Robots de exteriorescar.upm-csic.es/fsr/Documents_PDF/Robocity_2030_Avila... · 2014. 2. 12. ·...

Arquitectura de Control para Robot

Editores:Manuel A. ArmadaÁngela RibeiroFernando Seco

ROBOTS DE EXTERIORES

Instituto de Automática IndustrialConsejo Superior de Investigaciones Científicas

Julio 2007

2º WORKSHOP

Robots de exteriores

Editores Manuel A. Armada Ángela Ribeiro Fernando Seco

Instituto de Automática Industrial Consejo Superior de Investigaciones Científicas

Ministerio de Educación y Ciencia

Madrid, Julio de 2007

II Robots de exteriores

Prólogo III

Prólogo

Me es grato presentar el segundo workshop (taller de trabajo) del programa Robo-City2030-CM, subvencionado por la Comunidad de Madrid para el período 2005-2009. El programa, que representa una iniciativa única, agrupa a los centros de in-vestigación en robótica más punteros tanto a nivel nacional como internacional: Universidad Carlos III de Madrid, Instituto de Automática Industrial del CSIC, Universidad Politécnica de Madrid, Universidad de Alcalá, Universidad Rey Juan Carlos y Universidad Nacional de Educación a Distancia. De esta forma, se obtie-nen importantes sinergias que permiten potenciar y coordinar las investigaciones en robótica, sin duplicar esfuerzos y financiación. Por otro lado, este programa permite proyectar la imagen exterior de nuestros investigadores tanto en la socie-dad española como en el ámbito internacional.

Este taller de trabajo es el segundo de una serie de encuentros periódicos que están planificados hasta finales de 2009, y sigue los pasos del primer workshop, Arquitecturas de Control para Robots, celebrado en febrero de 2007 y que fue or-ganizado por la Universidad Politécnica de Madrid. Cada uno de ellos pretende ser un foro de encuentro de investigadores en temas punteros de la robótica de servi-cio, campo de máxima actualidad investigadora. En este caso, el taller está dedi-cado a Robots de exteriores, y aborda distintas problemáticas tales como sistemas de visión y localización en entornos abiertos, conducción automática, robots aé-reos y submarinos, robots en aplicaciones agrícolas de precisión, robots caminan-tes para tareas de construcción y de detección de minas antipersonal, así como los sistemas de percepción, de control y de comunicaciones que hacen posibles dichas realizaciones prácticas. Los avances en el campo de los robots de exteriores per-mitirán desarrollar robots más autónomos, más rápidos, más precisos y para apli-caciones más novedosas en entornos complejos.

Por último, me gustaría destacar la excelente organización de este taller de tra-bajo llevada a cabo por los grupos de investigación en robótica del Instituto de Automática Industrial del CSIC. La selección de los capítulos incluidos en este li-bro ha sido muy cuidadosa y acertada, destacando el gran nivel de los mismos. Los trabajos tienen una importante proyección futura, abriendo nuevos horizontes, y espero que sean de gran utilidad para toda la comunidad robótica española.

Carlos Balaguer Coordinador Robocity2030-CM

IV Robots de exteriores

Introducción

La presente publicación recoge importantes trabajos investigación en el área de Robots de exteriores realizados por los grupos de investigación de las Universidades Carlos III de Madrid, Politécnica de Madrid, Alcalá, Rey Juan Carlos y del Instituto de Automática Industrial del CSIC en el marco del proyecto ROBOCITY2030, financiado por el Programa PAIDIR de la Comunidad de Madrid.

Los robots de exteriores constituyen un área de creciente interés en el ámbito internacional y las investigaciones en este tema se abordan desde múltiples puntos de vista. Los trabajos que se incluyen en el texto reflejan la actividad de los grupos del proyecto RoboCity2030 en robots de exterio-res, muestran su nivel científico y tecnológico, y abarcan un amplio espec-tro tanto en lo que respecta al medio en que se deben desenvolver: aire, te-rreno adecuado por trabajos de ingeniería de obra civil, terreno natural y entorno acuático, como en lo que respecta a los sistemas que proporcionan la movilidad requerida: hélices, propulsores diversos, ruedas, orugas y pa-tas. Tanto el diseño como el control de robots de exteriores son tareas complicadas que requieren de un importante esfuerzo de investigación, pe-ro se considera que este esfuerzo es fundamental para el avance de la robó-tica. Un aspecto primordial en este sentido es la percepción sensorial del entorno y los sistemas de localización.

La recopilación de trabajos incluida en esta publicación y organizada en sus diversos capítulos contempla sistemas de visión y de localización en entornos exteriores, sistemas de toma de decisiones en conducción auto-mática, modelado y simulación. Asimismo hay una serie de capítulos en los que se presentan importantes avances en robots aéreos y submarinos, sistemas de exploración del terreno para la detección de minas, robots mó-viles en agricultura de precisión y robots de servicios para tareas de conso-lidación.

Al gran nivel científico y tecnológico de todos los trabajos relacionados hay que añadir la gran experiencia de los investigadores que los han reali-zado para avalar la calidad de esta publicación que, esperamos sea una herramienta en futuros trabajos de investigación, así como una referencia en la docencia en cursos o seminarios avanzados en Robótica.

Los editores quieren agradecer el gran esfuerzo de los sesenta investiga-dores de las Instituciones participantes, autores de los distintos capítulos

Introducción V

para realizar la siempre difícil tarea de plasmar en unas hojas los numero-sos y excelentes resultados de las actividades realizadas durante un gran periodo de tiempo.

Manuel A. Armada

Ángela Ribeiro Fernando Seco

VI Robots de exteriores

Índice

CAPÍTULO 1 SLAM Visual en Entornos Exteriores Usando una Cámara Estéreo Gran Angular y Corrección de Características SIFT D. Schleicher, L.M. Bergasa, R. Barea, E. López, M. Ocaña, J. Nuevo y P. Fernández 1 CAPÍTULO 2 Toma de Decisiones para Cooperación de Vehículos Autónomos en Maniobras Críticas T. de Pedro, R. García, C. Gonzáles, J.E. Naranjo y J. Alonso 23

CAPÍTULO 3 Aplicación de Técnicas Robóticas al Adelantamiento Entre Vehículos Pesados C. Agüero, V. Gómez, J. Cañas, V. Matellán, F. Martín y P. Barrer 33

CAPÍTULO 4 Modelado de Zonas Cruzables para la Navegación Segura de Robots en Entornos Exteriores C. Castejón, D. Blanco y L.E. Moreno 47

CAPÍTULO 5 Localización de Robots y AGVs Mediante Tecnología RFID F. Seco, F. Ramos, A. Koutsou, A.R. Jiménez, C. Prieto, J. Roa, J. Guevara y J. Ealo 67

CAPÍTULO 6 Robot de Grandes Dimensiones para la Consolidación de Laderas de Montañas S. Nabulsi, J. Sarria, R. Ponticelli y M. Armada 83

VIII Robots de exteriores

CAPÍTULO 7 Modelado, Análisis y Construcción de una Plataforma Paralela Experimental para Aterrizaje y Despegue de Helicópteros J. Quintero, I. Banfield, A. Campos, R. Saltarén, M. Ferré y R. Aracil 103 CAPÍTULO 8 Planificación de Misiones de UAV Mediante el Lenguaje de Control de Vehículos Aéreos P. Gutiérrez, J. del Cerro, A. Barrientos, R. San Martín, A. Martínez y C. Rossi 121

CAPÍTULO 9 Sistema Robotizado para la Detección y Localización de Minas Antipersonas R. Ponticelli, E. García, P. González de Santos y M. Armada 139

CAPÍTULO 10 Una Nueva Metodología para Descripción del Entorno en la Detección en Robots de Minas Antipersonas C. Salinas, M. Armada y P. González de Santos 157

CAPÍTULO 11 Arquitectura Multi-Agente para la Interfaz de Usuario de un Vehículo Agrícola X.P. Burgos-Artizzu, A. Ribeiro, M.C. García-Alegre y L. García-Pérez 175

CAPÍTULO 12 Sistemas de Localización y Percepción Inteligente en la Navegación Autónoma y Segura de Robots de Exteriores 187 M.C. García-Alegre, A. Ribeiro, D. Martín, L. García-Pérez y D. Guinea

Índice IX

CAPÍTULO 13 Robot Subacuático de Estructura Paralela para la Inspección y Teleoperación de Lugares de Difícil Acceso C. Álavarez, R. Saltarén, R. Aracil, E. Yime y M. Sancho 207 CAPÍTULO 14 RobMAT: Sistema Modular para Entornos Semi- estructurados R. Aracil, J. Baca, M. Ferré, J. A. Escalera 229

Índice de Autores 245

X Robots de exteriores

CAPÍTULO 1

SLAM Visual en Entornos Exteriores Usando una Cámara Estéreo Gran Angular y Corrección de Características SIFT

D. SCHLEICHER1, L. M. BERGASA2, R. BAREA2, E. LÓPEZ2, M. OCAÑA2, J. NUEVO2 y P. FERNÁNDEZ2

1Departamento de Electrónica - Universidad de Alcalá, [email protected]; 2Departamento de Electrónica - Universidad de Alcalá, {bergasa, barea, lopez, mocana, jnuevo}@depeca.uah.es

En este artículo se presenta un nuevo método de SLAM en tiempo real aplicado a la navegación autónoma de un vehículo en grandes entornos ex-teriores y sin restricciones. Dicho método está basado exclusivamente en la información visual proporcionada por una cámara estéreo de gran angular y bajo coste. Nuestra propuesta consiste en dividir el mapa global en varios submapas locales identificados por las denominadas huellas SIFT. A nivel de submapa (SLAM de bajo nivel), se realiza un mapeado secuencial en 3D de una serie de marcas naturales a la vez que se obtiene la localiza-ción/orientación del vehículo usando un método Bayesiano para modelar el comportamiento dinámico del sistema. Para reducir el error acumulativo global, manteniendo las restricciones de tiempo real, se ha añadido un ni-vel de abstracción adicional superior (SLAM de alto nivel). Este nivel usa un método de corrección basado en la extracción de huellas visuales SIFT asociadas a los diferentes submapas. Se presentan resultados experimenta-les usando grandes entornos reales en exteriores.

1 Introducción

La Localización y Mapeado Simultaneous en Tiempo Real (SLAM) es un aspecto clave en robótica. En los últimos años se han desarrollado di-versas alternativas (López, 2005)(Newman, 2002). Investigaciones recien-tes han demostrado que el SLAM basado en cámaras es muy útil en domi-

2 Robots de exteriores

nios en los que el objetivo es recuperar la posición 3D de la cámara en tiempo real, moviéndose a gran velocidad en entornos habituales humanos, a partir del mapeado de marcas visuales dispersas, potencialmente con mí-nima información acerca de la dinámica de su movimiento(Davison, 2003). En (Elinas, 2006), se presenta un método de SLAM 3D visual, ba-sado en una cámara estéreo y marcas SIFT (Scale Invariant Feature Trans-form). Actualmente el principal objetivo de las investigaciones en SLAM es aplicar métodos consistentes, robustos y eficientes en grandes en entor-nos. Uno de los hitos principales es conseguir cerrar grandes lazos, en tiempo real, detectados en el camino recorrido por el vehículo.

Existen diversas propuestas para resolver los problemas asociados usan-do métodos métricos, topológicos o híbridos. Un ejemplo de estos últimos se describe en (Bosse, 2004). Esta solución pretende construir un mapa to-pológico compuesto de diversos mapas métricos más sencillos. Después de esto, a medida que el vehículo explora nuevos lugares, el algoritmo decide si construir un nuevo submapa o crear una nueva relación con alguno de los mapas existentes. Los enlaces contienen las relaciones entre sistemas de coordenadas, así como las transformaciones de las incertidumbres. En (Newman, 2006) se propone un SLAM 3D usando matrices de similitud SIFT, basadas en apariencia visual. Esto permite el reconocimiento de lu-gares previsitados que puedan ser altamente repetitivos. El artículo presen-tado en (Frese, 2006) propone un método que es capaz de cerrar lazos muy grandes con un gran número de marcas en un entorno simulado. En él se usa un método jerárquico para representar las diferentes magnitudes pro-babilísticas asociadas a diversas regiones del mapa. Además se proporcio-nan medios para transmitir las actualizaciones y predicciones del modelo de la parte superior a la inferior del árbol y viceversa.

Este artículo presenta un método de SLAM en tiempo real basado en vi-sión estéreo. La base de este trabajo fue previamente presentada por los au-tores en (Schleicher, 2006). El sistema está basado en una cámara estéreo de gran angular montada en un vehículo. De forma secuencial, se van cap-turando diversas marcas visuales, usando el operador Shi and Tomasi (ver (Shi, 1994)), y son introducidas en un filtro EKF con el objeto de modelar el comportamiento probabilístico del sistema. Para la percepción de las marcas se usa un modelo de medida, mientras que para el comportamiento dinámico del vehículo se implementa un modelo de movimiento. Como es bien sabido, uno de los principales problemas de la implementación del EKF es el incremento cuadrático (n2) del coste computacional en función del número de marcas, mostrándose inapropiado para grandes entornos, donde este número puede ser potencialmente alto. Para solucionar este problema, presentamos una implementación modificada de SLAM que añade un nivel de procesado adicional al método de SLAM mencionado

SLAM Visual en Entornos Exteriores Usando una Cámara Estéreo Gran Angular y Corrección de Características SIFT 3

anteriormente (“SLAM de bajo nivel”) que denominaremos “SLAM de al-to nivel”. El mapa global se divide en submapas locales identificados por huellas SIFT. Una huella caracteriza la apariencia visual de una imagen a partir de un número de marcas SIFT y la relación entre ellas. Así pues, el vehículo se ubica localmente en un submapa usando el SLAM de bajo ni-vel. Las huellas se toman periódicamente a medida que el vehículo explora nuevos entornos. Este proceso identifica un submapa englobando las mar-cas obtenidas en el SLAM de bajo nivel, comprendidas entre la huella ac-tual y la próxima. Para poder detectar los lugares previsitados se realiza un matching entre las huellas previamente capturadas y la huella actual. La in-formación extraída a partir de las marcas SIFT pertenecientes a la huella se usa para actualizar el filtro EKF y corregir el estado del vehículo así como la porción del mapa perteneciente al lazo que acaba de detectarse.

Este artículo está estructurado en dos partes fundamentales. La primera presenta la implementación del SLAM de bajo nivel, mientras que la se-gunda el SLAM de alto nivel. Después, se presenta una gran variedad de resultados para mostrar el comportamiento de nuestro sistema. El artículo finaliza con las conclusiones y trabajos futuros.

2 SLAM de Bajo Nivel

Este nivel implementa todos los algoritmos y tareas necesarias para lo-calizar el vehículo y mapear su entorno local.

2.1 Aplicación del Filtro de Kalman Extendido

Para aplicar el EKF es necesario definir un vector de estado X y su ma-triz de covarianza P . El propósito del algoritmo consiste en estimar conti-nuamente la posición y la orientación del vehículo, a través de la linealiza-ción de la función de próximo estado f(X), en cada paso. Debido al uso del modelo de movimiento (impulse motion model) para la dinámica del vehí-culo, el cual será explicado posteriormente, es necesario añadir dos varia-bles más al vector de estado del vehículo vX : las velocidades lineal y an-gular.

( )Trobrobrobv vqXX ω= (1)

En la Ecuación (1), robX es el vector de posición 3D del vehículo respec-to al sistema de coordenadas global, robq representa el vector de rotación (quaternion), robv es la velocidad lineal y ω la angular. Por otro lado, te-


niendo en cuenta que el submapa al completo tiene que ser introducido en el filtro, todos los vectores de estado de la posición global de las marcas iY tienen que ser incluidos en el vector de estado total X . Por lo tanto se pue-de definir el vector de estado ( )Tv YYXX L21= y su correspondiente matriz de covarianza P.

2.2 Modelo de Movimiento

El primer paso para construir el modelo de movimiento consiste en pre-decir el vector de próximo estado y su matriz de covarianza. En este caso el objeto a modelar es un vehículo móvil. Nuestro modelo está basado en una aplicación más general (ver (Schleicher, 2006)). Éste asume una velo-cidad constante (tanto lineal como angular) en cada paso del filtro. Sólo existirán cambios de velocidad aleatorios al avanzar de un paso al siguien-te, lo que conduce a la definición del denominado modelo de impulso (im-pulse model). Para poder aplicarlo a la navegación de un vehículo móvil se han aplicando una serie de restricciones al modelo. Estas restricciones con-sisten en reducir la incertidumbre del movimiento en la dirección del eje “y” (vertical a la dirección de avance), así como la incertidumbre en las ro-taciones alrededor de los ejes “z” (dirección de avance) y “x” ( trasversal a la dirección de avance).

De acuerdo con este modelo, para predecir el próximo estado del vehí-culo, se define la función [ ]( )Trobrobrobrobv vtqqtvXf ωω ∆⋅×∆⋅+= . El término [ ]tq ∆⋅ω representa la transformación de un vector de 3 componen-tes en el denominado quaternion, de 4 componentes. Asumiendo que el mapa no cambia a lo largo del tiempo, las posiciones absolutas de las mar-cas iY deben continuar siendo las mismas de un estado al siguiente.

2.3 Modelo de Medida

Las medidas visuales se obtienen a partir de las posiciones de las mar-cas “visibles”. En nuestro sistema definimos cada uno de los vectores de predicción de medida ( )Tiziyixi hhhh = como la posición 3D de la marca correspondiente respecto al sistema de coordenadas del vehículo. Para elegir la marca a medir, es necesario definir algunos criterios de selección. Estos criterios se basarán en la “visibilidad” de la marca, es decir, si su apariencia es suficientemente semejante a la original (cuando la marca fue inicializada). Esta condición se calcula basándose en la distancia relativa y ángulo del punto de vista respecto de las obtenidas en la fase de inicializa-ción (ver Fig. 1).


Fig. 1. Original and current feature measurement vectors. El primer paso es predecir el vector de medida ih . Con objeto de buscar

el vector de medida actual iz , tenemos que definir un área de búsqueda en las imágenes de proyección. Este área estará definida alrededor de los pun-tos de proyección de la predicción de medida ih tanto para la imagen iz-quierda como para la derecha: ),(: LLL vuU , ),(: RRR vuU . Para obtener las coordenadas de imagen de proyección, en primer lugar aplicamos el senci-llo modelo de “pin-hole” y posteriormente aplicamos la distorsión usando los modelos radial y tangencial, que serán detallados más adelante. Para obtener iz necesitamos resolver el problema de geometría inversa, apli-cando asimismo los modelos de distorsión.

Respecto a las áreas de búsqueda, serán calculadas basándose en la incer-tidumbre de la posición 3D de la marca, denominada covarianza de inno-vación iS (ver (Davison, 1998)). Dado que tenemos dos imágenes de pro-yección diferentes, iS necesita ser transformada en las covarianzas de proyección

LUP y RUP .

T

i

Li

i

LU h

USh

UPL

∂∂

⋅⋅∂∂

= ; T

i

Ri

i

RU h

US

hU

PR

∂∂

⋅⋅∂∂

= (2)

Estas dos covarianzas definen otras dos regiones de búsqueda elípticas, obtenidas tomando un cierto número de desviaciones estándar (habitual-mente 3) de las gaussianas 3D.

Una vez que las áreas, donde la proyección de la marca actual debe caer, se han definido, ya podemos comenzar su búsqueda. En la fase de iniciali-zación, se almacenan las imágenes que representan los patches izquierdo y derecho de la marca. Después, para buscar el patch de la marca en su nue-va ubicación, se realizan una serie de correlaciones normalizadas (normali-zed sum-of-squared-difference correlations) a lo largo de toda el área de búsqueda (ver (Davison, 1998)).

ih

iorighβ

Feature


2.4 Inicialización de Marcas

El criterio para inicializar nuevas marcas es el de mantener un mínimo número de marcas visibles a la vez. Cuando una marca va a ser inicializa-da, se buscará su patch correspondiente dentro de un área de búsqueda rec-tangular localizada aleatoriamente en una de las imágenes de la cámara (normalmente la izquierda).

En el momento de buscar la mejor marca a introducir en el filtro, necesi-tamos asegurar que tenga unas propiedades buenas para realizar el segui-miento. Esto significa que dicha marca debe distinguirse correctamente del resto de la imagen a lo largo del movimiento del vehículo. En (Shi, 1994) se describe un operador para medir la “idoneidad” de una marca. Éste, aplica el gradiente de intensidad tanto en la dirección vertical como la horizontal. El operador se aplica de una forma eficiente en cada uno de los pixels del patch de la marca para evaluarla. En caso de que el valor máxi-mo absoluto sea suficientemente bueno, se seleccionará la correspondiente marca.

Para calcular la posición 3D de la marca necesitamos encontrar la corres-pondencia epipolar. A diferencia del método monocular, aquí podemos ob-tener dicha posición en un solo paso. Una vez que tenemos ambas coorde-nadas de proyección, podemos calcular la posición 3D usando el modelo de proyección inversa.

2.5 Gestión del Mapa a Bajo Nivel

Para mantener el mapa actualizado, necesitamos definir criterios acerca de cuándo introducir (capturar) nuevas marcas y cuándo borrarlas.

Las reglas a seguir serán capturar nuevas marcas para mantener, al me-nos, 5 marcas visibles al mismo tiempo. Además de esto, tendrá que haber, al menos, 4 marcas correctamente medidas al mismo tiempo para evitar la pérdida total en el seguimiento del sistema. Por otro lado, algunas de las marcas capturadas pueden ser “no idóneas”; por ejemplo, marcas que son habitualmente incorrectamente medidas. Esto puede ser consecuencia de reflejos, objetos frecuentemente ocultos, etc. La regla a seguir será elimi-nar cualquier marca que haya sido incorrectamente medida en más de la mitad de los intentos.

2.6 Modelos de Distorsión

Para corregir la gran distorsión de las lentes gran angular se aplican los modelos radial y tangencial de corrección de la distorsión. La definición de los modelos se describe en (Heikkila, 1997) y también se aplica a los jacobianos de proyección. Tomando la cámara izquierda, definimos, en


coordenadas métricas, las coordenadas distorsionadas ),( LCLC vu y no dis-torsionadas ),( LNCLNC vu . Así pues, podemos relacionarlas de la siguiente manera, usando el modelo directo:

( )2221 22 LNCLLNCLNCLLNCLC urPvuPufu +++⋅= (3)

( ) LNCLNCLLNCLLNCLC vuPvrPvfv 222

1 22 +++⋅= (4)

En las ecuaciones anteriores se definen los siguientes parámetros como: 222LNCLNC vur += , 4

22

11 rKrKf LL ++= . En este modelo denominamos LK1 , LK 2 a los coeficientes de distorsión radial y LP1 , LP2 a los coeficientes de distor-sión tangencial. Para el modelo inverso usamos un procedimiento iterati-vo.

2.7 Adaptación de Patches

Tal como se explicó anteriormente, a medida que el vehículo se desplaza por su entorno, la apariencia de los patches cambia respecto de la original (en el momento de la inicialización). A medida que el vehículo se va ale-jando de su estado original la diferencia se incrementa. Esto conduce a una correlación poco precisa así como un incremento en el número de medidas incorrectas.

Para reducir su impacto, se aplica un método de transformación de la apariencia del patch. Cuando la marca se captura inicialmente, se estiman y almacenan las posiciones 3D de todos los pixels pertenecientes al patch. Se asume una representación del patch como un plano paralelo al vehículo. A partir de aquí, cada vez que se mide la correspondiente marca, se estima la apariencia del patch prediciendo la proyección de cada uno de los pixels pertenecientes a dicho patch. Para obtener la apariencia completa del éste, se aplica un método de interpolación eficiente.

