terminar con este algoritmo.
- Choset utiliza un “Planar-rod-robot” con medición de la distancia. De este algoritmo no hay
información de uso con muchas dimensiones.
- Hay varios métodos de Eye-Type-Sensores de los cuales salen resultados razonables, pero no
se puede utilizar este tipo para sensores de piel porque para utilizar sensores de piel es
necesario integrar más la planificación y el sensado.
Referencias
[1] R.Bohin and L. E. Kavraki, “Path Planning Using Lazy PRM”, Proc. IEEE Int. Conf. on
Robotics and Automatin, 2000, pp. 521-528
[2] L.E. Kavraki, P.Svestka, J.C.Latombe, and M. Overmars. “Probabilistic roadmaps
for fast path planning in high dimensional configuratin spaces”.
IEEE Tr. On Rob Aut., 12:66-580, 1996
1. Introducción
La búsqueda del vecino próximo es un problema fundamental utilizado en varias áreas. Por
ejemplo reconocimiento de patrones y estadística. En esta publicación se utiliza el método del
vecino próximo para Planificación de Movimientos.
El método utilizado es el Kd-tree basado en el Algoritmo ANN (Aproximate Nearest
Neighbor). Este Algoritmo está aplicado al PRM (Probabilistic RoadMaps) and RRT
(Rapidly-exploring Random Trees).
El Algoritmo ANN no sólo permite una aproximación del vecino próximo, sino también un
cálculo exacto. Muchas veces una aproximación en planificación de movimientos es suficiente,
que significa que el robot no se mueve a través del camino óptimo, pero un camino que resulta
en el mismo resultado, pero con mucho menos tiempo gastado en el cálculo del camino que es
muy importante en cálculos en línea.
Un Algoritmo como ANN se justifica en la planificación de movimientos si el espacio es
complicado y resulta en cálculos intensivos.
2. Básicos
2.1 Definición de distancias
Hay varias posibilidades de definir una distancia entre dos puntos, depende del objetivo. El
conjunto de distancias definido por Minkowski es el siguiente:
1/ k
k
υ k = ∑ υi
0 ≤ i <d
donde d es la dimensión. Con k se puede variar el método para determinar la distancia.
Con k=1 se calcula la “Distancia Manhattan” y con k=2 se calcula la “Distancia Euclidiana”.
En un plano R² se obtienen por ejemplo las siguientes ecuaciones:
4. Experimentos
El grupo de Atramentov y LaValle implemento este algoritmo en C++ utilizando la librería de
ANN. Luego implementaron el algoritmo en proyectos de planificación basado en RRT y en
PRM con buenos resultados de reducción del tiempo de las calculaciones. Las diferencias son
significantes también en más dimensiones.
5. Conclusión
El algoritmo de Kd-Tree basado en ANN muestra varias ventajas. Con el método de
Aproximación de la búsqueda que normalmente es suficiente en la planificación de
movimientos para encontrar espacio libre, las calculaciones ganan tiempo con un factor entre
10 y 100 en comparación con el cálculo exacto.
Una ventaja que más tiene importancia en la economía, es que el algoritmo ya está
implementado en una librería de C++. Se puede configurar varios parámetros mientras se usa
esta librería.
Refiriendo a las posibles dimensiones, es posible utilizar más que 20 dimensiones que resulta
en significantes reducciones en el tiempo necesario para los cálculos.
En el área de la planificación de movimientos la búsqueda de vecinos próximos no es el único
cuello de botella (“Bottleneck”). También el tiempo necesario para “Sampling-Strategies” y
detección de colisión es crítica. Una implementación del algoritmo de ANN solamente se
justifica si el número de nodos es tan grande que un cálculo des vecinos próximos predomina.
Referencias
[1] D. M. Mount., “ANN programming manual. Technical report”, Dept. of Computer
Science, U. of Maryland, 1998
[2] K. Lin, C. Yang, “The ANN-tree: An index for efficient approximate nearest neighbor
search”, Dept. of Math. Science, U. of Memphis, 2002
[3] S. Arya et al., “An Optimal Algorithm for Approximate Nearest Neighbor Searching
in Fixed Dimensions”, Proc. of the 5th Annual ACM-SIAM Symposium on Discrete
Algorithms. ACM, New York, 1994, pp.573-582