3 SLAM de Alto Nivel

Tal como se explicó anteriormente, en grandes entornos, a medida que el número de marcas crece, el tamaño de la matriz de covarianza P se in-crementa hasta que el tiempo de procesamiento excede las restricciones de tiempo real. Para evitarlo sólo se introduce en el EKF una ventana local de marcas visibles. De esta forma, tal como se mostrará en los resultados, se obtiene un tiempo de procesamiento casi constante en función del incre-mento del número de marcas (ver Fig. 9).

Por otro lado, es necesario mantener el error global del mapa lo más ba-jo posible. Por lo tanto, también necesitamos asegurar la consistencia del


mapa completo. Dado que sólo conservamos la información de la incerti-dumbre local de las marcas visibles, es necesario añadir un nivel de proce-samiento adicional que preserve la incertidumbre histórica global del mapa a lo largo del camino recorrido por el vehículo, es decir, la matriz de cova-rianza acumulada GP , obtenida como sigue:

)()1()( kPkPkP XXGG +−= (5)

Para ello, dividimos el mapa global en submapas locales identificados por las huellas SIFT { }LlsfSF l ...0∈= , cada una de las cuales compuesta por un conjunto de marcas SIFT { }MmYfYF l

ml ...0∈= . El proceso consiste

en tomar huellas periódicamente a lo largo del camino recorrido por el ve-hículo (ver Fig. 2). Cada vez que se va a tomar una nueva huella, ésta es evaluada comparándola con las huellas anteriormente adquiridas en una región de búsqueda. Esta región se obtiene a partir de GP dado que es la variable que contiene la información de incertidumbre global del mapa completo.

Fig. 2. Gestión del mapa de alto nivel. En caso de que la evaluación dé cómo resultado que el vehículo está en

un lugar previamente visitado, habremos identificado una situación de lazo cerrado. Esta situación será explicada más adelante. La filosofía de sub-mapas EKF fue presentada anteriormente en (Tardós, 2002). Una de las principales diferencias entre su propuesta y la nuestra es la gestión local de

Inicio

Evaluación de huella

Comparación positiva

Añadir huella a base de datos

Esperar condi-ción evaluación

No

Sí

Detección de cierre de lazo

Corrección de mapa

Actualización base de datos


los mapas. En (Tardós, 2002), el proceso del EKF se lleva a cabo teniendo en cuenta todas las marcas pertenecientes a los mapas locales. Nosotros te-nemos en cuenta sólo las marcas visibles. Esto nos permite mantener siempre un número reducido de marcas procesadas por el EKF. Por otro lado, en (Tardós, 2002), se trata de construir un mapa global uniendo todos los mapas locales. Después se lleva a cabo un proceso para identificar to-das las marcas duplicadas, cerrando todos los lazos interiores que hayan podido producirse. En su lugar, nosotros mantenemos continuamente la in-certidumbre global acumulada, permitiendo la corrección del mapa global en cualquier momento tan pronto como se detecte una situación de lazo ce-rrado.

3.1 Huellas SIFT

Tal como se explicó anteriormente, la forma de identificar un lugar se basa en las denominadas huellas SIFT. Estas huellas están compuestas por una serie de marcas SIFT distribuidas en toda la imagen de referencia y ca-racterizan la apariencia visual de la imagen. Las marcas SIFT fueron intro-ducidas por D. Lowe en (Lowe, 2001). Las marcas SIFT son invariantes al escalado en la imagen, a las rotaciones y parcialmente invariantes a los cambios de iluminación y punto de vista de la cámara 3D. Además de esto, las marcas son altamente distinguibles, lo cual permite correlar correcta-mente cada marca con una alta probabilidad. Esto se consigue asociando a cada una de las marcas un descriptor de longitud 128, que identificará uní-vocamente a todas ellas. El proceso de extracción de marcas SIFT se des-cribe someramente como sigue:

1. Detección de extremos en el espacio de escala: La primera etapa del

proceso comienza buscando en todas las escalas y localizaciones en la imagen. Esto se implementa usando una función diferencia de gaussianas para identificar potenciales puntos de interés (máximos y mínimos loca-les).

2. Detección de puntos de interés (keypoints): En las ubicaciones de ca-da candidato se usa un modelo detallado para determinar la localización y escala de la marca.

3. Asignación de orientación: A cada uno de los puntos de interés se les asigna una o más orientaciones en base a las direcciones de los gradientes de imagen locales. Relacionando las operaciones futuras respecto a estas direcciones se consigue la invarianza a la orientación.

4. Descriptor del punto de interés: Los gradientes de imagen se miden en la escala escogida en la región alrededor de cada punto de interés. Esta


información se transforma en una representación que proporcionará una identificación a la marca.

En nuestro proceso global, nosotros almacenaremos estos descriptores SIFT δ

r pertenecientes a la base de datos global, usándolos posteriormente

para el proceso de matching. Las coordenadas de la imagen izquierda así como las posiciones 3D son también almacenadas

( )δrZYXvuYf LLl

m = .

3.2 Proceso de comparación (matching)

Uno de los principales problemas del SLAM en grandes entornos es el del cierre de lazos. El primer problema a resolver es el reconocimiento de lugares previsitados, tal como se explicó anteriormente. Una vez que se identifica una nueva huella, ésta es evaluada, es decir, es comparada con todas las huellas almacenadas pertenecientes a un área de incertidumbre. Esta comparación se lleva a cabo a través de un proceso de matching que tiene en cuenta, para cada par de huellas ( )BA sfsf , , tanto el número de mar-cas SIFT reconocidas como sus posiciones relativas en las imágenes a comparar. El proceso general es el siguiente:

1. Cálculo de la distancia euclídea entre todas las marcas SIFT detecta-

das en ambas imágenes y selección de aquellas suficientemente cercanas. 2. Cálculo de las líneas que conectan cada par de marcas correladas.

También se computan sus correspondientes longitudes BAjiLn −

, y pendientes

BAjiSp −

,.

3. Las marcas outlayers se excluyen del cálculo haciendo uso del méto-do RANSAC.

4. La probabilidad de correlación global se calcula como una función ponderada de 2 parámetros: Número de marcas correladas y relación In-liers/Outliers (ver Ecuación (6)).

( )OImatchfp nnmmatchesnummP 21_ _ +⋅= (6)

Una vez detectada la situación de cierre de lazo, se debe corregir el ma-pa al completo de acuerdo al lugar reconocido. El primer paso es pues, ac-tualizar el estado del vehículo ( )Trobrobrob vqX ω respecto al lugar previ-sitado detectado. Para ello, usamos la geometría epipolar aplicada a las marcas SIFT identificadas en el proceso de matching del mismo modo que en la etapa de SLAM de bajo nivel. Esto se consigue gracias a los estados de las huellas almacenadas

fpX , que representan los estados del vehículo en el momento de la creación de cada huella. Después de esto, el resto del mapa, incluyendo las posiciones de las marcas básicas iY y los estados de las huellas

fpX a lo largo del lazo deben ser actualizadas consecuentemen-


te. Sin embargo, debemos asegurar que el mapa resultante es consistente. La idea subyacente es que la incertidumbre global GP crecerá continua-mente a medida que el vehículo recorre su entorno. Esto quiere decir que el error en su localización se incrementará hasta que el vehículo revisite un lugar antiguo que ayude a reducir su propia incertidumbre. En términos de la construcción del mapa, podemos concluir que las marcas más antiguas del mapa tendrán una menor incertidumbre asociada y, por tanto, tendrán que corregirse en menor medida. Por el contrario, en las marcas más re-cientes será aplicada una mayor corrección. Este grado de corrección se modulará en función de la incertidumbre histórica acumulada a lo largo del lazo al completo (ver Fig. 3). En esta figura podemos también observar la localización de las huellas justo después de las esquinas del camino. En las Ecuaciones (7), (8) y (9) mostramos los 3 pasos consecutivos aplicados a la posición de una simple marca de cara a calcular su nuevo valor corregi-do. ( )GiPΤ representa la traza de la covarianza global de la huella asociada a la marca i. RD

r es la expression en 3 componentes de la matriz de rota-

ción del vehículo robR . Finalmente, Rot representa la transformación del vector de 3 componentes a la expresión de matriz de rotación. Los atribu-tos init y end se refieren a la situación antes y después de la corrección del mapa.

Fig. 3. Representación de la incertidumbre global GP (en rojo) asociada a cada huella, a lo largo del camino realizado por el vehículo. Cada número representa

una huella.

)(' 1init

initiiniti XYRY −= − (7)

( )( ) ( ) ( )

( ) ( )

⋅

ΤΤ

−+⋅ΤΤ

⋅=−− 11

1''' initRGend

GifinR

Gend

Giii D

PP

DPP

RotYYrr (8)

1

2

4

3

2


( )( )

( )( )

⋅

ΤΤ

−+⋅ΤΤ

−= −− 11 1'' initGend

Gifin

Gend

Gii

fini X

PP

XPP

YY (9)

Una vez cerrado el lazo, GP toma el valor de la antigua huella identifica-da asociada. Así, actualizamos la incertidumbre global a la nueva situa-ción. Además, las marcas básicas antiguas revisitadas volverán a ser visi-bles de nuevo y podrán ser incorporadas al proceso del EKF de bajo nivel.

4 Resultados

Con objeto de probar el comportamiento de nuestro sistema se han usa-do varios videos de prueba. Las cámaras empleadas fueron unas Unibrain Fire-i IEEE1394 con lentes de gran angular adicionales, las cuales propor-cionan un campo de visión de unos 100º en horizontal y en vertical. Las cámaras fueron ubicadas debajo del espejo retrovisor del coche tal como se indica en la Fig. 4.

Fig. 4. Vehículo prototipo usado en las pruebas


Ambas cámaras se sincronizan en el momento de comenzar la transmi-

sión. La calibración se realiza offline usando un damero aplicando el mé-todo referenciado en (Heikkila, 1997).

Uno de los videos de prueba se obtuvo recorriendo con el vehículo va-rias calles del Campus externo de la Universidad de Alcalá. El camino completo recorrido, desde el inicio hasta el cierre del segundo lazo fue de 2965 m (ver Fig. 5).

Fig. 5. Vista aérea del camino recorrido por el vehículo (ground truth) dibujado en color magenta. El punto de partida se indica con el flag S. El punto de cierre del

primer lazo se indica con el flag 1. El punto de cierre del segundo lazo, y final del recorrido, se indica con el flag E

El punto de partida del camino está marcado con el indicador S, siendo el sentido del recorrido el que se indica con las flechas. Se completó un pri-mer lazo interior (flechas cerradas) al llegar al punto con el indicador 1. El segundo gran lazo exterior (flechas abiertas) se completó al llegar al punto F, coincidiendo con el final del recorrido.


Los resultados de nuestro método, se muestran junto con la referencia o ground truth. Dicha referencia fue obtenida usando un GPS Diferencial Inercial JAVAD MAXOR-GGDT.

Si se observan los resultados desde el inicio hasta el cierre del primer lazo (ver Fig. 6) se concluye que la similitud entre el camino estimado, una vez cerrado el lazo y realizada la corrección, y la referencia GPS es mucho mayor que la similitud con la estimación antes de la corrección.

Fig. 6. Estimación del camino recorrido hasta el primer cierre de lazo. La línea rayada representa la estimación antes del cierre del lazo. La línea punto-raya re-

presenta la estimación después del cierre del lazo. La referencia (ground truth) es-tá representada en línea continua.

Para el caso del cierre del lazo general (ver Fig. 7), se observa asimismo que la corrección de la estimación del camino recorrido, una vez cerrado el lazo, mejora notablemente con respecto a la situación anterior. Además, si se observa el camino recorrido antes de la corrección, se aprecia que en el último tramo el error es mucho mayor. Esto fue debido a dos situaciones: Por una parte, en el giro anterior al último segmento se sucedieron varias oclusiones casi totales producidas por el paso de un autobús, entre otros vehículos. Respecto a la longitud del tramo, esta fue más corta que el valor real debido a la ausencia casi total de marcas en el entorno.

-100 0 100 200 300 400 500 600-300

-250

-200

-150

-100

-50

0

50

100

150

200

Z ax

is(m

)

X axis(m)

GPS ground truth Before correction After correction


Fig. 7. Estimación del camino recorrido hasta el primer cierre del segundo la-

zo. La línea reyada representa la estimación antes del cierre del lazo. La línea pun-to-raya representa la estimación después del cierre del lazo. La referencia (ground

truth) está representada en línea continua. En la Fig. 8 a) se representa el error en cada eje

nnn XrefX −=ε antes de cerrar el primer lazo. Como se puede apreciar el error llega a ser importan-te, alcanzando aproximadamente los 400m. Por otro lado, en la Fig. 8 b) se representa el error en cada eje una vez completado el recorrido completo, es decir, una vez cerrados ambos lazos. Si observamos la primera parte, correspondiente al primer lazo, podemos observar que el error se ha redu-cido notablemente en ambos ejes.

Respecto al SLAM de alto nivel, la Fig. 10 muestra la representación del mapa estimado, incluyendo todas las marcas de bajo nivel y las huellas de alto nivel. La secuencia representa el mapa justo antes y después de la situación de cierre del lazo general. Tal como se muestra, el mapa mantie-ne la consistencia incluso después de la corrección. La Fig. 11 muestra el resultado del proceso de matching de 2 huellas, en el cual se aprecian las correlaciones de marcas SIFT correctas e incorrectas en base al método RANSAC.

-100 0 100 200 300 400 500 600 700 800 900 1000

-300

-200

-100

0

100

200

300

400

Z ax

is(m

)

X axis(m)

GPS ground truth Before correction After correction


a)

b)

Fig. 8. a) Representación del error en la estimación del recorrido en los ejes X y Z respecto de la referencia (ground truth) en la situación previa al cierre del pri-mer lazo. b) Representación del error en ambos ejes al final del recorrido, después

de la corrección global.

0 1000 2000 3000 4000 5000 6000 7000 8000 9000-200

-100

0

100

200

300

400

500

600er

ror (

m)

frame number

error on X axis

error on Z axis

0 2000 4000 6000 8000 10000 12000 14000 16000-200

-100

0

100

200

300

400

500

600

erro

r (m

)

frame number

error on X axis error on Z axis


Después de esta situación, el sistema mantiene la consistencia reintrodu-ciendo las marcas visibles antiguas en el EKF de bajo nivel, detectando asimismo las huellas antiguas. Debe remarcarse que el mapa está construi-do en 3D, sin embrago, dado que el vehículo circula por un camino casi plano, únicamente se muestra una vista de pájaro 2D del mismo. Respecto al tiempo de procesamiento, la implementación en tiempo real impone una restricción de tiempo, el cual no debe exceder los 33 ms por frame a una velocidad de captura de 30 frames/segundo. Todos los resultados fueron tomados usando una CPU a 2.0 GHz. La Fig. 9 muestra los tiempos de procesamiento a lo largo de la mitad del recorrido del vehículo.

Fig. 9. Tiempos de procesamiento totales a lo largo de la mitad del recorrido del vehículo.

La principal conclusión que se puede extraer del gráfico es que el tiempo de procesamiento medio se mantiene prácticamente constante a lo largo del recorrido del vehículo, siendo éste inferior a la restricción de tiempo real la mayor parte del tiempo y siendo superado únicamente en el cálculo de al-gunas huellas y en el cierre de lazos.

En la Tabla 1 mostramos los tiempos de procesamiento medios para al-gunas de las tareas más importantes del proceso.

0 1000 2000 3000 4000 5000 6000 7000 800020

25

30

35

40

45

50

proc

essi

ng ti

me

(ms)

frame number


Tabla 1. Tiempos de procesamiento

SLAM de bajo nivel SLAM de alto nivel. (paralelizado) Número de marcas 5 Número de marcas 8463

Número de huellas 14 Etapa de filtrado Tiempo Tiempo

Medidas 3 ms Correspondencias de huellas 3 s

Actualización del fil-tro 5 ms

Inicialización de marcas 7 ms

Cierre de lazo + tiem-po de representación

gráfica

4 s + 10s

Dicha tabla está dividida en tareas asociadas al SLAM de bajo nivel y de alto nivel. Respecto al primero, se puede observar que el mayor tiempo es empleado en la fase de inicialización de marcas, en la que el área de bús-queda se extiende a lo largo de toda la línea epipolar, a pesar de haber res-tringido su longitud para un rango de búsqueda de ∞→m1 . Respecto al SLAM de alto nivel, los datos muestran que el mapa está compuesto por un número total de marcas de 8463 en el momento del cierre del lazo. Co-mo puede observarse, el tiempo dedicado al matching de huellas es signifi-cativamente mayor que la restricción de tiempo real. Esto es también apli-cable a la fase de corrección del mapa en el momento del cierre del lazo. Debe tenerse en cuenta que ninguna de las tareas asociada al alto nivel per-tenece al proceso continuado de autolocalización, que es llevado a cabo por el SLAM de bajo nivel. Esto significa que no existe la necesidad de completar dichas tareas dentro del margen de un simple frame. De modo que se puede obtener un resultado positivo de matching de huellas un cier-to número de frames después de que éste fuera detectado realmente. Des-pués, se puede simplemente volver a atrás y comenzar la tarea del cierre de lazo, incluyendo también los últimos frames procesados. Esto implica que las dos tareas pueden ser computadas en paralelo, manteniéndolas fuera del proceso en tiempo real.


a)

b) Fig. 10. Representación del mapa en la situación de cierre de lazo. Las marcas

de bajo nivel están representadas en color amarillo, mientras que las marcas visi-bles y correctamente medidas están representadas en color rojo. Los números ver-des muestran las posiciones de las huellas. La posición del vehículo está represen-tada en el centro de la cruz de color azul: GP . a) Representación justo antes de la corrección del mapa. b) Representación justo después de la corrección del mapa.


Fig. 11. Matching de las marcas pertenecientes a las dos huellas. Las correla-

ciones de marcas SIFT consideradas outliers se marcan en amarillo, mientras que las consideradas inliers están coloreadas en magenta.

5 Conclusión

Se ha presentado un método con dos niveles jerárquicos de SLAM que permite la autolocalización de un vehículo midiendo las posiciones 3D de diferentes marcas naturales. Se ha probado el correcto funcionamiento del sistema en grandes entornos exteriores. Respecto al SLAM de alto nivel basado en huellas, se ha probado que soluciona el problema del cierre de lazos manteniendo el comportamiento en tiempo real a lo largo de todo el


recorrido. Actualmente estamos trabajando en la aplicación de métodos más avanzados para la gestión del mapa de alto nivel.

Acknowledgements

Este trabajo ha sido financiado mediante fondos del Ministerio de Edu-cación y Ciencia a través del proyecto MOVICON (TRA2005-08529-C02-01) y, de la Comunidad de Madrid y la Universidad de Alcalá a través de los proyectos RoboCity2030 (CAM-S-0505/DPI/000176) y LOMUCO (CCG06-UAH/DPI-0721).

References

López E., Bergasa L. M., Barea R., Escudero M. A Navigation System for Assistant Robots Using Visually Augmented POMDPs. Autonomous Ro-bots, Vol. 19, No. 1. pp. 67-87. 2005. Newman P.M., Leonard J.J., Neira J. and Tardós J. Explore and return: Experimental validation of real time concurrent mapping and localization. Proceedings of the IEEE Conference on Robotics and Automation, pp.1802-1809, 2002. Davison A. J. Real-time simultaneous localisation and mapping with a sin-gle camera. Proceedings of the 9th International Conference on Computer Vision, Nice, 2003. Elinas P., Sim R., Little J. J. SLAM: Stereo Vision SLAM Using the Rao-Blackwellised Particle Filter and a Novel Mixture Proposal Distribution. ICRA 2006. Bosse M., Newman P., Leonard J. and Teller S. SLAM in Large-scale Cy-clic Environments using the Atlas Framework. IJRR 2004. Newman P., Cole D. and Ho K. Outdoor SLAM using Visual Appearance and Laser Ranging. ICRA 2006. Frese U. and Schroeder L. Closing a Million-Landmarks Loop. IROS 2006.


Schleicher D., Bergasa L.M., Lopez E. and Ocaña M. Real-Time Simulta-neous Localization and Mapping using a Wide-Angle Stereo Camera and Adaptive Patches IROS2006. Shi J. and Tomasi C. Good features to track. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1994, pp. 593-600. Davison A. J. Mobile Robot Navigation Using Active Vision. PhD Thesis, University of Oxford, 1998. Heikkila and Silven. A Four-step Camera Calibration Procedure with Im-plicit Image Correction. CVPR97. Tardós J., Neira J., Newman P., and Leonard J., Robust mapping and lo-calization in indoor environments using sonar data. Int. J. Robotics Re-search, vol. 21, no. 4, pp. 311–330, 2002. Lowe D.G. and Little J. Vision-based mobile robot localization and map-ping using scale-invariant features. In International Conference on Robot-ics and Automation, Seoul, Korea, pp. 2051-58. 2001.

CAPÍTULO 2

Toma de Decisiones para Cooperación de Vehículos Autónomos en Maniobras Críticas

T. DE PEDRO, R. GARCÍA , C. GONZÁLEZ, J.E. NARANJO y J. ALONSO

Instituto de Automática Industrial -CSIC; {tere, ricardo, gonzalez, jnaran-jo, jalonso@}@iai.csic.es

Los sistemas de conducción de vehículos autónomos desarrollados en el Instituto de Automática Industrial tienen la capacidad de comportarse, en gran medida, como si fueran conductores humanos. Suponiendo resuelto el problema de la conducción automatizada para un único vehículo, el reto que nos planteamos ahora es añadir a los sistemas de conducción indivi-duales la capacidad coordinación con otros vehículos, conducidos automá-tica o manualmente.

1 Introducción

En este artículo partimos de los resultados conseguidos en el programa AUTOPÍA para la conducción de un único vehículo. El sistema de con-ducción se adapta al trazado de la vía –mediante el control de la dirección y la velocidad máxima- (Naranjo, 2004) (Naranjo, 2005) y a ciertas condi-ciones de tráfico –mediante el control adaptativo de la velocidad- (Naran-jo, 2003). El objetivo ahora es añadir a estos sistemas individuales la capa-cidad de coordinación con los demás vehículos que circulan por la zona de interés (Naranjo, 2003 bis). Los procedimientos de coordinación para cualquier maniobra los implementaremos mediante algoritmos de toma de decisiones que, esencialmente, se limitan a permitir o aplazar el movimien-to en curso de cada vehículo involucrado en ella (Naranjo 2007). En este artículo repasaremos las maniobras más comunes como adelantamientos, circulación en caravana, circulación en cruces y rotondas y maniobras de aparcamiento. Para ello hemos elegido un conjunto representativo de casos


de estudio, en los que vamos a analizar la información deben compartir los algoritmos de toma de decisiones y cuales son los controladores laterales y longitudinales adecuados para tomar el control del vehículo en función del escenario de tráfico. En cuanto a realizaciones, se han implementado algo-ritmos de toma de decisiones para automatizar casos sencillos de paso de cruces y adelantamientos complejos. Además se han realizado los primeros experimentos reales con vehículos de serie equipados con DGPS, compu-tadores, red de comunicación inalámbrica e instrumentación adecuada para accionar la dirección, el acelerador y el freno. Los adelantamientos más complejos, que involucran tres vehículos y tráfico de doble sentido se han simulado (Alonso, 2007).

2 Herramientas disponibles

Antes de continuar conviene tener en cuenta los tipos de controladores desarrollados en el programa AUTOPÍA que están disponibles para los al-goritmos de decisión.

Se ha desarrollado dos clases de controladores, los laterales, de la di-rección, y los longitudinales, de la velocidad. Entre los controladores late-rales, distinguimos los que siguen líneas de referencia rectas o ligeramente curvadas, los que siguen trayectorias curvas pronunciadas y los que siguen trayectorias específicas para pasar al carril contiguo, derecho o izquierdo, de forma suave. La diferencia entre ellos estriba fundamentalmente en la amplitud máxima permitida para los giros del volante y, sobre todo, en la rapidez de giro del mismo. Entre los controladores longitudinales distin-guimos los que mantienen una velocidad y los que se adaptan a la veloci-dad del vehículo precedente, CC y ACC respectivamente por sus siglas en inglés, y los de parada y arranque, stop&go, que permiten conducir en caso de atascos. (Estos últimos no son más que el caso límite de los ACC, pues permiten parar el vehículo completamente y reanudar la marcha). A su vez los controladores de la velocidad se pueden descomponer en otros más elementales, los del acelerador y los del freno, pero éstos son transparentes para los algoritmos de toma de decisiones.

Finalmente, antes de entrar en detalle, conviene tener in mente que la función esencial de los algoritmos de toma de decisiones es determinar el instante y los controladores laterales y longitudinales que deben tomar el control del vehículo durante la ejecución de la maniobra.

Toma de Decisiones para Cooperación de Vehículos Autónomos en Maniobras Críticas 25

3 Toma de decisiones en maniobras de adelantamiento

La peligrosidad de la maniobra de adelantamiento en vías de doble sentido justifica que las investigaciones en Sistemas Inteligentes de Transporte (ITS) estén dedicando un esfuerzo importante al desarrollo de ayudas para facilitarla. Sin embargo, a pesar de estos esfuerzos, hasta ahora no cono-cemos trabajos de investigación distintos a los nuestros que vayan más allá de simular ciertas maniobras.

En cualquier adelantamiento se encadenan tres acciones relacionadas con el control lateral, mover el coche al carril de la izquierda, seguir por el carril de adelantamiento y mover el coche al carril de la derecha. Estas ac-ciones que realizarse en paralelo con las del control longitudinal. En gene-ral, los algoritmos de decisión eligen un ACC para controlar la velocidad en los adelantamientos. Por consiguiente hay que tomar dos decisiones esenciales, cuando iniciar el cambio al carril izquierdo y cuando iniciar el regreso al carril de partida. En ambos momentos el control lateral es del ti-po cambio de carril. Entre ambas decisiones hay que tomar otra, cuando se

A l

t 1 t 1

t 2

t 2

v 1

v’1

v 2 v’2

l

v 1 v 1

v 2 v 2

t3

Fig. 1. El esquema muestra los instantes en los que cambia el control lateral.


detecte que el vehículo está centrado en el carril de adelantamiento, en este momento hay que seleccionar el control lateral de seguimiento de trayecto-ria, la trayectoria de referencia del carril izquierdo.

La toma de decisiones se basa en el conocimiento del escenario de con-ducción, por consiguiente la información que tienen que compartir los ve-hículos es: el mapa de la zona y las posiciones, velocidades e intenciones de los vehículos involucrados. Por intención entendemos la acción inme-diata del vehículo (haciendo una analogía con la conducción manual, la acción que un conductor humano indica con los intermitentes).

En este artículo no nos ocupamos de la adquisición de datos del entor-no, pues para la toma de decisiones no es relevante el tipo de sensores co-locados en la infraestructura o en los vehículos, ni el sistema de comunica-ciones. Sí es esencial que los datos sean fiables y coherentes, en particular que su adquisición se haga en el mismo intervalo de tiempo.

0

5

10

15

20

25

30

35

Vel

ocid

ad (

Km

/h)

Velocidad Real del Vehículo que adelantaConsigna de velocidad del vehículo que adelantaVelocidad real del vehículo adelantado

30 seg25 seg

20 seg15 seg

10 seg

5 seg0 seg

30 seg25 seg20 seg15 seg10 seg0 seg 5 seg

-9

-6

-3

0

3

6

9

-20 0 20 40 60 80 100 120 140 160 180DesplazamientoLongitudinal (m)

Des

plaz

amie

nto

Late

ral (

m)

Trayectoria del vehículo que adelanta (conducido automáticamente)Trayectoria del vehículo adelantado (conducido manualmente)Marcas de tiempo del que adelantaMarcas de tiempo del adelantado

Fig. 2. Un vehículo autónomo adelanta a 29 Km/h a otro vehículo conducido manualmente que circula a 15 Km/h.

4 Formaciones de vehículos: pelotones e hileras

Un pelotón es una cadena de vehículos que circula a lo largo de una vía como una sola unidad, mediante un sistema de control único para todos.


Los vehículos se comportan de forma colectiva, circulando uno tras otro detrás del líder y manteniendo entre ellos una separación que puede ser muy pequeña, de un par de metros, lo que impide que otro vehículo entre en el pelotón. En los pelotones, los vehículos están ligados con el líder mediante redes de comunicaciones en tiempo real y el líder es el único que tiene plena capacidad de decisión y control. Una hilera es también una ca-dena de vehículos que circulan uno tras otro, pero manteniendo cada uno su capacidad de decisión y control, un ACC, lo que les permite comportar-se de forma individualizada. En las hileras todos los vehículos se comuni-can entre sí en tiempo real.

En un pelotón, el líder percibe e interpreta el escenario y decide las ac-

ciones a realizar. Estas acciones sobre el acelerador, el freno y la dirección, son transmitidas al resto de los vehículos y ejecutadas al unísono. Por el contrario, cada vehículo de una hilera percibe e interpreta el entorno y to-ma sus propias decisiones, permitiendo un comportamiento individualiza-do. Aunque en primera aproximación el comportamiento de los pelotones y de las hileras sea parecido, en el análisis de los casos particulares que si-guen, veremos que hay diferencias.

Otro aspecto a considerar son las ventajas e inconvenientes de ambas formaciones para el tráfico. Los pelotones pueden aumentar la ocupación de las vías, y en consecuencia su eficacia, pero su comportamiento es bas-tante rígido y necesitan vías dedicadas. Las hileras son mucho más flexi-bles, su comportamiento imita al del tráfico convencional, y no necesitan vías dedicadas, pero la separación entre vehículos debe ser mayor que en los pelotones, por motivos de seguridad. En efecto, en la literatura se des-criben modelos teóricos en los que, cuando varios vehículos equipados con ACC circulan en hilera, el comportamiento dinámico del conjunto puede resultar peligroso debido a la “inestabilidad de la hilera” (Guang, 2004) (Jing, 2004). Por ejemplo, si por algún motivo el primer vehículo frena fuerte y bruscamente, la distancia entre vehículos puede variar mucho de

Fig. 3. Formación de vehículos


unos a otros, con efectos graves en el flujo y la seguridad del tráfico. En consecuencia, para garantizar las condiciones de seguridad en la circula-ción en hilera, hay que determinar algunos valores límites, en particular, el máximo permitido de la velocidad y el mínimo permitido de la distancia entre vehículos. Una vez determinados, los controladores ACC permiten garantizar que ambos límites no se superen.

Mover una fila de vehículos separados por una distancia fija a veloci-dad constante. Si la fila se configura como un pelotón, el líder fija la velo-cidad de crucero, y envía las mismas órdenes de control para el freno y el acelerador de todos los vehículos que lo siguen. Si la fila es una hilera, ca-da vehículo toma su decisión y determina los valores de consigna para el freno y el acelerador.

División una fila. Cuando una causa externa, como un semáforo en rojo,

interrumpe un pelotón el vehículo que lo detecta tiene que pasa a líder. Si se trata de una hilera cada vehículo actúa de acuerdo con su percepción del entorno.

Unión de dos filas. Cuando una fila alcanza a otra que circula más des-pacio, si son dos pelotones el líder del último tiene que informar al del primero del número de nuevas unidades que se añaden y este vehículo deja

v

Fig. 4. Efectos indeseados en una frenada de emergencia.

Fig. 5. División de una fila


de ser líder. Si se trata de una hilera cada vehículo actúa de acuerdo con su percepción del entorno.

Entrada o salida de un vehículo de una fila. Si la fila es un pelotón un

vehículo entrante debe informar al líder del lugar que quiere ocupar en la fila y el líder debe enviar a los vehículos que están detrás del lugar elegido, consignas para el freno hasta que la separación sea suficiente para permitir la inclusión del nuevo vehículo. Cuando la maniobra esté completa, el líder volverá a transmitir las mismas consignas para todo el pelotón. Análoga-mente, un vehículo que deja un pelotón, debe informar al líder, éste envia-rá al vehículo, y a todos los siguientes, consignas para frenar hasta que la separación sea suficiente para permitir la salida. Cuando la salida se haya producido, el líder enviará consignas a los vehículos posteriores para ace-lerar hasta recuperar la separación inicial. A partir de este momento el líder volverá a transmitir las mismas consignas para todo el pelotón.

Aunque se pueden considerar más casos, por ejemplo que una parte del

pelotón tome una bifurcación o que el pelotón tenga que evitar un obstácu-lo, con los ya analizados podemos concluir que la conducción automatiza-da de pelotones es muy rígida y sólo es interesante en el caso de que se pueda circular por vías exclusivas. Por otra parte, aunque en primera aproximación parezca que hay que dedicar menos recursos computaciona-les al control de pelotones que al de hileras –sólo el líder necesita plena capacidad de decisión y control- esto no es así, si tenemos en cuenta que por contingencias del tráfico, cualquier vehículo del pelotón puede conver-tirse en líder. Por ello nos parece más interesante concentrar nuestros es-fuerzos en el control vehículos con CC, ACC o parada-y-arranque, pero minimizando los efectos negativos de la inestabilidad para la seguridad del tráfico.

v

Fig. 6. Alteraciones en la composición de una formación


5 Conclusiones

Aunque la cooperación de vehículos autónomos en cualquier maniobra y cualquier escenario es un problema complejo y no estamos aún en condi-ciones de resolverlo, creemos que estamos en el camino de lograrlo. Para ello hemos empezado por analizar los datos necesarios para automatizar la circulación simultánea de vehículos en caravanas, adelantamientos e inter-secciones y desarrollar algunos algoritmos de toma de decisiones. Algunas algoritmos se han implementado y se han probado en experimentos reales otros se han probado en simulaciones.

Agradecimientos Este artículo describe investigaciones realizadas en los proyectos SARA: DPI2005-07980-C03-01, ENVITE: Ministerio de Fomento T 7/2006 y Cy-berCars-2: 6º PM 028062. Referencias J. Alonso, J.I. Suarez, J. Jiménez, T. de Pedro, 2007, Cooperation between autonomous cars: Overtaking maneuver, in Proc. Eurocast 2007, Las Pal-mas, 12-16 febrero 2007 J.E. Naranjo, C. González, R. García, T. de Pedro, 2004, Fuzzy logic based lateral control for GPS map tracking, in Proc. 2004 IEEE Intelligent Vehi-cles Symposium, 397-400.

J.E. Naranjo, C. González, R. García, T. de Pedro, R. Haber, 2005, Power steering control architecture automatic driving, IEEE Transactions on In-telligent Transportation Systems, vol. 6, n.4, 406-415, December 2005

J.E. Naranjo, J. Reviejo, C. González, R. García, T. de Pedro, 2003, Adap-tive fuzzy control for inter-vehicle gap keeping, IEEE Transactions on In-telligent Transportation Systems, vol. 4, 132-143, September 2003

J.E. Naranjo, J. Reviejo, C. González, R. García, T. de Pedro, 2003, Over-taking maneuver experiments with autonomous vehicles, in Proc. ICAR 2003, 11th Inernational Conference on Advanced Robotics, 1669-1703, June 2003


J.E. Naranjo, R. García, C. González, T. de Pedro, J. Alonso, 2007, Auto-matic cooperative driving for road intersection based on GPS and wireless communications, in Proc. Eurocast 2007, 12-16 febreo 2007.

Guang Lu, Tomizuka, M., A practical solution to the string stability prob-lem in autonomous vehicle following, Vol 1, 780-785, 30 June -2 July 2004, ISSN.0743-1619, ISBN 0-7803-8335-4.

Jing Zhou, Huei Peng, 2004, Range Policy of Adaptative Cruise Control for Improved Flow Stability and String Stability, in Proc. IEEE Interna-tional Conference on Networking, Sensing and Control, 595-600, 0-7803-8193, March 21-23.

CAPÍTULO 3

Aplicación de Técnicas Robóticas al Adelantamiento Entre Vehículos Pesados

C. AGÜERO, V. GÓMEZ, J. CAÑAS, V. MATELLÁN, F. MARTÍN, P. BARRER.

Grupo de Robótica de la Universidad Rey Juan Carlos. 28933 Móstoles, Madrid (España). {caguero, vmanuel, jmplaza, vmo, fmartin, barre-ra}@gsyc.es.

El objetivo de este artículo es presentar la aplicación de técnicas desarro-lladas en el campo de la robótica móvil al terreno de los vehículos pesados. En concreto, se presenta la aplicación de sensores y algoritmos de origen robótico a un sistema de adelantamiento entre vehículos pesados. Con este sistema se persigue agilizar esta maniobra aumentando la fluidez del tráfi-co y mejorando la seguridad.

El sistema descrito utiliza una serie de sensores distribuidos por el vehí-culo y un procesador para identificar el inicio y fin del adelantamiento, elevando en esas situaciones el umbral máximo de velocidad permitida al vehículo.

En este artículo justificamos la utilidad de este sistema, establecemos los requisitos que debe cumplir, describimos el prototipo realizado y deta-llamos las pruebas llevadas a cabo con él para verificar su funcionamiento.

1 Introdución

El sector del transporte de mercancías por carretera está regulado por la Unión Europea. En concreto, la directiva 92/6/EEC (Euro,1992) estipula que los vehículos pesados deben estar obligatoriamente equipados con li-mitadores de velocidad. Es habitual que estos vehículos viajen a la máxima velocidad permitida y las diferencias de velocidad entre un camión y otro sean mínimas.


Fig.1. Adelantamiento entre vehículos pesados.

La baja velocidad relativa entre los vehículos implicados en un adelan-

tamiento ralentiza esta maniobra, aumentando el riesgo de accidente. Igualmente aumenta la congestión en las carreteras. Las estadísticas de tráfico lo consideran una de las mayores causas evita-bles de atascos en las autopistas y la causa de múltiples accidentes cada año.

La maniobra de adelantamiento con uno de los camiones detenido nece-sita unos 150m. (espacio para cambiar de carril, recorrer la longitud del vehículo adelantado, retorno al carril). En una situación real a 2 km/h de velocidad relativa (por ejemplo con dos camiones circulando a la máxima velocidad permitida, a 91Km/h y 89Km/h respectivamente), estos pocos metros implican más de 3 minutos (150*60/2000=4.5 en el peor de los ca-sos), y supone unos 5 Km. de recorrido real (90*4.5/60=6.75 en el peor de los casos).

El objetivo del trabajo descrito en este artículo es el diseño y construc-ción de un sistema que detecte autónomamente situaciones de adelanta-miento en condiciones de velocidad relativa baja, y que permita una pe-queña velocidad extra que reduzca el tiempo de adelantamiento. Este sistema se ha denominado SIA: Sistema Inteligente de Adelantamiento (Gómez 2005).

En el mismo ejemplo anterior, supongamos ahora que el limitador de velocidad pudiese incrementar la velocidad del vehículo que adelanta, por ejemplo en 20Km/h. Esa sería ahora aproximadamente la velocidad relati-va de los vehículos. El tiempo del adelantamiento pasaría a estar ahora en el entorno a los 24s, de manera que la maniobra se alargaría hasta los 750 metros aproximadamente, lo que es una reducción más que significativa. El proceso concreto se ilustra en la Fig.1. donde se representan además los sensores que deberán ser capaces de detectar esta situación.

Muchas tecnologías de sensorización disponibles actualmente en los ro-bots móviles se usan también en la industria del automóvil. Por ejemplo

Aplicación de Técnicas Robóticas al Adelantamiento Entre Vehículos Pesa-dos 35

los sensores de ultrasonidos, la visión, etc. En el artículo se presentará una comparativa de las más usuales y los motivos que nos han llevado a elegir las utilizadas en SIA1

Igualmente, en el artículo describiremos los algoritmos, que previamen-te desarrollados para robots móviles, han sido empleados en la implemen-tación del prototipo del SIA.

Finalmente, en el artículo presentaremos un resumen de los experimen-tos realizados para verificar el funcionamiento del sistema realizado, así como las conclusiones extraídas.

2 Sistema diseñado

El primer paso en el diseño de cualquier sistema es el establecimiento de los requisitos del mismo. En el caso del SIA los más relevantes son: • Autonomía: la decisión de conceder velocidad extra no se puede delegar en el conductor. Es más, sería deseable que el conductor no pudiese influir conscientemente en la decisión. • Generalidad: el sistema tiene que ser capaz de detectar cualquier tipo de vehículo, o el mayor porcentaje posible de los diferentes tipos. Por ejem-plo, no es aceptable que se necesite que los vehículos adelantados estén equipados con algún dispositivo como reflectores, emisores, etc. • Robusted: el prototipo irá empotrado en un vehículo, esto influye por ejemplo en la alimentación disponible (12V./24.). También deberá soportar vibraciones, temperaturas muy variadas, etc. • Fiabilidad: el sistema tiene que funcionar en la mayor cantidad de condi-ciones atmosféricas posible. Igualmente el sistema debería funcionar en di-ferentes tipos de carreteras: autopistas, de montaña, etc. así como a dife-rentes horas del día, noche, etc. • Coste: la relación calidad-precio es un factor clave para cualquier sistema industrial. En particular, el coste total del sistema debería ser similar al de otros sistemas de ayuda a la conducción disponibles para vehículos comer-ciales (GPS, logística, etc.)

Estos requisitos son los que hemos tenido en cuenta a la hora de diseñar el sistema de percepción. En concreto, en la industria del automóvil se han utilizado diferentes tecnologías que hemos tenido que evaluar. Las más

1 Este trabajo ha sido ideado, patentado y realizado por el Instituto Nacional de Técnica Aerospacial

(INTA), con la colaboración de la empresa Consultrans SA, y la Universidad Rey Juan Carlos a través del contrato SIS M-151


usuales se basan en visión (Dickmans 1997), láser (Ewald 2000) o ultrasoni-dos, e incluso revisiones de ellos (Sun 2004).

Otra tecnología muy utilizada en la automoción es el RADAR están ex-tendidas en el campo de la automoción. Esta tecnología está siendo am-pliamente utilizada en los ACC (Auto Cruise Control) para controlar la ve-locidad y en los más avanzados CWS (Collision Warning Systems) para ajustar la velocidad de los automóviles a la velocidad de los vehículos que les preceden.

Igualmente, existen sistemas propuestos para detectar las situaciones de adelantamiento entre vehículos (Wang 2005), tradicionalmente basados en visión (Batavia 1997). Estos sistemas están generalmente diseñados para servir de ayuda al conductor y son muy sensibles a las condiciones atmos-féricas y con elevados requisitos computacionales que incumplen los re-quisitos de nuestro sistema.

En nuestro estudio los sensores RADAR han mostrado dos problemas fundamentales: La falta de proveedores en España y la incompatibilidad legal de utilización en Europa. En primer lugar los fabricantes de estos dispositivos venden el sistema completo, el CWS, no el sensor, y no tienen un interfaz de programación para adaptar su uso a nuestras necesidades. Además, se trata de proveedores de la industria del automóvil, poco acos-tumbrados a vender un único dispositivo, por lo que nos ha resultado im-posible verificar sus posibilidades. En segundo lugar, el rango de frecuen-cias americano es diferente del europeo, lo que hace a estos sistemas ilegales en Europa, ya que se trata de proveedores americanos.

El tipo de sensores más extendido en la industria de la automoción es el de ultrasonidos. Multitud de automóviles están equipados con sensores de ayuda al aparcamiento. Comparado con un RADAR, un sensor de ultraso-nidos es más impreciso, especialmente por la incertidumbre angular (aun-que se podría acotar usando más de un sensor); tiene menos alcance (un orden de magnitud menor). En cambio su precio es varios órdenes de mag-nitud menor.

Los sensores láser por su parte tienen una precisión muy alta, tanto ra-dial como angular: menor de un centímetro en distancia y una resolución de un cuarto de grado; su alcance es medio (entre 30 y 80 metros depen-diendo del modelo). Su principal inconveniente es el precio, no tan elevado como el radar, pero mucho mayor que el de ultrasonidos.

Los sensores basados en infrarrojos tienen varios problemas. El más grave es su sensibilidad a las condiciones atmosféricas: Un cambio de la luz ambiente produce bruscas variaciones de medidas. Por ello son muy imprecisos. A cambio, su precio es muy reducido. Otra alternativa son los sensores LIDAR, a medio camino entre el láser y los ultrasonidos tanto en precio como en prestaciones.


Sensor Rango Precio Resolución Fiabilidad Infrarrojos 10 m Bajo 10 cm muy baja Ultrasonidos 20 m Bajo 10 cm baja Láser 80 m Alto 1 cm media RADAR 200 m Alto 5 cm alta LIDAR 50 m Medio 10 cm media

Tabla 1. Caracterización de las tecnologias de sensores

La Tabla. 1 resume las características de los sensores descritos en párrafos previos. Una alternativa que no aparece en la Tabla.1 es la basada en vi-sión, que se descartó por su elevado coste computacional. A la vista de la Tabla.1 la sensorización que nos ha parecido más apropia-da consistió en un sensor láser para la detección frontal del vehículo y sen-sores de ultrasonidos para los laterales. De esta forma, se aprovecha la pre-cisión del láser para identificar el vehículo a adelantar y la apertura del haz de ultrasonidos para detectar lateralmente a vehículos con todo tipo de morfologías.

Fig.2. Sistema sensorial: ultrasonidos y láser

El sistema sensorial se ha construido modularmente, con un subsistema encargado de gestionar los sensores de ultrasonidos construido alrededor de un microprocesador PIC (parte izquierda de la Fig. 2), un subsistema lá-ser (parte derecha de la Fig. 2) y un sistema de control que será el que de-cida si conceder o no la velocidad extra en función de la información pro-porcionada por los dos subsistemas anteriores.

El subsistema de control en el prototipo descrito en este artículo se en-cuentra en un PC portátil. Todos los subsistemas se comunican a través de un interfaz estándar, en concreto se usa RS232.


La programación del microcontrolador que gestiona los sensores de ul-trasonido se ha realizado en ensamblador y se han utilizado varios elemen-tos específicos del modelo seleccionado (PIC 16F876). Por ejemplo, hemos usado la USART para el envío y recepción RS232 de los datos, la unidad CCP con el fin de capturar el rebote de la señal emitida por los ul-trasonidos, etc.

La placa es capaz de gestionar hasta 4 sensores de ultrasonidos y conec-tarlos al computador de control a través del puerto serie. La placa desarro-llada se encarga de controlar el disparo de los sensores de ultrasonidos, de forma que no interfieran entre ellos y se obtenga la mayor frecuencia de medidas posible. Para ello, los tiempos entre disparo son dinámicos, y se calculan en función del número de sensores conectados y el tiempo máxi-mo de vuelo.

El diseño eléctrico de la placa persigue que su rango de funcionamiento sea lo más amplio posible. En este sentido y para favorecer el uso con las distintas baterías que incorporan los camiones, la placa puede alimentarse a cualquier tensión entre 12V y 24V.

3 Sistema de control

La aplicación de control se basa en el autómata de estados de la Fig.3. El estado en el que está el sistema depende del estado anterior y de la infor-mación obtenida de analizar los datos sensoriales actuales. Existen tres po-sibles estados: Búsqueda de obstáculo frontal (1), detección de obstáculo lateral (2) y detección de fin de obstáculo (3).

Fig.3. Autómata empleado en la aplicación de control


En el primer estado se analizan los datos tomados por el láser para identifi-car al vehículo que potencialmente será adelantado. Una vez detectado, si el conductor ha señalado la maniobra con el intermitente, y se acerca al vehículo, se concede la velocidad extra y se pasa al segundo estado. En el segundo estado se analizan los sensores de ultrasonido. Cuando se percibe que el vehículo está a la altura del sensor se produce una nueva transición. En el tercer estado se analizan los ultrasonidos para detectar el fin del ade-lantamiento. Cuando el vehículo es rebasado, el autómata retorna al estado inicial, anula la velocidad extra y comienza de nuevo el ciclo.

Fig. 4. Aspecto de la aplicación de control

La Fig. 4 muestra el aspecto del interfaz de la aplicación de control. En la parte izquierda se aprecian los iconos que indican el estado en el que se encuentra la aplicación. En la esquina inferior izquierda se sitúa otro icono que muestra si el limitador de velocidad está activo o no. En la parte supe-rior se visualizan las medidas del láser (en este caso una simulación de un túnel con un vehículo delante). En la parte derecha se representan las me-didas de los sensores de ultrasonidos. En este caso 2.

Para la detección frontal, la información sensorial proporcionada por el sensor láser consiste en un conjunto de 180 medidas de distancia a una fre-cuencia de 10 Hz.

Esta información no es fácil de interpretar directamente, por lo que hay que realizar un procesado de ella. En concreto, el sistema desarrollado


agrupa puntos en segmentos rectos, siendo una de las aportaciones del sis-tema el algoritmo de segmentación de las medidas obtenidas por el láser. Este algoritmo, basado en el propuesto para robots móviles en [Gómez 2003], se basa en hipotetizar segmentos. Inicialmente estima la pendiente entre el primer y el último punto obtenidos por el láser, e intenta verificar si todos los puntos intermedios están dentro de la recta hipotetizada, con una determinada tolerancia. Para ello calcula la coordenada y' esperada uti-lizando la ecuación de la recta y'=pendiente*(x-x1)+y1, donde (x1,y1) es un extremo del segmento.

Una vez calculado este valor se compara con el valor real que tiene ese punto en el eje Y. Si se sale del umbral puede descartarse el segmento hipotetizado. El algoritmo hipotetizará un nuevo segmento que tiene como punto inicial aquel cuyo valor del eje Y quedaba fuera del umbral estable-cido, y como punto final el mismo que tenia el segmento descartado. Esta solución asume que un segmento es bueno, es decir hace válida la hipóte-sis, cuando todos sus puntos intermedios están dentro del umbral de tole-rancia. Además de eso tiene que cumplirse que la distancia entre puntos consecutivos no sea mayor que un determinado valor. Si hay puntos entre los cuales la distancia es muy grande seguramente no pertenezcan al mis-mo segmento (p. e. dos coches en paralelo, etc.).

Fig. 5. Segmentación de los puntos láser durante una prueba a escala

El proceso de segmentación de los puntos láser se puede ver en Fig. 5. En la parte (a) se puede observar como inicialmente el segmento hipotetizado (en color rojo) es el que va de la medida del haz 0 al 179. También se pue-de observar que el primer punto analizado que está fuera del umbral (línea roja discontinua) es el que rompe la hipótesis (señalado por la flecha de co-lor negro). Cuando se rompe la hipótesis se realiza otra nueva que en este caso va desde el punto donde se rompió hasta el punto final, como se apre-cia en la parte (b). También se puede se puede observar en la imagen en


qué punto se rompe la hipótesis (indicado por la flecha). En la parte (c) el algoritmo ya ha descartado más hipótesis y desecha ésta también porque la distancia entre los puntos de la parte de arriba de la hipótesis es muy gran-de. En este caso se rompe la hipótesis en el punto (indicado por la flecha) en el que su distancia con el anterior era muy grande. Por último en la fi-gura (d) se puede ver como el algoritmo ha validado una hipótesis (el seg-mento de color verde) y se dispone a analizar el resto de las medidas.

Después de realizar esta segmentación se comprueba si algún segmento se corresponde con un vehículo precedente cercano, verificando que:

• El segmento debe estar centrado en el foco del láser, es decir, debe ser un segmento correspondiente a la medidas centrales de entre las obteni-das por el láser. Con esto el vehículo está justo enfrente del nuestro que lleva el sistema SIA. • El segmento debe tener pendiente casi nula. De momento sólo estamos analizando el caso sencillo de adelantamiento, en el que se supone que el adelantamiento se realiza en un tramo recto. Por este motivo el vehí-culo precedente se corresponderá con un segmento horizontal (con cier-to margen de tolerancia). • La distancia entre el láser y el segmento debe ser menor a un umbral. El vehículo precedente se puede detectar desde 50 m. pero hasta que no estemos suficientemente cerca el adelantamiento no tiene sentido. • El segmento debe tener una cierta longitud para que se pueda concluir que es un vehículo.

Si se cumplen estas condiciones el sistema determinará que existe un vehí-culo susceptible de ser adelantado y se pasará al estado 2 El evento que provoca el paso del estado 2 al 3, es decir el fin del adelan-tamiento, es la detección lateral del vehículo. Esta detección consiste en identificar flancos en las medidas de distancia de los sónares, ya que cuan-do se empieza a detectar al vehículo a rebasar la distancia disminuye y se produce un escalón. Lo mismo sucede cuando se deja de detectar al vehí-culo una vez rebasado por completo.

Para la implementación de la detección lateral hemos seleccionado una ventana dinámica y configurable que analiza y calcula la media de las me-didas sónar durante un espacio de tiempo de 2 seg.

Cada medida capturada por los ultrasonidos es comparada con la media de valores recibidos en la última ventana temporal. Si la medida varía sig-nificativamente respecto de la media, esta medida se considera como un posible obstáculo. Si la siguiente medida también lo hace se considera que se ha detectado un obstáculo. La media de valores obtenida hasta este pun-


to se almacena temporalmente. Esta técnica es robusta ante ruido durante la fase de verificación del obstáculo.

4 Pruebas y Resultados

El objetivo de las pruebas realizadas ha sido comprobar el correcto funcio-namiento del programa de control y la validez de los sensores escogidos en situaciones de tráfico real, en condiciones óptimas. Es decir, no se han ana-lizado aún situaciones metereológicas adversas, ni escenarios complejos de caravanas de vehículos, vehículos compinchados para adelantamientos al-ternativos, etc.

Se ha realizado una batería de pruebas para validar la viabilidad del sis-tema. Las se realizaron en exteriores, con vehículos reales no preparados, pero a baja velocidad. Concretamente, se realizaron en un aparcamiento al aire libre (parte superior de la Fig. 6) con el objeto de comprobar si el sis-tema sensorial era capaz de detectar si las plazas de aparcamiento estaban vacías o no, lo que se aprecia en la parte inferior de la Fig. 6.

Fig.6. Prueba a baja velocidad (aparcamiento).

El siguiente experimento consistió en probar el sistema de detección ultra-sónico a velocidad media.

Concretamente se realizó la prueba en un vehículo circulando a 80Km/h como se refleja en la Fig.7. El objetivo en este caso era comprobar la cali-dad de las mediciones del ultrasonido en una maniobra de adelantamiento entre vehículos ligeros. En la parte inferior de la Fig.7 se puede apreciar como la distancia disminuye a 1metro en el momento de iniciarse el ade-


lantamiento, se mantiene durante un intervalo y vuelve a subir cuando fi-naliza el adelantamiento.

Fig.7. Pruebas a media velocidad (80km/h).

En la figura Fig. 8 se refleja un ejemplo de prueba de adelantamiento a un vehículo pesado a alta velocidad de nuevo para verificar el funcionamiento de los sensores de detección lateral, esta vez a altas velocidades.

No se puede olvidar que los sensores de ultrasonidos se basan en la pro-pagación de una onda mecánica (de sonido), por lo que aunque la veloci-dad relativa entre los vehículos sea pequeña, las turbulencias a altas velo-cidades, y la propia velocidad pueden influir en las medidas.

Podemos observar que las medidas capturadas por los sensores confir-man su validez, ya que son capaces de percibir los cambios en la distancia provocados por la aparición y desaparición de vehículos en la zona lateral. Las pruebas reflejadas en la Fig se realizaron a 120Km/h, la máxima per-mitida en las carreteras españolas, como refleja el velocímetro y encuadra-dos en la figura podemos ver los instantes de comienzo y fin de detección lateral

Los resultado que se pueden observar en la parte inferior de la Fig son similares a los del adelantamiento a media velocidad, la calidad de la me-dición del sensor de ultrasonidos sigue siendo buena, permitiendo detectar el comienzo y fin de la maniobra, a pesar del mayor ruido en las medidas.

Los recuadros rojos en la Fig. 8 muestran los flancos de subida y de ba-jada que son los que se utilizan para detectar el comienzo y final del vehí-culo. Como se puede apreciar, dichos flancos son suficientemente marca-


dos para poderse distinguir del ruido ambiente utilizando simplemente un umbral.

Fig.8. Medidas de los sensores laterales

Por último, la figura Fig. 9 muestra el prototipo instalado en un vehículo real, concretamente en un autobús del Instituto Nacional de Tecnología Aerospacial (INTA), en cuyas pistas se realizaron las pruebas de integra-ción de todos los sensores del prototipo.

Fig.9. Montaje en un vehículo real (pistas del INTA).


5 Conclusiones y Trabajos Futuros

El sistema que se ha presentado en el artículo se encuentra en una fase ini-cial de su desarrollo. En principio el prototipo construido es simplemente un demostrador de viabilidad. Los resultados obtenidos en los experimen-tos realizados han sido satisfactorios, pudiéndose resumir en que es viable la idea de desarrollar un sistema comercial de este tipo.

En particular, el algoritmo desarrollado para la construcción de segmen-tos ha resultado ser muy eficiente y adecuado para la aplicación.

Entre las líneas de investigación abiertas se encuentra el prescindir del sensor frontal y estudiar la viabilidad del proyecto únicamente utilizando sensores de ultrasonido de bajo coste. También se está trabajando en el software de control para optimizar la respuesta del sistema ante más entor-nos y situaciones que las analizadas hasta la fecha.

Agradecimientos

Los autores quieren expresar su agradecimiento a los miembros del equipo del INTA dirigido por D. Ricardo Chicharro y a los de CONSULTRANS SA. con quienes se realizó parte de este trabajo.

El trabajo descrito en este artículo ha sido financiado parcialmente por el Ministerio de Educación mediante el proyecto ACRACE (DPI2004-07993-C03-01) y por la Comunidad Autónoma de Madrid, mediante el proyecto RoboCity 2030 (S-0505/DPI/0176).

Referencias

Batavia P.H., Pormerleau D.A., y Thorpe C.E. 1997. Detecting Overtaking Vehi-cles with Implicit Optical Flow. CMU-RI-TR-97-28. Batavia P.H., Pormerleau D.A., y Thorpe C.E. 1997. Detecting Overtaking Vehi-cles with Implicit Optical Flow. Proceedings of the IEEE Transportation Systems Conference, pp. 729-734. European Comission. 1992. Directive 92/6/EEC Ewald A., Willhoeft V. 2000. Laser scanners for obstacle detection in automotive applications. Technical Report, Fa. IBEO Lasertechnik GmbH.


Dickmanns E.D 1997. Vehicles capable of dynamic vision – a new breed of tech-nical beings? In Proceedings of the 15th International Joint Conference on Artifi-cial Intelligence, IJCAI-97. 1577-1592, Nagoya (JAPÓN). Gómez V., Cañas J.M. 2003 Vision based schemas for an autonomous robotic soccer player. In Proceedings of the IV Workshop en Agentes Físicos, WAF-2003. 109-120, Alicante (SPAIN). Gómez V., Agüero C.E. , Cañas J.M., Matellán V. 2005 Desarrollo de un sistema de detección de adelantamiento.. XI Seminario Anual de Automática, Electrónica Industrial e Instrumentación (SAAEI-2005), ISBN:84-8102-964-5, Santander (ESPAÑA). Sun Z., Bebis G., y Miller R. 2004. On-road Vehicle Detection Using Optical Sen-sors: A Review. IEEE International Conference on Intelligent Transportation Sys-tems, pp. 585-590. Wang J., Bebis G., Millar R. 2005. Overtaking vehicle detection using Dynamic and Quasi-Static Background Modeling. Proccedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). Zhu Y., Comaniciu D., Pellkofer M y Koehler T. 2006 Reliable Detection of over-taking vehicles using robust information fusion. IEEE Transactions on Intelligent Transportation systems, Vol. 7, Num. 4

CAPÍTULO 4

Modelado de Zonas Cruzables para la Navegación Segura de Robots en Entornos Exteriores

C. CASTEJÓN1, D. BLANCO2 y L.E. MORENO2

1Grupo Maqlab, Universidad Carlos III de Madrid 2Robotics Lab, Univer-sidad Carlos III de Madrid {castejon ,dblanco, moreno} @ ing.uc3m.es

En este trabajo, se presentan los desarrollos realizados por el grupo de in-vestigación Robotics Lab de la Universidad Carlos III de Madrid, en la ro-bótica de exteriores. El trabajo desarrolla una metodología para la etapa de modelado que representa, de forma reducida y simple, el entorno. El mo-delo de navegación obtenido, que ha sido designado como Modelo de Re-giones Cruzables (MRC), está basado en la técnica del diagrama de Voro-noi adaptada a entornos exteriores de grandes dimensiones. El modelo se construye a partir de información tridimensional, y permite definir trayec-torias seguras que van a depender de las capacidades del robot y de las propiedades del terreno. Además, el modelo representará, de manera topo-geométrica, el entorno en mapas locales y globales, con la ayuda de los sis-temas sensoriales: telémetro láser tridimensional, brújula y sistema de po-sicionamiento global (GPS). Este trabajo es una contribución novedosa en el campo del modelado de regiones en robótica. El método permite calcu-lar el grado de rugosidad de un terreno desconocido basado en la desvia-ción del vector normal. El parámetro que mide el grado de rugosidad es la varianza esférica y será de gran utilidad, junto con el cálculo de la pen-diente del terreno, para determinar las áreas cruzables.

1 Introducción

Las nuevas aplicaciones robóticas, tales comos la exploración planetaria o la robótica asistencial, implican que algunas tareas de los robots deben rea-lizarse en entornos exteriores cambiantes. Los entornos exteriores son me-


nos estructurados, menos controlados y menos predecibles que los entor-nos interiores. Por ello, se hace necesario proponer una nueva filosofía en cuanto a navegación, planificación de trayectorias y modelado. La navega-ción de robots sobre entornos desconocidos y cambiantes obliga a la re-ducción de los tiempos de cálculo y a la seguridad del robot (Fernandez, 2001). Para dotar al robot de autonomía es necesario un conocimiento del entorno sobre el que navega, donde el robot va a moverse y/o a manipular objetos, debe planificar trayectorias y navegar sin colisión. El mayor pro-blema de la navegación en entornos exteriores es la gran variedad de terre-nos que existen (rugosos, con alta densidad de obstáculos, parcialmente estructurados o completamente desconocidos). Esto quiere decir, que para todos los entornos exteriores y todos los tipos de robot, no existe un único modelo útil. En este trabajo, se presenta un método para modelar amplios entornos exteriores por medio de áreas que dependen de la habilidad del robot para moverse a través de él. La metodología permite construir dife-rentes tipos de modelos, dependiendo de la tarea del robot. El modelo ob-tenido para la navegación se denomina Modelo de Regiones Cruzables (MRC), y representa las áreas cruzables del entorno percibido por un telé-metro láser tridimensional desarrollado en el Robotics Lab. El modelo está orientado a las capacidades del robot, ya que ciertas áreas serán cruzables o no dependiendo del propio robot. En este sentido, el mapa utilizará un modelo basado en Voronoi 2D para representar la información del entorno en el espacio XY, y una descripción cualitativa de la cruzabilidad del te-rreno para dar la coordenada Z. Esta descripción es altamente compacta y muy sencilla de manejar para los sistemas de navegación y planificación. El sistema utilizará un sistema GPS diferencial para integrar la informa-ción local en un mapa global.

2 Trabajos relacionados

La mayoría de los trabajos relacionados con los mapas de navegación se refieren a robots operando en terrenos planos como entornos planetarios (Maurette, 2003), carreteras (Langer, 1994), aeropuertos, etc. En estos ca-sos, el terreno tiene un grado de rugosidad bajo y los obstáculos se encuen-tran en el suelo y tienen forma conocida (normalmente esférica o cúbica), de manera que son fáciles de modelar con primitivas geométricas. En ge-neral, en la navegación, los estudios relacionados con las rejillas de ocupa-ción es uno de los métodos más utilizados (Yahja, 2000). Esta representa-ción es sencilla de manipular y la discretización facilita la ordenación de información específica para la tarea del robot. Por otra parte, otros estudios

Modelado de Zonas Cruzables para la Navegación Segura de Robots en Entornos Exteriores 49

se refieren al nivel de representación del entorno que se divide en geomé-trico, topológico y topo-geométrico. El nivel geométrico se demuestra que no es interesante para los modelos de navegación. La reconstrucción 3D para entornos interiores y exteriores puede encontrarse en los trabajos (Gomez-Mota, 2000), (Hähnel, 2003). En ellos, la gran cantidad de infor-mación requerida para modelar el entorno se pone de manifiesto. La prin-cipal desventaja es el alto coste computacional, cuando se usa en entornos de grandes dimensiones y poco estructurados. La ventaja de los modelos geométricos deriva de la habilidad para generar mapas con gran precisión, muy parecidos al entorno real. Sin embargo, estas representaciones son de uso limitado en entornos exteriores debido a su alto coste computacional, la falta de estructuras geométricas en algunos entornos, y la gran dimen-sión del modelo que se genera. Además del alto coste computacional re-querido para interpretar estos mapas para la navegación. En los modelos topológicos, la información numérica es sustituida por datos simbólicos, y el mapa se representa como un grafo. Se ha demostrado que estos modelos son de gran utilidad para la navegación en corredores. En cuanto a las apli-caciones en entornos exteriores, no se han encontrado, a pesar de su efecti-vidad en entornos de grandes dimensiones (Ranganathan, 2002), (Nehm-zow, 2000). Estos modelos permiten la planificación de trayectorias de manera rápida y reduce la cantidad de datos y el tiempo de cálculo. Sin embargo, la representación de grafos requiere de elementos repetitivos (ta-les como puertas, paredes, esquinas, etc.), que no existen en entornos exte-riores. Esta técnica es de interés en entornos interiores de grandes dimen-siones donde existen gran cantidad de objetos comunes. Los objetos permitirán al robot localizarse y moverse con seguridad. Pero en entornos exteriores, a priori desconocidos, estos modelos no son útiles. La represen-tación híbrida es una buena alternativa a los métodos descritos anterior-mente. El método combina diferentes técnicas de modelado para tomar las ventajas de cada uno de los métodos y eliminar o reducir las desventajas. Actualmente, es una buena elección para la construcción de modelos de navegación. Algunos autores trabajan en modelo topo-geométricos (Boada, 2002), donde llevan a cabo una discretización del terreno utilizando mode-los basados en sensores. Thrun construye en (Thrun, 1998) un grafo topo-lógico basado en rejillas de ocupación. Betgé-Brezetz en (Betgé 1994) describe, de manera topológica, las posiciones, partiendo de información geométrica. El autor construye planos para representar el suelo y super cuádricas para la representación de los obstáculos. Mediante técnicas de visión artificial y extracción de bordes, se separan los objetos del entorno para obtener el modelo topológico. Esta descripción está limitada a entor-nos sencillos con obstáculos en forma circular y sobre el terreno. Otros au-


tores construyen modelos topológicos a partir de información geométrica suministrada por el sistema sensorial. Choset en (Choset, 2000) describe una exploración basada en sensores a partir de un sonar para modelar en-tornos interiores sencillos, el modelo lo construye con diagramas de Voro-noi. El sistema construye, de manera incremental, un grafo conectado con puntos que pertenecen a los bordes de Voronoi. La misma técnica es usada por Blanco en (Blanco, 2000) con un telémetro 2D. En este trabajo se utiliza una aplicación y adaptación de la técnica anterior aplicada a entornos exteriores. El modelo se representará como Diagramas de Voronoi (Blanco, 2003) y está basado en la información tridimensional provista por un telémetro. Será necesario realizar algunas modificaciones al utilizar información tridimensional.

2.1 Cruzabilidad

La cruzabilidad es un atributo que representa la adecuabilidad del terreno a ser navegado. Algunos autores como Langer en (Langer, 1994) o Seraji en (Seraji, 1999), han desarrollado métodos para determinar este atributo. La mayoría de los autores trabajan con dos parámetros básicos: la pendiente y la rugosidad. Muchos trabajos han sido desarrollados para entornos plane-tarios, es decir para entornos planos con obstáculos de forma definida (bá-sicamente rocas sobre un suelo plano). En este trabajo se construirá un Modelo Numérico de Cruzabilidad (MNC). El terreno se dividirá en zona cruzables y no cruzables para el robot. Es importante tener en cuenta que la característica de cruzabilidad no sólo depende de las propiedades del terre-no, también depende de las restricciones físicas y tareas del robot.

3 Metodología de modelado

En la figura 1 se representa la metodología orientada al robot para la cons-trucción de mapas de navegación en diferentes tipos de entornos exterio-res. Divide el problema en diferentes niveles de modelado que permiten obtener modelos intermedios, que pueden ser útiles en otras tareas del ro-bot. El objetivo es construir un modelo que represente grandes áreas con la mínima información necesaria para la navegación. El modelo propuesto es compacto y representa las áreas que el robot puede cruzar. Los diferen-tes niveles se describen a continuación: En el primer nivel, denominado nivel de extracción de la información, la información es capturada, en este caso por un telémetro 3D, y transforma-da, con la ayuda de una brújula en un modelo instantáneo de representa-


ción (snapshot). En este nivel se han desarrollado los algoritmos necesa-rios para la realización de los cambios en los sistemas de coordenadas. Es-ta información será interesante para el modelado tridimensional de objetos, necesario para las tareas de manipulación.

Fig. 1. Metodología de modelado presentada

En el segundo nivel, denominado de modelado local, el modelo instantá-neo es enriquecido con el análisis del terreno. Los datos 3D son clasifica-dos dependiendo de su característica de cruzabilidad. El modelo obtenido se denomina Modelo Numerico de Cruzabilidad (MNC). Este modelo di-vide el entorno percibido en regiones que pueden ser cruzables o no por el robot. Para determinar la característica de cruzabilidad en cada punto, se han tenido en cuenta las características del terreno y las del propio robot. Las medidas 3D se proyectan en el plano XY y se discretizan en un mapa de elevación para obtener una descripción cualitativa de cada celda. Se construye un mapa de visibilidad para obtener la información de celdas ocultas. Adicionalmente, se realiza una extracción de bordes de las áreas no cruzables para la construcción del modelo 2D. A partir de la informa-ción de las fronteras se obtendrá el modelo de regiones cruzables (MRC) mediante un grafo de Voronoi. El MRC es representativo por definición, ya que corresponde al camino de máxima seguridad para el robot. Los obs-táculos se designan como áreas no cruzables y no serán consideradas para la representación.


Por último, en el nivel de modelado global, se obtiene la integración de mapas locales en un mapa global gracias a la información de un GPS dife-rencial que se encuentra a bordo del robot. El modelo es compacto y puede construirse en tiempo real, mientras el robot se desplaza.

4 Análisis de cruzabilidad

En la navegación por entornos exteriores, es interesante estimar algunos parámetros que definen la dificultad del terreno para ser cruzado. La plani-ficación de trayectorias en entornos de grandes dimensiones y exteriores es una tarea compleja ya que existen muchos parámetros que definen la cru-zabilidad, por ejemplo:

• La tarea que va a realizar el robot en el entorno. Tareas como ma-nipulación, exploración planetaria o en entornos peligrosos, etc., necesitan diferentes modelos de información. Para la tarea del ro-bot de esta aplicación, se construirá un modelo de tipo topogeomé-trico.

• Las características de la plataforma experimental, su sistema de lo-comoción y las restricciones físicas afectan a las decisiones futu-ras. En este caso, el sistema de locomoción, que restringe la máxima y mínima pendiente que el robot puede alcanzar, así como el nivel de rugosidad máximo y la mínima elevación que el robot puede sobrepasar (espacio libre tridimensional).

• Las características del terreno, que determinan su dificultad a ser cruzado. La mayoría de los autores centran su investigación en dos parámetros básicos: la pendiente y la rugosidad. Los dos paráme-tros no sólo se utilizan en el campo de la robótica, sino también en el campo de la topografía y especialmente en los sistemas de in-formación Geográfica, pero a otro nivel y con diferentes sistemas sensoriales. Ambos parámetros serán utilizados en este trabajo

4.1. Análisis de la pendiente

La inclinación de la superficie o la pendiente puede ser definida como el ángulo que existe entre el vector normal a la superficie N y el vector Wπ perpendicular a la superficie horizontal, realizando el cálculo a través del producto escalar con la ecuación (1).


arccosN W

N Wπ

π

ξ ⋅=⋅

uur uur

uur uur (1)

El valor de la normal se obtiene para cada punto con un método sencillo propuesto por Betgé-Brezetz en (Betgé 1994). Consiste en aplicar, sobre una imagen ordenada de datos, un filtro Sobel horizontal y vertical que proporciona las tangentes de cada punto a lo largo de las dos direcciones de barrido del telémetro. Cada punto tridimensional (P) está expresado en un sistema de referencia cartesiano relativo a la escena. En la figura 2 se representa la obtención gráfica del vector normal en un punto, y en la ecuación (2) la formulación analítica utilizada.

Fig. 2. Estimación de la pendiente en cada punto

( ),P

P PN

P P

θ φ

θ φ

θ φ∧

=∧

uur uuruuur

uur uur (2)

El método permite calcular la normal en cada punto de forma rápida y simple. Es muy adecuado para un entorno exterior desconocido y no es-tructurado, ya que se realiza el cálculo de manera local atendiendo única-mente a los cuatro puntos vecinos. Además, aunque los valores de pen-diente obtenidos no son muy exactos (debido al tipo de filtro utilizado), para un análisis de cruzabilidad es suficiente. Por limitaciones físicas de la masa del robot y su sistema de locomoción, existe un valor de pendiente máxima y mínima que el robot es capaz de subir y bajar. Teniendo en cuenta las limitaciones del robot, el análisis de cruzabilidad en esta aproximación se realiza como sigue: Se define ZA como el subconjunto de puntos, pi, pertenecientes a una ima-gen tridimensional, tal que la pendiente en cada punto, ξi, cumple la pro-piedad de cruzabilidad siguiente:


{ }min max( , , ) /iZA p x y z ξ ξ ξ= < < (3)

Es decir, en el análisis de la pendiente, se consideran zonas no cruzables (ZNA) aquellas regiones en las que la inclinación, en cada punto tridimen-sional, supera unos umbrales máximos y mínimos (ξmax y ξmin, respectiva-mente) de pendiente. Este análisis es útil en entornos planos con diferentes pendientes, pero el método presenta algunos problemas con superficies como escalones (no cruzables para la plataforma y sin embargo consideradas cruzables por el método), o pequeñas rocas (fáciles de cruzar con el sistema de locomo-ción). En este caso, será necesario estudiar otro parámetro que complete el análisis de cruzabilidad.

4.2 Análisis de rugosidad

La mayoría de las definiciones de rugosidad encontradas en la literatura, hacen referencia a la medida de irregularidades a partir de las variaciones en altura. El método utilizado en este trabajo para el cálculo del grado de rugosidad es un método novedoso no utilizado hasta ahora en el campo de la robótica, está basado en el cálculo de la desviación del vector normal en cada punto dentro de una zona local, mediante el cálculo del parámetro es-tadístico denominado varianza esférica (Castejón, 2005). El estudio utiliza el siguiente razonamiento:

• En un entorno uniforme (con bajo grado de rugosidad), los vecto-res normal a la superficie serán prácticamente paralelos, y por ello, presentarán baja dispersión (como en la figura 3 izquierda).

• Por otra parte, un terreno muy rugoso presenta diferentes cambios en la orientación de los vectores normales, por lo que existirá una gran dispersión (parte derecha de la figura 3).

Fig. 3. Análisis de rugosidad. Dos casos extremos

Dado un conjunto de vectores Ni, correspondientes a las normales en una vecindad, contenida en el espacio percibido, se define la varianza esférica como el estadístico ω, complementario al módulo medio normalizado del conjunto.


1R

nω = − (4)

Es decir, ω mide la dispersión de una muestra formada por vectores, ele-mentos definidos por una longitud (módulo) y un sentido, en el espacio tri-dimensional. El desarrollo para la obtención del estadístico se detalla a continuación: 1. Dado un conjunto de n vectores normales a la superficie, definidos por sus tres componentes Ni = (xi; yi; zi), el módulo del vector suma del con-junto se calcula a partir de la ecuación 5:

2 2 2

1 1 1= = =

= + + ∑ ∑ ∑

n n n

i i ii i i

R x y z (5)

2. El valor medio se normaliza dividiendo entre el número de datos n, de manera que su resultado se encuentra en un rango de valores entre 0 y 1.

[ ]0,1R

n∈ (6)

3. Para terminar, se obtiene el complementario del valor medio normaliza-do para dar sentido al estadístico en la ecuación 4. De esta manera, los valores están estandarizados y se distribuyen en un rango teórico entre 0 y 1. Cuando ω = 0 existe una dispersión máxima y puede considerarse el terreno con rugosidad máxima, y cuando ω = 1 exis-te un alineamiento completo, y el terreno será completamente plano. El va-lor del umbral que determina la cruzabilidad de un terreno se ha estableci-do, en este caso, en ωumbral = 0,2. Se ha realizado este análisis de rugosidad en una vecindad, constituida por ventanas de 5x5 alrededor de cada punto. Con esta información se define el modelo 3D a partir del análisis de la pendiente y de la rugosidad definido como Modelo Numérico de Cruzabi-lidad (MNC).

5. Modelo de regiones cruzables

A partir del MNC podemos extraer la información de espacio libre y cons-truir el modelo de regiones cruzables para la planificación y la navegación del robot. Para la representación de las regiones se ha optado por la técnica


del Diagrama de Voronoi (DV). El MNC proporciona información geomé-trica que puede ser útil para el modelado de objetos o construcciones de entornos virtuales. Sin embargo, la gran cantidad de información que se obtiene del sistema sensorial hace que el modelo sea difícil de manipular y que los tiempos de cómputo se disparen. Antes de obtener el modelo de regiones cruzables es necesario reducir y simplificar la información 3D. El constructor de modelo de regiones necesita la coordenadas 2D de las fron-teras que separan las ZA de las ZNA. Para ello, se utilizan técnicas basadas en procesamiento digital. En este trabajo, definimos la imagen como una matriz bidimensional donde cada píxel está definido por su característica de cruzabilidad. La imagen 3D en este caso se transforma en una imagen binaria que representa las diferentes regiones. Es decir, representa el espa-cio de trabajo del robot. Para conseguir el modelo seguiremos los siguien-tes pasos:

1) Obtención Mapa de Elevación Digital (MED): éste permite orde-

nar la información del modelo 3D en celdas en el plano XY, guar-dando en cada celda solo la información necesaria para representar el modelo de navegación. Los parámetros necesarios para la cons-trucción del modelo son: la posición de la celda, la información de cruzabilidad, el número de obstáculos presentes en la celda, y la medida de elevación real. La cruzabilidad y la medida de eleva-ción dependen del número de obstáculos presentes en la celda y de su posición. El sensor suministra la información sobre el suelo, los objetos que se apoyan en el suelo y también los objetos aéreos. Pa-ra la obtención del número de objetos en cada celda se utiliza el algoritmo de las distancias encadenadas (Escalera, 2001).

2) Cálculo del mapa de Visibilidad (MV): mediante el mapa de ele-vación solo se consigue dar información de aquellas celdas donde el sensor capta datos. Sin embargo, en el entorno discretizado exis-tirán celdas sin información, bien porque aparecen como ocultas al sensor, o porque se ha superado el rango máximo de medida. Para ello se construye el mapa de visibilidad estimando los parámetros asociados a las celdas ocultas a partir de la información de sus ve-cinas. Esta estimación se realiza mediante la extrapolación del segmento tridimensional que une el sensor con el centro de las celdas visibles.

3) Obtención del mapa binario: a partir del espacio dividido en cel-das, con la característica de cruzabilidad se obtiene una imagen bi-naria. Esta imagen es una matriz que representará regiones cruza-bles (0) o no cruzables (1). La imagen será filtrada con operaciones morfológicas clásicas (closing) para suavizar las for-


mas de las regiones y obtener mejores resultados posteriores sin modificar las dimensiones de las mismas. Para terminar se obtie-nen las fronteras entre las regiones cruzables y no cruzables para construir el MRC, a partir de detectores de bordes utilizados en el procesamiento de imágenes digitales.

5.1 Algoritmo para el modelo de cruzabilidad

Como ya ha sido comentado, para la representación de las regiones se ha elegido el DV por las siguientes razones:

• El modelo se construye a partir de la información sensorial. Por ello es rápido en su cálculo y puede utilizarse en tiempo real.

• DV por definición genera las trayectorias que maximizan la dis-tancia entre el robot y los obstáculos. Por lo que el modelo es muy interesante para la navegación segura.

• El modelo del entorno es una representación esquemática del espacio libre del robot, por lo que no presenta problemas de al-macenamiento de la información.

El DVL (Diagrama de Voronoi Local) presentado en este trabajo, utiliza la aproximación a una imagen digital. El primer paso que se realiza es la agrupación de datos o pixels de la imagen en grupos generadores gi. Para cada punto o celda (i,j) del espacio libre existe al menos un punto más cer-cano al espacio ocupado que se denomina punto base. Así, el DVL se defi-ne como la serie de puntos en el espacio libre que tiene al menos dos pun-tos base diferentes, es decir, que se encuentra a la misma distancia de al menos dos grupos generadores, siendo esta distancia menos que la que se le separa del resto de los puntos del espacio ocupado. Los pasos a seguir son:

1) Agrupamiento de los pixels (i,j) que forman las fronteras en series de puntos generadores. Se consideran dentro de un mismo grupo generador todos aquellos puntos que se encuentran a una distancia tal que el robot no es capaz de pasar entre ellos.

2) Para cada celda (i,j) se evalúa la pertenencia a las Regiones de Vo-ronoi (RG) definidas por los obstáculos presentes en el entorno observado. Las RG tienen la propiedad de cubrir todo el espacio libre, por lo que cualquier punto de la imagen pertenecerá al me-nos a una RG. Para ello se evalúa la distancia de cada celda a to-dos los grupos generadores, de forma que la celdilla pertenece a la RG de un objeto si está más cerca de éste que de todos los demás. Si la celda es equidistante a dos objetos del entorno. pertenecerá a


un Borde de Voronoi (BD) y si es equidistante a más de dos obje-tos será un Nodo de voronoi (ND).

En el cálculo de la distancia se tendrá en cuenta el error ocasionado al rea-lizar la discretización. Las distancias se calculan entre centros de las celdas. Sin embargo la verdadera posición puede encontrarse en cualquier punto de la celda. Por ello se calcula la distancia máxima a la cual pueden encontrarse dos puntos pertenecientes a dos celdas diferentes y se incluye en la evaluación del etiquetado de celdas en regiones, bordes o nodos. En la figura 4 se presenta un resultado del modelo.

Fig. 4. Representación del modelo de cruzabilidad

6. Construcción de un Modelo Global

Con la información de los modelos de regiones locales, y gracias al GPS diferencial que se encuentra a bordo del robot, es posible construir mode-los globales mediante la integración de los modelos locales obtenidos a medida que el robot se desplaza. Esta integración se realiza a partir del cambio de coordenadas de los puntos del modelo de un sistema local si-tuado en la base del robot a un sistema global. La integración se realiza mediante: el agrupamiento de los puntos de interés (bordes y nodos de ca-da DVL) en regiones definidas por circunferencias de radio r y su sustitu-ción por el centro de masas del sistema de puntos agrupados. De esta manera, cada nodo o borde del DVL, definido por sus coordenadas (x,y) en el sistema de referencia global y por su distancia a los grupos ge-neradores, es incorporado a una lista de puntos con las mismas caracterís-ticas de posición.


7. Resultados experimentales

En esta sección presentamos los resultados experimentales obtenidos en tres entornos exteriores reales diferentes y la construcción de un modelo global. Como resultados de los modelos locales en cada escena, se presen-tan: • El MNC obtenido, donde los puntos que pertenecen a la ZA se repre-

sentan en color claro y los pertenecientes a la ZNA en oscuro. • El MV basado en el modelo anterior, para una mejor visión de la es-

cena. • El DVL, como representación de las regiones cruzables. El modelo construido no solo se adapta al tipo de terreno, sino que también está adaptado a la tarea del robot y a la propia plataforma robótica. En este caso, los resultados experimentales se han llevado a cabo con el robot GOLIAT, plataforma desarrollada en la Universidad Carlos III de Madrid. Se trata de un vehículo de tracción con orugas de 1.5 Ton. Los sistemas de percepción que se encuentran a bordo del robot y que han sido utilizados para la obtención de los resultados experimentales son: un láser 3D inte-grado en el Robotics Lab a partir de un láser 2D de Sick y un motor, una brújula magnética y un GPS diferencial. Detalles sobre la estructura, arqui-tectura y sistemas sensoriales de la plataforma pueden consultarse en (Cas-tejón, 2004).

Fig. 5. Robot de Exteriores GOLIAT


Los parámetros asociados a la plataforma de exteriores GOLIAT, necesa-rios para obtener la cruzabilidad se presentan en la tabla 1.

Tabla 1. Parámetros característicos de GOLIAT

Altura máxima del robot (incluida la antena DGPS) Hrobot 219.50 cm Distancia del telémetro láser 3D al SDR de la base HL 152.30 cm Ancho del robot Drobot 188.50 cm Altura máxima que las orugas pueden sobrepasar Umin 15.00 cm Pendiente máxima de subida ξmax +54º Pendiente mínima de bajada ξmin -49º Grado de rugosidad máximo ωth 0.2

7.1 Primera escena: entorno con obstáculos aéreos

En la figura 6 se presentan los resultados experimentales de la primera es-cena. Se trata de un entorno parcialmente estructurado con obstáculos aé-reos. El entorno presenta un grado de rugosidad relativamente bajo y ac-cesible para el robot. En el MNC (parte superior derecha), se observa como el obstáculo aéreo ha sido etiquetado como ZNA, a pesar de ser un objeto que se encuentra a una altura superior a la del robot. Con la cons-trucción del mapa de elevación y mapa de visibilidad (en la parte inferior izquierda de la figura 6), este objeto no será considerado como obstáculo, gracias al cálculo del número de obstáculos por celda, comentado en sec-ciones anteriores. Por último, se presenta en la parte inferior derecha de esta misma figura el DVL, donde se pede apreciar los caminos de máxima seguridad. Para este resultado, se ha considerado una resolución de celda de 20 cm.

El DVL almacenará las coordenadas (x,y) de cada punto que pertenece a él en la figura se representa en oscuro los bordes de voronoi y en claro los nodos, proporcionando información adicional al planificador. En cuanto al tiempo de procesado de toda la metodología (desde la obtención de las medidas 3D por parte del sensor hasta el modelo de regiones) es inferior a los 5 segundos (en un ordenador personal AMD-K6 (tm) 3D processor, con 64MB de RAM).


Fig. 6. Resultados experimentales primera escena

7.2 Segunda escena: entorno con diferentes pendient es

En la figura 7 se presenta tanto la escena como los modelos parciales y el MRC de un entorno semiestructurado con obstáculos. Lo más relevante de la escena es la diferencia de pendientes, remarcadas en la parte superior iz-quierda de la figura 7. En el MNC representado permite destacar la canti-dad de información que proporciona el telémetro láser 3D, que produce mapas densos con un rango de 30 metros. Esto puede apreciarse en la defi-nición del árbol y las paredes del edificio. En cuanto al tiempo de procesa-do de este entorno, se presenta inferior a los 5 segundos. Estos valores de-penden del número de obstáculos presentes en la escena y de la dificultad del entorno.

7.3 Tercera escena: entorno complejo

En la figura 8 se muestra un entorno denominado complejo por el número de obstáculos presentes. La metodología nos lleva a través de los diferen-tes modelos a un modelo compacto de cruzabilidad, donde en este caso, permite al planificador elegir entre diferentes trayectorias seguras. Al ser


éste un entorno con mayor complejidad, el tiempo de cálculo se encuentra entre los 5 y los 6 segundos.

Fig. 7. Resultados experimentales, segunda escena

Fig. 8. Resultados experimentales, tercera escena


7.4 Modelos globales

En esta sección se muestra una secuencia de exploración del robot GOLIAT. La plataforma móvil captura una imagen del entorno cada tres metros y construye el modelo incremental. En la figura 9 se presentan al-guna de las secuencias. Se puede observar que se conserva la bondad de los resultados gracias a la información adicional del GPS diferencial. Se observa a lo largo de toda la secuencia que a medida que el robot adquiere nuevos modelos según se desplaza, zonas que en los primeros mapas eran considerados como no visibles se convierte en zonas de paso al aumentar la información.

Fig. 9. Resultados experimentales, modelo global.


7. Conclusiones

La información tridimensional ha sido utilizada para aplicar una nueva me-todología para el modelado de entornos exteriores, basado en el análisis topográfico. El modelo puede ser construido en tiempo real, mientras el robot se mueve, y es posible llevar a cabo una integración con el fin de conseguir una base de conocimiento sobre un modelo global. Como con-clusión de los resultados experimentales podemos subrayar que el algorit-mo es altamente eficiente en tiempo de cálculo. Se ha utilizado una resolu-ción de celdilla de 20 cm, que en el caso de las dimensiones del entorno y del robot es bastante pequeña, en pruebas realizadas se ha comprobado que con un tamaño de celdilla de 50 cm para entornos como los presentados, se consiguen tiempos inferiores a 1 segundo. El tiempo requerido para inte-grar los mapas locales en uno global es de 50 ms. El modelo es muy fácil de utilizar para la navegación porque detecta las celdas que no son cruzables y el mapa nos da caminos locales seguros. Por ello, el mapa puede ser utilizado directamente para obtener caminos glo-bales. El tiempo de procesado del DVL aumenta con el número de celdas libres y con el número de puntos generadores.

Acknowledgements

Los autores quieren agradecer sinceramente los fondos proporcionados por el Gobierno español a través del proyecto MICYT DPI2003-01170.

References

Betgé-Brezetz S., Chatila R., y Devi M., “Natural scene understanding for mobile robot navigation,” in IEEE International Conference on Robotics and Automation, 1994, vol. 1, pp. 730–736.

Blanco D., Boada B.L., Moreno L., y Salichs M.A., “Local mapping from on-line laser voronoi extraction,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2000. Blanco D., Boada B.L., Castejón C., Balaguer C., y Moreno L.E., “Sensor-based path planning for a mobile manipulator guided by the humans,” in The 11th international conference on Advanced Robotics, ICAR 2003, 2003, vol. 1.


Boada B.L., Palazon D, Blanco D., y Moreno L., 2002 “Voronoi based place recognition using hidden Markov models,” in International Federa-tion of Automatic Control 15th IFAC World Congress.

Castejón C., Boada B.L., Blanco D., y Moreno L., 2005 “Traversable Re-gion Modeling for outdoor navigation”, Journal of Intelligent and Robotic Systems, n 43, pag: 157-216.

Castejón C., Blanco, D., Boada B.L., y Moreno L., 2004 “Desarrollo del sistema de percepción de una plataforma móvil para entornos exteriores”, Revista iberoamericana de Ingeniería Mecánica, vol 8, n 3, pag 3-23.

Choset H., Walker S., Eiamsa-Ard K., y Burdick J., 2000 “Sensor-based exploration: Incremental construction of the hierarchical generalized vo-ronoi graph,” International Journal of Robotics Research, vol. 19, no. 2, pp. 126–148, February.

Escalera A. de la, 2001, Visión por computador. Fundamentos y Métodos. Prentice Hall.

Fernández V., Balaguer C., Blanco D., y Salichs M.A., “Active Human-Mobile Manipulator Cooperation Through Intention Recognition,” in Pro-ceedings of the IEEE International Conference on Robotics and Automa-tion, Seoul, Korea, 2001, pp. 2668–2673.

Gomes-Mota J., y Ribeiro M.I., 2000, “Mobile robot localization on recon-structed 3d models,” Robotics and Autonomous Systems, vol. 31, pp. 17–30.

Hähnel D., Burgard W., y Thrun S., 2003 “Learning compact 3d models of indoor and outdoor environments with a mobile robot,” Robotics and Autonomous Systems, vol. 1, no. 44, pp. 15–27.

Langer D., Rosenblatt J.K., y Hebert M., 1994 “A behavior-based system for off-road navigation,” IEEE Trans. Robotics and Automation, vol. 10, no. 6, pp. 776–782.

Maurette M., 2003 “Mars rover autonomous navigation,” Autonomous ro-bots,vol. 14, pp. 199–208.


Nehmzow U. y Owen C., 2000 “Robot navigation in the real world: ex-periments with manchester’s fortytwo in unmodified, large environments,” Robotics and Autonomous Systems, vol. 33, pp. 223–242.

Ranganathan P., Hayet J.B., Devy M., Hutchinson S., y Lerasle F., 2000, “Topological navigation and qualitative localization for indoor environ-ment using multi-sensory perception,” Robotics and Autonomous systems, vol. 41, pp. 137–144.

Seraji H., 1999, “Traversability index: a new concept for planetary rov-ers,” in Proceedings of the 1999 IEEE International Conference on Robot-ics & Automation.

Thrun S., 1998, “Learning metric-topological maps for indoor mobile ro-bot navigation,” Artificial Intelligence, vol. 99, no. 1, pp. 21–71, February.

Yahja A., Singh S., y Stentz A., 2000, “An efficient on-line path planner for outdoor mobile robots,” Robotics and autonomous systems, vol. 32, pp. 129–143.

CAPÍTULO 5

Localización de Robots y AGVs Mediante Tecnología RFID

F. SECO1, F. RAMOS, A. KOUTSOU, A.R. JIMÉNEZ, C. PRIETO, J. ROA, J. GUEVARA y J. EALO2

1Grupo LOPSI, Instituto de Automática Industrial - CSIC, Ctra. De Campo Real km 0,200. 28500 Arganda del Rey, Madrid; 2Universidad del Valle, Colombia.

El conocimiento de la posición propia es uno de los requisitos imprescin-dibles para la navegación autónoma de robots, vehículos móviles o perso-nas. Para operar en el interior de edificios, donde el GPS no es operativo, se han desarrollado numerosos sistemas de posicionamiento local (LPS) al-ternativos; entre ellos, los basados en señales de radiofrecuencia (RF) son muy interesantes porque operan tanto en interiores como exteriores, no re-quieren línea de visión directa con el móvil y el coste de la infraestructura necesaria es reducido. En este trabajo presentamos los primeros resultados obtenidos con un sistema LPS basado en identificadores de radiofrecuencia (RFID) desarrollado por nuestro grupo en el Instituto de Automática In-dustrial. El sistema estima la posición del vehículo móvil de forma indire-cta a partir del nivel de señal (RSSI) recibido de varios marcadores distri-buidos por el entorno. La estimación de la posición es de naturaleza bayesiana, basándose en una caracterización probabilística del proceso de medida, y en la combinación de un número estadísticamente significativo de las mismas para obtener una precisión aceptable. En este trabajo se muestra que mediante la aplicación de un filtro de partículas a las medidas obtenidas con el RFID-LPS, pueden alcanzarse errores de posicionamiento medios del orden de 1.5-2.5 metros, con una densidad de marcadores rela-tivamente baja.


1 Introducción

El problema de la navegación, definida como la capacidad de un robot o vehículo autónomo (AGV) para desplazarse libremente por un entorno desconocido, sigue centrando gran parte de los esfuerzos investigadores de la comunidad robótica. Algunos autores (Salichs, 2000) han dividido con-ceptualmente el problema de la navegación en cuatro áreas: el control del movimiento del robot (por ejemplo para evitar obstáculos en su camino); la interpretación de los datos sensoriales recibidos para crear un modelo del entorno; la localización física del móvil, y el planeamiento de rutas dentro del entorno. Al igual que para los seres vivos, esta división no corresponde a tareas completamente disjuntas, existiendo una gran interrelación entre las mismas.

El conocimiento de la propia posición es, pues, fundamental para la na-vegación del robot. Una de las formas habituales para determinar la misma es emplear algún tipo de señales producidas por una infraestructura externa al propio objeto móvil. El ejemplo más notorio de este tipo de técnicas es el sistema de posicionamiento1 global (GPS), que ofrece excelentes presta-ciones de precisión y robustez, así como un notable grado de implantación en el mercado. Su mayor inconveniente desde el punto de vista de la robó-tica móvil es su inoperatividad en regiones donde falle la cobertura, lo que ocurre en determinadas zonas de exteriores y en la gran mayoría de los en-tornos interiores. Afortunadamente, se han desarrollado una multitud de sistemas de localización basados en diferentes tecnologías físicas que po-demos englobar mediante el acrónimo LPS (Sistemas de Posicionamiento Local) (Jiménez, 2005; Kolodziej, 2006).

De entre los diferentes soportes tecnológicos para los LPS (ultrasonidos, infrarrojos, visión artificial, etc), los basados en señales de radio están ex-perimentando un gran auge en la actualidad. Estos sistemas se benefician de la relativa ubicuidad de la comunicación por radio en interiores (ejem-plos notorios son GSM, WiFi, Bluetooth y RFID), y, por tanto de su bajo coste. Desde el punto de vista de la localización, estas tecnologías presen-tan la ventaja de no requerir línea de visión directa (LOS) al objeto móvil; su principal desventaja es que, por haber sido desarrollados para la comu-nicación de datos y no para posicionamiento, la localización debe realizar-se indirectamente a partir de variables físicas como el nivel de señal reci-

1 En inglés, “Positioning” y “Localization” se usan de forma intercambiable para

indicar la determinación de la posición de un objeto; no así en español, donde el término estrictamente correcto (según la RAE) es localización.

Localización de Robots y AGVs Mediante Tecnología RFID 69

bida o la calidad del enlace de datos2. La medida de dichas variables está sujeta a grandes fluctuaciones, por lo que la estimación de datos es de na-turaleza estadística; no obstante este inconveniente, este tipo de técnicas de estimación, conocidos por métodos bayesianos o de Monte Carlo, están adquiriendo una gran popularidad en Robótica (Thrun, 2002).

El presente trabajo se centrará en un sistema de localización de interio-res desarrollado por el grupo LOPSI (Localización y Exploración para Sis-temas Inteligentes), que usa la tecnología de identificación por radiofre-cuencia (RFID). De entre las tecnologías de radio mencionadas anteriormente, RFID es seguramente la que goza de mayor grado de acep-tación general, y por sus características (que describiremos en la sección 2), resulta idónea para el desarrollo de LPS. El resto del presente trabajo se estructura de la siguiente manera: en la sección 3 describiremos los méto-dos bayesianos que permiten obtener la máxima precisión de localización partiendo de medidas de naturaleza imprecisa, así como la implementación de un filtro de partículas que será empleada posteriormente. En la sección 4 mostramos los resultados obtenidos por nuestro grupo hasta el momento, mediante dos configuraciones básicas del sistema RFID-LPS (un sistema central y otro individual de posicionamiento). Finalmente, en la sección 5 ofrecemos una discusión de los resultados, las conclusiones y futuras lí-neas de mejora.

2 La tecnología RFID

Los marcadores de radiofrecuencia o RFID (Radio Frequency Identifica-tion) son pequeños dispositivos que transmiten un código digital con un número de identificación al ser interrogados mediante radio por un lector. Los marcadores pueden ser pasivos o activos. Los primeros son de peque-ño tamaño, y no poseen fuente de alimentación propia, sino que utilizan parte de la energía recibida por el lector para emitir su código, y, en conse-cuencia, tienen un rango de operación pequeño, de 1 m aproximadamente. Por el contrario, los marcadores activos son de mayor tamaño porque po-seen fuente de alimentación propia; su alcance típico es de varias decenas de metros, dependiendo del entorno.

En la figura 1 se muestra el sistema RFID de la empresa Wavetrend ad-quirido por el grupo Lopsi para la realización de experimentos de localiza-ción. Se muestran los marcadores activos (de dimensiones 85 x 70 x 9 mm,

2 Una excepción es la radio de banda ultra-ancha UWB, en la que la medida de

rangos se produce directamente a partir del tiempo de vuelo (Gezici 2005).


peso 25 g), que emiten su código de identificación cada 1.5 s, con un tiem-po de vida útil de 5 años. Esta empresa ofrece asimismo dos tipos de ante-nas: omnidireccional (en realidad, panorámica) y de tipo panel, con direc-tividad angular. La frecuencia de RF empleada por el sistema es de 433 MHz.

Fig. 1. Sistema RFID de la empresa Wavetrend empleado para las pruebas ex-perimentales: (a) lectores de tipo panel (patch); (b) marcadores activos (tags); y

(c) lectores omnidireccionales (stub).

La red de lectores se configura en una topología en anillo, mediante una

conexión RS-485 (la conexión del nodo central al PC es mediante RS-232). Para el desarrollo del sistema de software se desarrolló un conjunto de rutinas en el entorno Matlab basadas en la interrogación al sistema por el puerto serie según los comandos de bajo nivel detallados por el fabrican-te. La principal finalidad de estas rutinas es la interrogación a uno o múlti-ples lectores del valor de señal (RSSI) recibido de todos los marcadores presentes en el área de trabajo, así como la detección automática de la apa-rición o desaparición de nuevos marcadores. De esta forma se obtienen los datos crudos necesarios para la operación de los algoritmos de localiza-ción.


Como un paso previo a la configuración del sistema de localización, se realizaron pruebas para estudiar diversas características físicas del sistema. Algunos de los datos extraídos son:

• Un alcance de recepción operativo de 25 en exteriores, y de 30

m en interiores. • La relación entre fuerza de señal RSSI y rango r de marcador a

lector sigue una pauta predecible en exterior, pero se deteriora por reflexiones múltiples, atenuación, etc en interiores.

• Las antenas de tipo panel presentan una elevada directividad, siendo útiles para medir ángulos, particularmente en una confi-guración doble (dos antenas separadas 90º).

• A pesar de la atenuación, el lector es habitualmente capaz de de-tectar marcadores situados detrás de obstáculos sólidos. El des-censo en el nivel de señal RSSI típico es de 30 unidades al atra-vesar una pared de 25 cm de espesor, 20 unidades para un cuerpo humano interpuesto, y de apenas 2-3 unidades para una puerta de madera hueca.

Estos datos nos confirman que el sistema de localización basado en

RFID es capaz de abarcar un área relativamente grande con baja densidad de lectores; que es posible, al menos a priori, calcular rango y ángulo rela-tivo entre lector y marcador; que es asimismo capaz de operar en condi-ciones de falta de visión directa (NLOS), pero que va a ser perturbado por la presencia de obstáculos, y en particular, de personas, de forma imprede-cible. Mayor información puede encontrarse en el trabajo (Ramos, 2006).

3 Localización bayesiana

Desde un punto de vista general, el problema de la localización puede ex-presarse como la determinación de las coordenadas de un móvil en un tiempo dado t, , a partir de un conjunto de medidas sensoriales recogidas en el tiempo t y tiempos anteriores (Thrun, 2001):

tx̂

ttttttt xuuuzzz ˆ,...},,,...;,,{ 2121 ⇒−−−− , (1)

donde se ha distinguido, como es habitual en robótica, entre datos de

percepción z (por ejemplo, tiempos de vuelo TOF ultrasónicos, medidas de


RSSI de marcadores RFID, etc) y datos de odometría u, aunque no necesa-riamente estos últimos estarán siempre presentes.

La relación entre los datos de percepción z y la posición x determinará la eficacia de los métodos empleados para la localización. En un LPS ultra-sónico, los tiempos de vuelo (TOF) de las señales están determinados por los rangos entre el robot móvil y el faro ultrasónico; por tanto la relación de z con x es determinista, y la posición del móvil puede calcularse me-diante multilateración o alguna de sus variantes (Jiménez, 2006). La incer-tidumbre en las medidas se restringe únicamente al ruido de medida que las perturba; bajo la asunción de que dicho ruido es gaussiano, la estima-ción óptima de la posición puede producirse mediante un filtro de Kalman3.

Por el contrario, las señales de radio que se propagan por interiores es-tán sujetas a tantos factores perturbadores (presencia de obstáculos, propa-gación multicamino, movimiento de personas, etc), que resulta imposible a priori encontrar una relación determinista entre el rango de emisor a recep-tor con el nivel de señal recibido por éste. Por ello, deben explotarse rela-ciones estadísticas con las medidas para producir una estimación de la po-sición que concuerde “de la mejor forma posible” con los observables {z,u}, así como con el estado previo estimado, . tx

Una importante ventaja de los métodos bayesianos de estimación de la posición es que permiten combinar de forma natural medidas procedentes de sensores tecnológicamente distintos (por ejemplo, medidas de RSSI de señales de radio con TOF de señales ultrasónicas).

3.1 Fundamentos de la localización bayesiana

Los métodos bayesianos (Fox, 2003) representan la posición del móvil

en un instante dado mediante una distribución de probabilidad, , dependiente de las medidas recibidas hasta el mo-

mento. En principio esta distribución de probabilidad puede tener una for-ma arbitraria, pudiendo incluso acomodar simultáneamente varias hipóte-sis distintas sobre la posición.

,...),,|( 21 −− tttt zzzxp

3 Un problema habitual se da si el camino directo (LOS) entre emisor y receptor

está bloqueado, pero existe un camino indirecto para la propagación ultrasóni-ca, por ejemplo, por reflexión en una pared. En este caso, se darán medidas z=TOF con un error sistemático respecto al verdadero rango; este problema puede solventarse, si existe redundancia en el número de sensores disponibles, mediante los llamados algoritmos de monitorización de la integridad (RAIM).


Los métodos bayesianos actualizan la distribución de probabilidad

con la llegada de nuevas medidas de forma recursiva en dos pasos: )( txp

1. El modelo de movimiento considera la información existente sobre el desplazamiento del móvil para predecir el lugar dónde estará en el siguiente instante de tiempo. Si el robot dispone de medidas de odometría , esa información también es empleada: u

∫ −−−−= 1111 )(),|()( ttttttpriori dxxpuxxpxp (2)

Este modelo puede ser muy sencillo; por ejemplo, si únicamente conocemos la velocidad máxima de desplazamiento del robot, podemos suponer que es uniforme en un cír-culo de radio y cero en el exterior. El modelo de movi-miento también puede incorporar otros datos disponibles sobre el entorno de movimiento: existencia de paredes, zonas inacce-sibles por el robot, etc..

maxv)|( 1−tt xxp

dtvmax

2. Tras aplicar el modelo de movimiento obtenemos una estima-

ción a priori de la posición del móvil; el modelo sensorial em-plea el teorema de Bayes para corregir dicha estimación con la información aportada por las nuevas medidas recibidas:

)()|()( t

priorittt

posteriori xpxzpxp = , (3) donde sería la probabilidad condicio-nal una vez recibidas las medidas z. La distribución de probabi-lidad empleada en el modelo sensorial, , puede ser calculada a partir de las características conocidas de los senso-res o, más comúnmente, determinada experimentalmente.

)|()( tttposteriori zxpxp =

)|( tt xzp

Ambas etapas se realizan de forma consecutiva, refinándose en cada caso la estimación de la densidad de probabilidad . )( txp

Existen numerosas implementaciones prácticas de los métodos bayesia-nos; en aplicaciones robóticas las más interesantes son aquellas que permi-ten funcionamiento en tiempo real y suponen un uso limitado de los recur-


sos del sistema (tiempo de procesamiento y memoria). En este trabajo nos limitaremos a la implementación conocida como filtro de partículas, cuya filosofía de funcionamiento describimos a continuación. Otras alternativas basadas en algoritmos genéticos se describen en (Moreno, 2006).

3.2 El filtro de partículas para estimación de la posición

El principal problema, desde el punto de vista computacional, de los méto-dos bayesianos, es cómo muestrear apropiadamente la función de probabi-lidad de forma que se obtengan estimaciones precisas de la posi-ción. Un enfoque puede consistir en considerar sistemáticamente todas las posibles posiciones del móvil en el entorno de trabajo, mediante un malla-do suficientemente denso. Es fácilmente comprensible que este camino conduce a unos requisitos de cálculo demasiado elevados (particularmente en el caso de estimaciones de estados con varios grados de libertad, por ejemplo, posición y orientación).

)( txp

Los filtros de partículas concentran los esfuerzos de cálculo en las re-giones donde es más probable la presencia del móvil. Para ello, aproximan la distribución de probabilidad mediante un conjunto de N muestras (o par-tículas) de la siguiente forma (Fox, 2001):

},...,1,,{)( Niwxxp i

titt =≈ , (4)

donde las partículas están situadas en posiciones y tienen factores de

importancia o pesos . Inicialmente las partículas están distribuidas al azar por todo el entorno de posibles desplazamientos y todas tienen un pe-so igual a 1/N. Cuando se reciben medidas de RSSI en el sistema, el filtro corrige los pesos mediante el teorema de Bayes de forma análoga a la ecuación 3, aplicando posteriormente una normalización de forma que

. El modelo de movimiento se realiza mediante el remuestreo de las partículas. Para ello se reemplazan todas las partículas de la iteración anterior por otras con pesos de nuevo iguales a 1/N, pero situadas más den-samente en el los lugares donde las partículas de la iteración previa tuvie-ran mayores pesos. La forma de la región donde las nuevas partículas son colocadas viene dictada por el modelo de movimiento, de forma similar a la ecuación 2. Por precaución, una fracción del número total de partículas se disemina al azar por todo el entorno de movimiento, de forma que el fil-tro pueda recuperarse si se ha producido un error en la estimación, o se ha “raptado” al robot. La figura 2 muestra tres iteraciones de un filtro de par-

ixiw

1=∑ itw


tículas (correspondientes al experimento que se describirá en la sección 4.2).

10 20 30 40 50 60

-45

-40

-35

-30

-25

-20

-15

-10

-5

0

(a) Situación inicial

10 20 30 40 50 60

-40

-35

-30

-25

-20

-15

-10

-5

0(b) Tras 1 ciclo

10 20 30 40 50 60

-40

-35

-30

-25

-20

-15

-10

-5

0(c) Tras 2 ciclos

Fig. 2: Evolución de la estimación de la posición mediante un filtro de partícu-

las: (a) la primera estimación contiene partículas distribuidas por todo el espacio de trabajo; (b), (c) las estimaciones sucesivas concentran mayor número de partí-

culas en el lugar donde se estima que está el móvil.

4 Resultados experimentales

Hasta el momento, las pruebas realizadas dentro del grupo Lopsi se co-rresponden con dos configuraciones distintas del RFID-LPS: un sistema centralizado con numerosos lectores por el entorno y otro orientado a la privacidad, donde el lector es portado por el usuario que quiere autolocali-zarse. Ambos se describen a continuación.

4.1 Localización mediante un sistema centralizado

El LPS consiste en una red de lectores RFID colocados por el entorno, y un sistema central que a partir de las lecturas de RSSI de un usuario de-terminado (que debe portar un marcador identificador) desde varios de los


lectores de la red, realiza la estimación de su posición. Esta configuración se estudió en el marco del proyecto del Imserso Ariadna (“Sistema de loca-lización e interactuación para personas mayores y/o con discapacidad en interiores de edificios”), y está descrita en (Ramos, 2006)

Una de las configuraciones empleadas para este sistema consistió en cuatro lectores omnidireccionales y cuatro de tipo panel (estos últimos agrupados en dos parejas) colocados en el recibidor del Instituto de Auto-mática Industrial (figura 3). Para la caracterización del sistema se recorrie-ron exhaustivamente todos los puntos del recibidor, aprovechando la rejilla “natural” proporcionada por las baldosas del suelo (con dimensiones 40 x 40 cm), y anotando las medidas de RSSI recibidas de un marcador portado por el usuario. La figura 4 muestra los resultados de esta calibración, para dos de las antenas omnidireccionales y los dos paneles de una antena di-rectiva.

Fig. 3: Posicionamiento de los lectores en el recibidor del Instituto de Automá-tica Industrial


Fig. 4: Disposición y calibración del sistema RFID centralizado. (a) Montaje de pares de antenas de tipo panel (círculos rojos); (b) y (c) mapas de calibración de dos antenas omnidireccionales; (d) y (e) mapas de calibración de una antena del

tipo panel. La graduación de colores de verde a rojo indica menores a mayores va-lores de RSSI. A partir de estos mapas se obtienen los modelos de medida

P(RSSI|r).


Fig. 5: Seguimiento de dos trayectorias (real: línea roja; estimación: línea ne-gra) en el recibidor del Instituto con el sistema de posicionamiento centralizado.

Con dicho sistema se realizó el seguimiento de varias trayectorias por el

recibidor, algunas de las cuales se muestran en la figura 5. En general, no se obtuvieron resultados satisfactorios con estas configuraciones, con erro-res medios en torno a los 3-4 m (en trayectorias de menos de 20 m de lon-gitud). En particular, no se obtuvo un modelo estadístico satisfactorio de las antenas de panel, por lo cual la aportación de las mismas a la estima-ción de la posición no fue muy positiva. La baja precisión puede deberse a un número relativamente bajo de antenas receptoras operativas (4 lectores omnidireccionales). Obviamente, el coste global del sistema crece rápida-mente con el número de lectores, así que se decidió cambiar de configura-ción y trabajar con el LPS que se describe a continuación.

4.2 Sistema orientado a la privacidad

Esta configuración del sistema de localización es la inversa a la del aparta-do 4.1: en este caso existen varios marcadores de RFID diseminados den-samente por el entorno, y es el propio usuario (dotado de su lector RFID) el que se autolocaliza, para lo cual debe contar con un sistema de procesa-miento (un ordenador portátil o una PDA) además de un mapa con la posi-ción de los marcadores RFID que le sirven como referencia. Este modo de


funcionamiento imita a la configuración de GPS, y está orientado a la pri-vacidad en el sentido de que la posición de los usuarios es conocida úni-camente por ellos mismos. En esta configuración se está trabajando en el seno del proyecto Dédalo (“Sistema para proporcionar servicios de guiado en espacios interiores para el incremento de la autonomía personal de las personas mayores e invidentes”), y los primeros resultados obtenidos están descritos en (Koutsou, 2007).

Las ventajas de la arquitectura descentralizada es la fácil escalabilidad del sistema, el soporte de un número elevado de usuarios y la práctica au-sencia de mantenimiento (más allá de reemplazar los marcadores RFID cuando sus baterías se agoten); además, dependiendo de la aplicación, di-chos marcadores pueden ser pasivos, con la consiguiente disminución de su coste.

En la fase de calibración del sistema para este proyecto se ha decidido crear modelos de medida distintos P(RSSI|r) en función de que lector y partícula tengan LOS o no; se ha comprobado experimentalmente que se alcanzan mayores precisiones en la localización de esta forma. Un ejemplo de histogramas de la calibración del sistema se muestra en la figura 6.

Fig. 6: Histogramas con la densidad de probabilidad P(RSSI|r) halladas me-

diante la calibración del sistema orientado a la privacidad (columna izquierda: LOS entre receptor y marcador; columna derecha: sin línea directa). Se muestran

tres rangos diferentes (3, 10 y 21 m).


Como ejemplo de la capacidad de autolocalización obtenida, en la figura

7 se muestran dos trayectorias, la primera de las cuales transcurre en el re-cibidor del Instituto de Automática y la segunda abarca tres salas: el propio recibidor, un pasillo y el laboratorio de nuestro grupo. En ambos casos comprobamos que el usuario es capaz de autolocalizarse con suficiente precisión como para permitir la navegación; aunque los errores medios ob-tenidos (1.4 y 2.5 m respectivamente) están todavía lejos de la precisión obtenible por LPS ultrasónicos (Jiménez, 2006). Un área de mejora es el modelo doble de P(RSSI|r) de la figura 6.

Fig. 7: Estimaciones de trayectorias propias con el sistema de localización del

apartado 4.2: (a) trayectoria en el recibidor; (b) trayectoria por el recibidor, pasillo y laboratorio. Los marcadores RFID se indican mediante puntos rojos.

Conclusiones

En este trabajo se han discutido las principales características de los siste-mas de localización basados en la tecnología RFID (RFID-LPS), incluyen-do su configuración, las técnicas de estimación bayesiana de la posición que deben emplearse para procesar la información aportada por el nivel de señal RSSI y una implementación práctica basada en un filtro de partícu-las. Se han mostrado los resultados obtenidos con dos prototipos de LPS basa-dos en diseños distintos: uno centralizado con varios receptores en el en-torno, y otro individual u orientado a la privacidad, donde son los marca-dores inalámbricos los que se colocan en el edificio. En principio se han obtenido mejores precisiones de localización con el segundo sistema. Se


demuestra que el LPS permite localizar de forma topológica al móvil, si bien las precisiones ofrecidas (entre 1.5 y 2.5 m) no son competitivas por el momento con las alcanzables por sistemas LPS ultrasónicos. No obstan-te, la enorme ventaja en coste y escalabilidad de la tecnología RFID frente a ultrasonidos hace que sea prometedora la investigación en la mejora de los sistemas RFID-LPS para aplicaciones de Robótica, computación ubi-cua y entornos inteligentes.

Agradecimientos

Los autores agradecen la financiación aportada por el Imserso en el marco de los proyectos Ariadna (2006) y Dédalo (2007) en la realización de la presente investigación.

Referencias

Fox D., S. Thrun, W. Burgard y F. Dellaert "Particle Filters for Mobile Robot Localization," in Sequential Monte Carlo Methods in Practice, (edi-tors A. Doucet, J.F.G. de Freitas and N.J. Gordon). New York: Springer-Verlag (2001). Fox D., Hightower, J., Liao, L., Schulz D. y Borriello, G, 2003. Bayesian Filtering for Location Estimation. IEEE Pervasive Computing 2 (3): pp 24−33. Gezici S. et al, 2005. Localization via Ultrawideband Radios. IEEE Signal Processing Magazine 22(4): pp 70-84.

Jiménez, A. R., Seco, F, Prieto C. y Roa, J., Tecnologías sensoriales para la localización en entornos inteligentes, Simposio de Computación Ubicua e Inteligencia Ambiental, UCAmI'2005 (CEDI 2005: I Congreso Español de Informática), Granada, 13-16 de septiembre de 2005. Libro de actas, pp. 75-86 (ISBN: 84-9732-442-0) Jiménez A. R. y Seco, F. Ultrasonic Localization Methods for Accurate Positioning, en “New acoustics : selected topics II” (CSIC, F. Montero de Espinosa, C. Ranz, J. Pfretzschner, editores), pp.147-166 (2006) ISBN 84-00-08471-3.


Kolodziej, K. W. y Hjelm, J. 2006. Local Positioning Systems. LBS Ap-plications and Services, Taylor and Francis: Boca Raton, FL. Koutsou, A. et al 2007. Preliminary Localization Results With an RFID Based Indoor Guiding System. In Proc. IEEE Internacional Symposium on Intelligent Signal Processing., Alcalá de Henares, España, 3-5 octubre de 2007.

Moreno, L., Garrido, S., Muñoz, M. L., 2006. Evolutionary filter for robust mobile robot global localization. Robotics and Autonomous Systems 54 (7): pp 590−600.

F. Ramos, Estudio y definición de estrategias para localización en entornos interiores basadas en tecnología RFID. Trabajo de maestría, Universidad Politécnica de Madrid (2006) Salichs, M. A., Moreno, L., 2000. Navigation of mobile robots: open questions. Robotica vol. 18: pp 227−234. Thrun S, Fox, D., Burgard, W. y Dellaert, F, 2001. Robust Monte Carlo Localization for Mobile Robots. Artificial Intelligence, vol. 128, pp. 99-141. Thrun, S, 2002. Probabilistic Robotics, Communications of the ACM, vol. 45, no. 2, pp. 52-57.

CAPÍTULO 6

Robot de Grandes Dimensiones para la Consolidación de Laderas de Montañas

S. NABULSI, J. SARRIA, R. PONTICELLI y M. ARMADA

Instituto de Automática Industrial – CSIC [email protected]

Se presenta el análisis del diseño mecánico de Roboclimber (Anthoine, 2003) (Armada, 2002). Un robot de cuatro patas, escalador y caminante, financiado por un proyecto Growth/Craft de la Comunidad Europea para realizar perforaciones en las laderas de las montañas para poder después inyectar otros materiales para fortalecer su estructura. En la investigación se analizan los principios del diseño según las especificaciones del proyec-to y del estudio de la problemática de la robótica para implementar un ro-bot de grandes dimensiones con un nivel de seguridad y robustez altos.

1 Introducción

Para fortalecer la estructura de las montañas se realizan perforaciones hori-zontales con profundidades de hasta 20 m. en varios puntos de la pendien-te, y a continuación se inyecta hormigón para consolidar la estructura de la ladera. Este tipo de consolidación es realizada, a veces, acercando camio-nes con brazos articulados y llevando consigo el sistema de perforación, en sitios que deben ser accesibles para un vehículo pesado. Otra solución típica para este tipo de trabajos es el uso de andamios construidos para que los trabajadores logren acceder y subir los equipos necesarios. Por supues-to estas soluciones tienen un alto coste en todos los aspectos, necesitan mucho tiempo para su realización, lo que supone cargas laborales muy al-tas y especializadas en tareas sumamente peligrosas. Otras soluciones al-ternativas han sido desarrolladas, como son el uso de estructuras metálicas colgadas de las montañas mediante cables de acero en las que se lleva todo el equipamiento y trabajadores especializados a bordo.


Roboclimber es un robot caminante y escalador cuadrúpedo financiado bajo un proyecto Growth/Craft de la Comisión Europea (2002-2004), des-arrollado para realizar operaciones remotas y automatizadas de monitori-zación y de perforación en montañas rocosas de difícil acceso, con el obje-to de consolidar las laderas y evitar derrumbes, disminuyendo el riesgo que esto supone para distintas infraestructuras como carreteras, ferrocarriles o viviendas ubicadas al pie de las montañas.

Fig. 1. Diseño de Roboclimber

Conceptualmente Roboclimber se basa en una estructura mecánica dise-ñada para llevar el equipo necesario a bordo para realizar las labores de consolidación. La estructura es soportada por cuatro patas, cada una de tres grados de libertad y de configuración cilíndrica, cuyos movimientos se ge-neran a partir de actuadores hidráulicos y cuyo equipamiento tanto de con-trol como de potencia son llevados a bordo, ascendiendo por las paredes de las montañas con un peso superior a 3500 Kg con la ayuda de cables de acero sujetos adecuadamente en la cima de la montaña. El proyecto tiene como objetivo principal mejorar las condiciones del trabajo de consolida-ción con respecto a los diferentes tipos de soluciones actuales como lo son la reducción del tiempo de trabajo, reducción de gastos de materiales y de operación, y lo más importante, la disminución del riesgo laboral.

2 Diseño del sistema mecánico

Para entender el concepto de la estructura mecánica del robot se deben re-cordar los requerimientos del proyecto para el que fue construido. Primero, el robot tiene dos funciones principales, la primera es la recopilación de

Robot de Grandes Dimensiones para la Consolidación de Laderas de Monta-ñas 85

datos geológicos y la segunda es la de realizar trabajos de perforación para alcanzar profundidades de hasta 20 m en montañas rocosas.

Para la recopilación de datos geológicos, la fuerza de propulsión del ro-bot en la ladera debe ser generada mediante el uso de cables de acero suje-tos en la cima de la montaña, y por consiguiente la fuerza de agarre del ro-bot debe ser su propio peso. El robot debe ser capaz de caminar y escalar sobre pendientes compuestas entre 60º y 90º, superando obstáculos supe-riores a 500 mm de altura. En segundo lugar, el sistema debe llevar a bordo el equipo necesario para alimentar los actuadores y para la generación de movimientos de los diversos sistemas mecánicos.

2.1 Estructura mecánica

El diseño de la estructura mecánica de Roboclimber se basa en tubos cua-drados de acero con perfil cuadrado de 70 mm y 7 mm de espesor. Aun-que existen materiales más ligeros, como el aluminio, se ha decidido utili-zar el acero como el material principal para la fabricación de la estructura de Roboclimber gracias a sus propiedades mecánicas, que son más fiables considerando las elevadas cargas y torsiones que la estructura tendrá que soportar.

Fig. 2. Estructura de Roboclimber

a.

b.

c.


Esta estructura está dividida en seis partes principales. En la parte cen-tral del cuerpo se encuentran dos cavidades (c); la posterior está diseñada para alojar tanto los sistemas hidráulicos con un depósito de aceite como el sistema de control. La cavidad delantera esta diseñada para instalar el sis-tema de perforación.

El desplazamiento de la estructura se realiza mediante unas patas las cuales son soportadas por los cuatro arreglos laterales creados para este fin. En sus extremos se instalan cuatro rótulas las cuales tendrán la tarea de sujetar las patas y hacer de pivote para realizar giros. Como se puede ver en la (a), las dimensiones entre ejes se asemejan aun cuadrado, lo cual simplificará el estudio de las condiciones de estabilidad en el momento de realizar la generación de modos de caminar. Una característica fundamen-tal es que el peso total de la estructura base es de 500 Kg pero puede llegar a soportar sobre sí misma una carga superior a 3.5 toneladas.

2.2 Configuración de las patas

Las patas de las máquinas caminantes son el elemento básico para su lo-comoción. Por esa razón la elección acerca del tipo de configuración de patas que se va a utilizar es fundamental para lograr un buen comporta-miento en la locomoción. En el caso de Roboclimber, se eligió un tipo de configuración que, si bien, no es muy versátil, se adapta bien a los reque-rimientos operativos del robot. En nuestro caso, las patas no tienen que hacer una fuerza necesariamente alta de agarre (puesto que es desarrollada por el peso de la máquina), pero si tienen que generar un soporte muy es-table para moverse con un gran peso a bordo y para realizar las tareas de perforación.

El diseño se basa en las patas de dos grados de libertad que equilibran los camiones grúa, los cuales tienen un centro de gravedad alto, y en los que se generan pares que pueden llegar a volcar el vehículo lateralmente al trabajar con cargas elevadas.

La única diferencia con respecto a este tipo de soporte es que, en las pa-tas que utiliza Roboclimber, se ha añadido una articulación más para poder tener la capacidad de giro horizontal y lograr realizar diferentes maniobras en la locomoción. Roboclimber tiene cuatro patas, y cada una de ellas tiene 3 grados de libertad (gdl), dando como resultado un total de 12 gdl en el robot. Dentro de las principales características del diseño de las patas cabe resaltar su robustez y fiabilidad. Cada pata se conecta a la estructura, como se muestra en la imagen, por medio de unos ejes superiores e inferiores a as rotulas instaladas en los extremos de la estructura creando el primer gdl de rotación; este movimiento de rotación lo genera un actuador hidráulico


ubicado en la parte lateral de la pata y conectado a su vez a la parte lateral correspondiente de la estructura.

Fig. 3 Configuración cinemática Los siguientes dos gdl prismáticos, uno horizontal y otro vertical, se

crean al introducir un tubo cuadrado de acero dentro de otro. Entre los tu-bos se instala un cilindro hidráulico que sujeto del tubo exterior mueve el interior y de esta manera cuando el cilindro actúa, saliendo o entrando, también lo hace el tubo interior.

Esta configuración cinemática de las articulaciones, una de rotación y dos prismáticas, es normalmente llamada cilíndrica debido al volumen de trabajo y alcance que describe su movimiento (Sciavacco, 2001). La zona verde de la figura muestra el área cinemática útil de trabajo para el desa-rrollo de movimientos en el robot.

Una de las principales características de la configuración mecánica ac-tuada mediante cilindros hidráulicos es que se generan topes mecánicos muy rígidos en donde no es posible alcanzar posiciones de interferencia entre los distintos componentes del robot. Está característica es muy im-portante puesto que dadas las fuerzas que cada uno de estos cilindros pue-de desarrollar, si hubiese alguna interferencia, sería muy probable la gene-ración de daños en la estructura.

2.3 Sistema de sujeción

Como se mencionó al inicio de este capítulo, al escalar Roboclimber utili-za dos dispositivos llamados Tirfor que, actuados hidráulicamente, ejercen


una fuerza tal que son capaces de mover el robot hacia arriba o dejarle des-cender hacia abajo; cada uno se sujeta de un cable de acero instalado en el tope de la montaña; estos cables están ubicados de tal forma que sea posi-ble para el robot abarcar el área en el que se quiera realizar los trabajos de perforación.

Una vez que cada uno de los extremos del cable ha sido sujetado al tope de la montaña, se pasa el otro extremo por medio del Tirfor. Cuando éste es accionado por un actuador hidráulico, el Tirfor se desplaza por el cable, desplazando consigo todo lo que lleva sujeto, en este caso Roboclimber.

El Tirfor ha sido elegido como medio de propulsión para escalar frente a otros sistemas tradicionales motorizados por varios motivos. El primero es que no es necesario almacenar el cable puesto que este se mantiene colga-do de la montaña; de esta forma se evitan los enredos y otros problemas que se pueden generar al estar enrollando y desenrollando el cable. Otra de las ventajas es que al ser propulsados hidráulicamente es posible utilizar el sistema hidráulico y de control ya incorporado en el robot.

Como principal desventaja, se tiene que la velocidad de desplazamiento por el cable no es continuo, lo que genera altas vibraciones al escalar y complicaciones al coordinar el movimiento del robot con el de los Tirfor.

2.4 Sistema de detección del suelo

Al estar el robot concebido para la locomoción en terrenos naturales uno de los principales componentes de la generación de modos de locomoción es la detección del suelo. La transferencia de una pata consta de tres mo-vimientos, primero el de separación del suelo, seguido del movimiento hasta su posición de llegada y por último el contacto con el suelo.

El problema es que si existe una irregularidad en la superficie en el momento de bajar la pata para hacer el contacto con el suelo, si no existie-ra ningún sistema de detección, la pata subiría hasta la altura determinada por el sistema de control del robot y generaría un desequilibrio en la orien-tación del robot con respecto al suelo. Esta situación puede acarrear mu-chos problemas de estabilidad, sobre todo si la carga soportada por el robot es muy grande, y el centro de gravedad está situado en una posición muy alta con respecto al eje z del robot, debido a que pueden producirse pares inesperados.

Por esta razón se ha diseñado un sistema de detección que se compone de cuatro elementos:

• Base interior: Es en donde se conecta el pie a la pata.


• Muelle: Es el mecanismo de recuperación de la detección y se aloja entre la base interior y la exterior.

• Base exterior: Es la parte que activa el sensor y recubre el mue-lle.

• Sensor inductivo: Se activa cuando el pie toca el suelo.

Fig. 4. Mecanismo de detección del suelo Cuando la pata baja y el pie hace contacto con el suelo, se produce un

leve movimiento de alrededor de unos 4 mm de distancia, de tal manera que la base exterior, sin llegar a tocar el sensor inductivo, tenga la capaci-dad de activarlo, enviando una señal al sistema de control. Por supuesto, cuando la pata sube y el pie deja de tocar el suelo el sensor se desactiva, separándose la base exterior del sensor por la acción del muelle. La carac-terística principal de este mecanismo es que, por medio de su sistema de recuperación es capaz de trabajar tanto en superficies horizontales como en verticales.

3 Sistema servo-hidráulico

Para el diseño del sistema hidráulico para el posicionamiento de Robo-climber hay que tener en cuenta los requerimientos del sistema. Primero, se debe definir el tipo de control que se desea tener. Las principales venta-jas de los servo-actuadores hidráulicos son primero la gran presión que pueden soportar, la transmisión de movimientos con cargas muy altas y por último que pueden ser controladas con varios tipos de realimentación


como el flujo, la presión, posición, fuerzas o cualquier combinación de es-tas. Finalmente, y porque en esta aplicación no es necesario el uso de altas velocidades, los actuadores hidráulicos generan movimientos suaves, pro-piedad que ayuda en la generación de movimientos en donde la sincroniza-ción de varios actuadores es crítico y además ayudan también a mejorar el comportamiento dinámico del sistema disminuyendo las inercias.

Para lograr el movimiento del robot por medio de las patas primero se debe lograr que cada una de las articulaciones se mueva independiente-mente con una velocidad determinada, que pueda llegar a una posición es-pecífica y que sea controlado en los dos sentidos. Como ya se ha indicado, el sistema mecánico fue diseñado para utilizar cilindros hidráulicos. Por consiguiente es necesario un cilindro de doble efecto para cada articula-ción.

Controlar la velocidad del actuador implica que es necesario controlar su caudal; para lograr esto tenemos dos opciones, la primera es la de con-trolar el motor de la bomba. Esta posibilidad no se ajusta a las necesidades del sistema, puesto que para lograr un movimiento coordinado del cuerpo se da el caso en que la velocidad de las articulaciones no es la misma. Por esta razón se decidió que cada articulación debería ser un sistema indepen-diente controlado por medio de válvulas proporcionales.

Desde el punto de vista energético, es preferible realizar un control di-recto sobre la bomba hidráulico para el control del caudal. Pero los siste-mas controlados por medio de válvulas proporcionales generalmente pre-sentan mejores características dinámicas sobre los actuadores.

Para una selección básica de una bomba hidráulica hay dos parámetros requeridos por el sistema que se deben tener en cuenta, la presión y el cau-dal. Con respecto al primer requerimiento, la presión, debe ser la suficiente como para poder generar una fuerza de empuje tal que se logren levantar por lo menos 3500 Kg, lo que significa que cada pata tendrá que levantar una carga de por lo menos 1500 Kg . Usando la ecuación de la presión (Je-lali, 2003):

2

2

2 2

6

1750 9.8 /

(3.5 10 )

4.456 10 44.56

F mgP

A rKg m s

Pm

P Pa bar

ππππ

ππππ −

= =

⋅=⋅

= ⋅ =

(1)

En donde r es el radio dado por la sección transversal de la camisa del

cilindro hidráulico tiene un diámetro de 70 mm, por lo tanto la presión mí-


nima que el motor hidráulico debe proporcionar es de 38.2 bar, con un flu-jo constante.

Para analizar el caudal Q mínimo que la bomba debe entregar al sistema es necesario tener en cuenta que al realizar el movimiento del cuerpo del robot se utilizan al menos ocho articulaciones u ocho cilindros hidráulicos a la vez. Usando la ecuación del caudal:

1.15

8.65 / min0.133min

V dAQ

lq l

τ ττ ττ ττ τ= =

= = (2)

en donde V es el volumen de la camisa interna del cilindro dado en Litros, en donde A es el área de la sección transversal de la camisa de cilindro de-finida en la ecuación y d es la longitud máxima de recorrido del cilindro que es de 300 mm; y τ es el tiempo en minutos en la que se hace el movi-miento completo que es de alrededor de 0.133 min o 8 seg, para cada una de las articulaciones. Por lo tanto, al multiplicar por el número de articula-ciones el Q máximo requerido por el sistema es de 34.638 l/min.

La selección de la válvula proporcional se debe hacer con respecto al caudal necesario para que solo un cilindro hidráulico, de 300 mm de carre-ra, logre recorrer esa distancia en 3 seg. Calculando de la misma forma el caudal pero con un tiempo de 3 seg da como resultado que el caudal nece-sario es de 13.85 l/min, de esta forma se seleccionó una válvula de capaz de entregar hasta 15 l/min según las características del fabricante.

4 Arquitectura de control

Todos los movimientos hidráulicos en el sistema que necesitan ser contro-lados tienen que desarrollar una velocidad específica y/o llegar con preci-sión a alguna posición deseada (Nabulsi, 2003). Por esta razón, en la es-tructura básica de control, los servo-mecanismos hidráulicos son controlados midiendo su posición mediante encoders (codificadores in-crementales de posición), para cerrar el lazo. El sistema de control realiza la coordinación de las acciones sobre los actuadores de forma que se pro-duzca la locomoción en la dirección y orientación deseadas.

La plataforma consta de una unidad de control central para la supervi-sión y planificación de todas las tareas a realizar. La unidad de control


central es en la práctica un ordenador industrial de reducidas dimensiones, pero con todos los periféricos estándar de un PC. Los diferentes sensores a bordo están atendidos por una tarjeta de entrada/salida de señales analógi-cas y digitales. Las mediciones de magnitudes sensoriales, así como las ac-ciones sobre los actuadores de cada pata están supervisadas en todo mo-mento por el procesador central.

La arquitectura de control debe ocuparse de toda la información genera-da por el sistema y procesarla en tiempo real. Por esta razón el sistema operativo QNX® 6.3, un sistema operativo basado en UNIX y de procesa-miento en tiempo real, se utiliza para leer y procesar la información de to-dos los sensores manteniendo la capacidad y la precisión para controlar los actuadores simultáneamente, con un software de control desarrollado en lenguaje C++.

En el robot hay cinco tarjetas de control local desarrolladas por el De-partamento de Control Automático del IAI-CSIC, las cuales utilizan mi-crocontroladores LM629 dedicados al control de articulaciones en lazo ce-rrado con realimentación de posición. Estos microcontroladores cuentan con un generador de perfiles de posición y velocidad, un regulador PID di-gital programable y un decodificador de señales de cuadratura de codifica-dores ópticos incrementales (encoders) para la realimentación de la posi-ción. La señal de control a la salida del microcontrolador es un tren de pulsos modulados en anchura (también llamada PWM, del inglés ``Pulse Width Modulation"). Los microcontroladores locales están agrupados en tarjetas de tres ejes cada una, por lo que cada tarjeta realiza el control de una pata del robot.

En Roboclimber, dos tipos de encoders son usados principalmente para la medición de la posición de las articulaciones de las patas. En las articu-laciones de rotación se usaron encoders de 2500 ppr (pulsos por revolu-ción) adaptándolos directamente al eje de cada una de las articulaciones para medir el ángulo de la pata disminuyendo la carga de operaciones en el ordenador del robot, facilitando así la solución de las ecuaciones cinemáti-cas. El segundo tipo de encoder es el lineales; estos sensores tienen la ca-racterística de medir posiciones de actuadores lineales que, a diferencia de los rotacionales, mediante un cable de acero instalado en el actuador, mue-ve el mecanismo interno del encoder generando el mismo tipo de señales. El cable está sujeto a los tubos de acero internos de las articulaciones prismáticas de las patas, midiendo directamente su posición con una preci-sión de 0.1 mm.

Para cerrar completamente el lazo, en el sistema de control hay 12 am-plificadores de potencia, uno por cada actuador, tanto del sistema de posi-cionamiento como para los elementos de perforación. Su función es la de dar la señal de control adecuada a las válvulas proporcionales del robot pa-


ra lo cual reciben las señales analógicas demoduladas de ±10 voltios a par-tir de la señal PWM suministrada por las tarjetas de control.

La electrónica de potencia transforma de nuevo a una señal analógica en una señal PWM amplificada y sintonizada para las válvulas proporciona-les. Además realizan automáticamente un control con realimentación de corriente para obtener la señal deseada para alimentar el solenoide de acuerdo con la consigna de entrada.

Fig. 5. Lazo de control para una articulación

5 Modos de locomoción

El posicionamiento del robot no se realiza de forma completamente auto-mática; un operario debe decidir en que dirección y la posición a donde se debe mover el robot dando los comandos convenientes de acuerdo con la información de posición generada por el sistema de control. De la misma forma la unidad de control tiene almacenados movimientos predefinidos para lo cual solo es necesario que el usuario de comandos tales como ade-lante, atrás o subir y bajar para que el robot automáticamente genere un movimiento. Estos movimientos son lo suficientemente complejos para un posicionamiento seguro del robot, en terreno regular o irregular, en planos horizontales o con inclinación.


Tanto el modos de caminar como el de escalar requieren de diferentes movimientos, por esta razón el usuario debe seleccionar cual de los dos ti-pos de movimientos es el idóneo dependiendo de la posición en la que se encuentre el robot. Para los modos de caminar se usa un modo discontinuo de dos fases. La característica principal de este tipo de movimientos es que se optimiza la estabilidad del robot pues se mantiene una zona estable muy amplia dentro del triangulo de apoyo generado por las patas que están apoyadas en el suelo.

Distintos movimientos predeterminados del robot han sido programados en el ordenador; estos movimientos son lo suficientemente complejos co-mo para poder ubicar el robot por terrenos regulares o irregulares, y en donde es indispensable mantener una posición equilibrada sobre la superfi-cie para asegurar la estabilidad y por lo tanto la seguridad del sistema.

5.1 Modo de caminar discontinuo de dos fases

En la secuencia del modo discontinuo de dos fases, las patas se deben ubi-car de tal forma que el MDE no se salga del polígono de apoyo del robot al subir una de ellas (Hirose, 1984). Esto se logra apoyando la pata después de realizar su transferencia en su límite cinemático. En la primera parte de la secuencia la pata 4 debe ser levantada y se debe mover hasta un punto en el que sea posible subir otra pata, sin perder estabilidad; esto se debe hacer cuando el cuerpo del robot está en posición estática. Después se mueve la pata 2 en el mismo sentido para luego poder hacer el movimiento del cuerpo que debe recorrer la mitad de la distancia recorrida por las pa-tas; de esta forma termina el termina la primera fase. La segunda fase de la secuencia consiste en hacer los mismos movimientos, pero con las patas del lado opuesto, es decir la pata 1 y la pata 3, y mover de nuevo el cuerpo del robot, terminando así con la segunda fase de la secuencia.

Analíticamente se puede determinar el grado de estabilidad de la posi-ción de las patas mediante el “Margen de Estabilidad Longitudinal” (MEL) que está definido como la distancia más corta entre la proyección del cen-tro de gravedad y el límite del polígono de apoyo en la dirección del eje longitudinal de la máquina. El MEL se determina por la diagonal definida por dos pies no adyacentes y contralaterales; la diagonal va desde una pata en la mitad de su volumen de trabajo a una pata ubicada en su límite ci-nemático y cercano al centro de gravedad. Como se puede ver en la figura, el MDE es el mismo en todos los casos en los que el robot se encuentra en tres patas y por lo tanto el valor MEL está determinado por el valor absolu-to de la abscisa de la diagonal en el origen (Gozález de Santos, 2006):


3 22 2

3 2d

y yMEL x y

x x

−= + − (3)

En donde P2(x2,y2) y P3(x3,y3) son los extremos de la diagonal. Sustituyen-do los valores de estos puntos por la primera postura, (-Px/2, Py/2) y (Px/2-Rx/2, -Py/2), de la Ecuación (3) se deduce que:

4

yd

RMEL = (4)

En este caso en donde Px es la longitud del paso en la dirección del eje x, Py es la longitud del paso en la dirección del eje y y, Rx y Ry son las dimen-siones del área de trabajo de una pata, que define la longitud del paso.

Fig. 6. Secuencia de locomoción del modo de caminar discontinuo de dos fases

En la secuencia (ver Fig. 6) se muestra la posición de las articulaciones del Roboclimber durante un ciclo completo de un modo de caminar dis-continuo de dos fases. De acuerdo con la geometría de la pata (es posible calcular el MELd de la Ecuación (4) dependiendo de la posición de las arti-culaciones de las patas. Según la gráfica (ver Fig. 7) el MEL máximo du-


rante el modo de caminar discontinuo de dos fases es de 220 mm, lo cual lo hace un modo de caminar muy confiable con respecto a su estabilidad.

0 10 20 30 40 50 60-50

0

50Posición de las articulaciones de las patas

Rot

ació

n (

º )

0 10 20 30 40 50 60100

200

300

Hor

izon

tal (

mm

.)

Pata 1

Pata 2Pata 3

Pata 4

0 10 20 30 40 50 60200

300

400

Ver

tical

(m

m.)

0 10 20 30 40 50 600

100

200

Márgen de Estabilidad Longitudinal

ME

L d (m

m.)

Tiempo (seg.)

Fig. 7. Posición de las articulaciones y MEL en un modo de caminar disconti-

nuo de dos fases de Roboclimber.

5.2 Modo de escalar

El problema del escalado de Roboclimber (cuya masa puede superar los 3500 Kg), es que tiene que realizarse por pendientes con una inclinación entre 45º y 90º y, además, debe desplazarse por superficies irregulares que en ciertos momentos tienen obstáculos. Tales condiciones son las que en su mayoría podemos encontrar en terrenos naturales como por ejemplo en montañas. Al ser muy difícil diseñar e implementar un sistema de sujeción o de agarre para que las patas se mantengan unidas a la superficie, se ha optado por la solución de que el robot debe estar colgado por medio de ca-bles de acero y utilizando los Tirfor como actuador y elemento de susten-tación.


Así los conceptos clásicos de estabilidad para escalar según los robots que se sujetan con dispositivos de adherencia especiales (Grieco, 1997) (Hirose, 1997) no son aplicables. Razón por la cual un nuevo modo de es-calado ha sido desarrollado para este proyecto, y puede ser aplicable para cualquier tipo de robot aunque no esté especialmente diseñado para esca-lar.

Fig. 8. Esquema de los momentos en el modo de escalar

El objetivo de los movimientos es el de lograr subir las patas evitando inestabilidades tanto verticales como horizontales, para que después sea posible trasladar el cuerpo. Para lograrlo la proyección del centro de gra-vedad debe estar siempre por detrás de las patas de apoyo, de esta forma logramos que el momento generado por el peso del cuerpo siempre tenga la dirección M1. Así, cuando las dos patas traseras se levanten el apoyo de las patas posteriores es suficiente como para hacer una fuerza de soporte Fs y mantener una distancia con la superficie, mientras los cables soportan el peso de la máquina manteniendo así su posición y un equilibrio en las fuerzas de propulsión Fp.

Si por el contrario, el momento resultante por la proyección del centro de gravedad fuera de M2, es decir, que la proyección del centro de grave-dad estuviera por delante del apoyo de las patas, la máquina tendería a gi-rar hacia adelante en el instante en que las patas delanteras fueran levanta-das. También ocurriría lo mismo si, por ejemplo, se levantaran solo las patas de uno de los lados del robot, creando un desequilibrio lateral. Por consiguiente el modo de escalar se ha deducido a partir de esta problemá-tica (Nabulsi, 2004).


Fig. 9. Secuencia de movimientos para el modo de escalar

6 Medición en las fuerzas de reacción de las articulaciones verticales

Durante la fase de la puesta en marcha y experimentación de Roboclimber se han realizado varios intentos para aumentar la eficiencia en el funcio-namiento de este. Los problemas que se suelen encontrar son siempre de-bido al cambio de las condiciones físicas tanto de la estructura mecánica del robot como en los distintos medios naturales en los que se debe traba-jar. Un robot de estas dimensiones puede ser útil para muchas otras aplica-ciones distintas a la de perforación. Puede emplearse como un vehículo de carga para transportar materiales o herramientas a sitios de difícil acceso. Esto implica el cambio de la masa del robot y por consiguiente del centro de gravedad, aumentándose así la inestabilidad en los modos de caminar (Montes, 2006).

Se han estudiado distintas posibilidades en las que no se tenga que reali-zar cambios mecánicos drásticos, ni realizar inversiones altas para lograr una medición fiable de las fuerzas. Una de las posibles propuestas se ha deducido del análisis de las fuerzas que actúan sobre las patas. De este análisis se deduce que la extensión de la articulación prismática es genera-da por la presión que genera el fluido hidráulico y por lo tanto, la carga que debe soportar para mantener el robot.

Fig. 10. Cilindro hidráulico


Por eso se ha determinado que una de las posibles soluciones al proble-ma de la medición de las fuerzas en Roboclimber puede ser la de incorpo-rar sensores que midan la presión hidráulica generada y por lo tanto dedu-cir las fuerzas que actúan sobre la articulación. Los transductores más utilizados actualmente para convertir la energía hidráulica en energía eléc-trica son los transductores de presión. Las principales ventajas de estos sensores es que son relativamente económicos, son fáciles de instalar, son robustos y precisos.

Cuando el pistón se mueve a una velocidad determinada se generan fuerzas de fricción entre las cámaras A y B de la camisa del cilindro, si la velocidad sube normalmente la fricción aumenta. Pero esta relación no es lineal puesto que en cada instante la posición del pistón dentro del cilindro es diferente, lo que significa que hay mayor o menor cantidad de fluido dentro de las cámaras, afectando en mayor o en menor medida su compor-tamiento.

Uno de los métodos más usados para contrarrestar el efecto de la fric-ción entre las cámaras, es instalando un sensor de presión en la cada una de las cámaras cilindro hidráulico y determinar la fuerza de presión dife-rencial Fp generada por el movimiento del pistón aplicando la ecuación (Jelali, 2003):

( )p A B pF p p Aαααα= − (5)

en donde Ap es el área de la camisa del pistón, pA y pB es la presión en la

cámara A y B respectivamente y α es el factor diferencial del área de las cámaras producido por el vástago.

Controlar la estabilidad de un robot con las características de Roboclim-ber, usando la medida de la presión hidráulica en los actuadores como re-alimentación, ofrece muchos desafíos. Roboclimber está compuesto por una serie de sistemas (e.g. el sistema de control, el mecánico o el hidráuli-co) en los que cada uno de ellos afecta de forma importante a los demás complicando la posibilidad de realizar modelos completos del sistema y el poder, en consecuencia, diseñar controladores aptos para los distintos pro-cesos.

Aunque teóricamente es posible hacerse una idea de como podrían ac-tuar las fuerza durante un modo de caminar, ha sido necesario evaluar su comportamiento real realizando dos pasos en el modo de caminar disconti-nuo hacia atrás midiendo las fuerzas generadas en cada una de las articula-ciones verticales. De esta forma se pueden analizar las diferentes posibili-dades para mejorar la estabilidad del robot mediante el uso de sistemas de control de fuerza alternativos.


0 20 40 60 80 100 120

0.3

0.35

0.4

0.45

0.5

Tiempo (seg.)

Pos

(m

.)Posición de las articulaciones verticales

q1

q2

q3

q4

0 20 40 60 80 100 120

0

5

10

15

Tiempo (seg.)

Fue

rza

(KN

)

Fuerzas en las articulaciones verticales

F1

F2

F3

F4

Fig. 11. Comportamiento de las fuerzas diferenciales en un modo de caminar

discontinuo de dos fases

7 Conclusiones

Actualmente, con los sistemas de locomoción con patas actuales, no se ha logrado alcanzar un nivel de desarrollo lo suficientemente alto como para poder introducirlos ampliamente en el mercado de la robótica de servicios. Esto se debe, a que su elevada complejidad técnica genera un coste muy alto en el desarrollo de los sistemas robóticos sin que siempre se logre una plataforma realmente útil, para las aplicaciones en las que es necesaria la automatización de procesos de difícil ejecución.

Tal es el caso de los trabajos de consolidación de montañas en donde, actualmente, en la ejecución de cada una de estas tareas es necesario utili-zar una infraestructura compleja y costosa. El desarrollo de Roboclimber ha supuesto la búsqueda de soluciones a problemas muy complejos y alta-mente técnicos pero que, a su vez, simplifican la forma de ejecutar las ta-reas de consolidación que actualmente son realizadas manualmente por trabajadores especializados.


En este trabajo se ilustran las distintas soluciones que se han adoptado para el desarrollo y la puesta en marcha del proyecto Roboclimber, empe-zando desde el diseño básico mecánico, el control de las articulaciones, hasta lograr implementar una plataforma útil para las labores de consolida-ción, el desarrollo de modos de caminar y de estrategias de control, apor-tando a su vez soluciones a la investigación de la locomoción de robots con patas de grandes dimensiones.

Agradecimientos

El proyecto ROBOCLIMBER ha sido financiado por la Comunidad Euro-pea (EC) con el Contrato Nº G1ST-CT-2002-50160. El consorcio está in-tegrado por: ICOP S.p.a., Space Applications Services (SAS), Otto Natter Prazisionenmechanik GmbH, Comacchio SRL, Te.Ve. Sas di Zannini Ro-berto & Co. (TEVE), MACLYSA, D'Appolonia S.p.a., University of Ge-nova-PMAR Laboratory, y el CSIC-IAI.

Referencias

Anthoine P., Armada M., Carosio S., Comacchio P., Cepolina F., Gonzá-lez P., Klopf T., Martin F., Michelini R.C., Molfino R.M., Nabulsi S., Razzoli R.P., Rizzi E., Steinicke L., Zannini R., y Zoppi M., 2003, ROBOCLIMBER. In: ASER03, 1st International Workshop on Advances in Service Robotics, March 13-15, Bardolino, Italy.

Armada M. y Molfino R.M., 2002, Improving Working Conditions and Safety for Landslide Consolidation and Monitoring. In: Workshop on the role of CLAWAR in education, training, working conditions and safety, on CD-Rom, Madrid.

Gozález de Santos P., Garcia E., y Estremera J., 2006, Quadrupedal Lo-comoion: An Introduction to the Control of Four-Legged Robots. London: Springer.

Grieco J.C., 1997, Robots escaladores. Consideraciones acerca del diseño, estabilidad y estrategias de control. Ph. D. thesis, Universidad de Vallado-lid.


Hirose, S., 1984, A Study design and Control of a Quadruped Walking Vehicle. The International Journal of Robotics Research, 31(2): 113-133. Hirose S., Yoneda K., y Tsukagoshi H., 1997, TITAN VII: Qudruped walking and manipulating robot on a steep slope. In Proc. IEEE Int. Conf. Robotics and Automation. Albuquerque, New Mexico.

Jelali M. y Kroll A., 2003, Hydrulic Servo-systems: Modelling, Identifica-tion and Control. Springer, London.

Montes H., Nabulsi S., y Armada M., 2006, Reliable, built-in, high- accu-racy force sensing for legged robots. The International Journal of Robotics Research. Vol.25, No.9, 931-950.

Nabulsi S. y Armada M., 2004, Climbing strategies for remote maneuver-ability of ROBOCLIMBER. In: 35th International Symposium on Robot-ics, 23-26 March, Paris-Nord Villepinte, France.

Nabulsi S., Armada M., González de Santos P., 2003, Control Architecture for a Four-Legged Hydraulically Actuated Robot. Measurement and Con-trol in Robotics (ISMCR 2003), pp. 291-295, Madrid.

Sciavacco L. y Siciliano B., 2001, Modelling and Control of Robot Ma-nipulators, Springer-Verlag: London.

CAPÍTULO 7

Modelado, Análisis y Construcción de una Plataforma Paralela Experimental para Aterrizaje y Despegue de Helicópteros

JACQUELINE QUINTERO, ILKA BANFIELD, ALEXANDRE CAM-POS, ROQUE SALTARÉN, MANUEL FERRÉ, RAFAEL ARACIL

División de Ingeniería de Sistemas y Automática. Departamento de Automática, Ingeniería Electrónica e Informática Indus-trial, Universidad Politécnica de Madrid

Esta publicación presenta el análisis, simulación y construcción de un pro-totipo de mecanismo basado en la plataforma Stewart y dirigido a facilitar el aterrizaje de helicópteros en barcos, considerando el movimiento osci-lante de los barcos debido al movimiento del mar y el viento. Para simular el movimiento del mar se utiliza un robot paralelo de tres grados de liber-tad denominado plataforma inferior. La plataforma inferior se desplaza a lo largo del eje vertical (z) y gira alrededor de los dos ejes restantes.

La plataforma Stewart-Gough, denominada en este artículo heliplata-forma, está colocada sobre la el efector final de la plataforma inferior. So-bre el efector final de la plataforma superior se fija la superficie de aterri-zaje del helicóptero.

La heliplataforma se encarga de compensar el movimiento de la plata-forma inferior, de tal forma que la superficie de aterrizaje permanezca en una misma posición y sin variación en su orientación con relación a un marco inercial absoluto denominado tierra. Para esto es necesario medir ciertas dimensiones de la plataforma inferior. Estas medidas deben ser re-alimentadas al control de posición de la heliplataforma cada milisegundo. Para estas medidas se utilizan una unidad de medida inercial, IMU situada sobre el efector de la plataforma inferior y un sensor ultrasónico. Con el objetivo de controlar la plataforma experimental se implementan los algo-ritmos de control utilizando una tarjeta controladora dSPACE1103. La plataforma experimental es probada en campo utilizando un helicóptero de


aeromodelismo, el cual realiza una aproximación sobre la plataforma y luego aterriza.

1 Introducción

Las operaciones de vuelo sobre estructuras flotantes son procesos com-plejos. Estos procesos requieren altos niveles de entrenamiento, aptitud y habilidad para planear el vuelo, el despegue y el aterrizaje sobre una es-tructura offshore con el fin de ejecutar la tarea eficientemente y con segu-ridad bajo condiciones “normales” de vuelo y buen tiempo. El hecho de in-troducir condiciones adversas de tiempo (por ejemplo, baja visibilidad), vuelos nocturnos o cualquier otro tipo de factor, predecible o impredecible, pueden limitar las habilidades humanas en las tareas a realizar.

Con la finalidad de aumentar la seguridad y facilitar a la tripulación de los helicópteros la realización de las operaciones de vuelo se plantea la necesidad de desarrollar nuevos equipos y tecnologías. Una de las maneras es contrarrestar los posibles movimientos de la plataforma de aterrizaje causados por el oleaje y el viento.

La plataforma de aterrizaje debe compensar los movimientos en las tres direcciones del movimiento y asimismo los tres posibles giros de un cuer-po en el espacio. Por lo tanto es necesario que la plataforma de aterrizaje tenga al menos 6 grados de libertad (gdl). Para cumplir con este requeri-miento de movimiento se elige utilizar como prototipo una estructura para-lela Stewart-Gough (Stewart, 1965; Fichter, 1986).

La heliplataforma se prueba sobre un simulador del movimiento del mar. A diferencia del simulador de la empresa AUGUST para ésta aplica-ción se consideran tres de los seis movimientos posibles. Los movimien-tos más importantes a tener en cuenta en un barco o plataforma flotante son los de roll, pitch y heave (nomenclatura según Fossen, 1994); y en es-ta dirección se crean los movimientos en el simulador. Para construir el simulador se utiliza una plataforma paralela de tres grados de libertad, con actuadores neumáticos; con los mismos se logran oscilaciones alrededor de los ejes roll y pitch cerca de los 10º y un movimiento vertical de 100 mm.

Para la heliplataforma, como ya se ha dicho, se escoge la popular plata-forma Stewart-Gough 6-UPS, cuyo número de aplicaciones crece cada día. Esta plataforma paralela utilizada comúnmente en simuladores (Hoffman. 1979; Lee. 1999), se encarga en esta aplicación de compensar el movi-miento del simulador del mar o plataforma inferior, para mantener su efec-tor final en una posición y orientación fija respecto a un marco de referen-cia inercial.

Modelado, Análisis y Construcción de una Plataforma Paralela Experimental para Aterrizaje y Despegue de Helicópteros 105

En este artículo, inicialmente, se describe la plataforma experimental y sus partes constituyentes: heliplataforma, plataforma inferior y hardware. Luego, en la sección 3, se presenta el marco teórico del modelo cinemático de plataformas paralelas para obtener el algoritmo de cinemática inversa necesario para controlar, tanto la heliplataforma como la plataforma infe-rior. En la secuencia, son analizadas las estrategias de movimiento a apli-carse en las plataformas, con el objetivo de obtener tanto el movimiento del mar como el movimiento de compensación de la heliplataforma. En la sección 4 son descritas simulaciones computacionales, a través de software especializado, de la plataforma experimental que validan los datos obteni-dos con la formulación teórica. Finalmente, son presentadas las pruebas de laboratorio y de campo realizadas.

2 Descripción de la Plataforma Experimental

La plataforma experimental, ver la figura 1, está constituida por dos partes principales, el simulador del movimiento del mar (plataforma inferior) y la plataforma Stewart-Gough (heliplataforma). La heliplataforma compensa el movimiento de la plataforma inferior, que representa el movimiento del barco, para mantener a la superficie de aterrizaje, colocada sobre el efector final, en una posición fija. En esta sección se describen los principales componentes de ambas plataformas y el hardware utilizado para controlar el sistema.

Fig. 1. Plataforma experimental prototipo


2.1 Heliplataforma

La heliplataforma prototipo es una plataforma de Stewart-Gough 6-UPS; el efector es una plataforma circular de aluminio de 25 mm de espesor. Está unida a la plataforma inferior mediante seis actuadores eléctricos lineales. Los actuadores lineales se unen al efector final mediante articulaciones es-féricas y a la base mediante articulaciones universales (observe la figura 2).

La junta prismática está constituida por dos cilindros concéntricos; uno se desliza dentro del otro mediante un sistema de husillo a bolas (Bermejo, 2004). Sobre el extremo del husillo está colocada una polea que transmite el movimiento proveniente del motor a través de una correa dentada, que pasa también por el eje del motor.

Fig. 2. Modelo de la Plataforma Experimental en ADAMS

Los motores son de corriente continua sin escobillas, de la casa

CONTROL TECHNIQUES modelo 55MMB300FBMAA. El motor es conectado a un servo amplificador, el cual lleva incorporado un juego de


transistores de potencia para manejar el voltaje que se aplica a las fases del sistema trifásico del estator. El amplificador utilizado en esta aplicación es también CONTROL TECHNIQUES, modelo MiniAx 60x10/20.

2.2 Simulador de los movimientos del mar

El robot paralelo utilizado para simular el movimiento del mar emplea cua-tro cilindros neumáticos:

• dos cilindros empotrados a la base que se unen a la plataforma me-diante una unión universal, que permite el movimiento alrededor de los ejes planares. Estos cilindros se mueven verticalmente de forma simultánea para controlar la altura del efector de la plataforma infe-rior.

Para satisfacer los requerimientos de desplazamiento y carga se eli-gieron dos cilindros Numatics KFFM 063/0210, de 210 mm de ca-rrera y diámetro del pistón de 63 mm, doblemente actuados y con pistón magnéticos.

• Los otros dos cilindros neumáticos proporcionan los movimientos rotacionales de la plataforma; estos cilindros están unidos a la base mediante uniones universales y a la plataforma móvil, por uniones esféricas. Se eligieron los cilindros neumáticos NUMATICS, do-blemente actuado y con pistón magnético, WG 040/0320, con émbo-lo de 40 mm de diámetro y carrera de 220 mm.

El flujo hacia las cámaras de los cilindros son controlados por válvulas posicionadoras 5/3- FESTO MPYE-5-1/8-HF\_010\_B. Estas válvulas modifican la sección de sus salidas en función de una señal analógica de entrada entre 0 y 10 V; tiene un caudal nominal de 700 l/min y una presión de operación entre 0 y 10 bar.

2.3 Hardware utilizado

2.3.1 Sensores

Para controlar la plataforma experimental es necesario conocer las varia-bles de estado del sistema, así como otras variables de vigilancia y señales de consigna. Se cuenta para ello con los siguientes sensores:

• la Unidad de medida inercial (IMU) Micro Strain, modelo 3DM-GX1 utilizada para medir la orientación del barco. Proporciona una


salida serial digital que provee la orientación en varios formatos: matriz de orientación, cuaternios, o ángulos de Euler; y con una ra-pidez de actualización de datos de 350 Hz.

• el sensor de posición ultrasónico BERO-Siemens 3RG6233-3JS00, realimenta la posición del cilindro neumático central del barco. El sensor emite un pulso ultrasónico y usa el primer eco reflejado por el objeto en cuestión para calcular la distancia. En este proyecto se utiliza el sensor con salida analógica lo que permite una medición continua de la distancia.

• Los encoders, incorporados a los motores eléctricos, son capaces de proporcionar el desplazamiento exacto de los cilindros a los cuales están conectados; tienen una resolución de 2048 pulsos/vuelta; de tal forma que cada milímetro es equivalente a 614.4.

2.3.2 Tarjeta DS1103

La tarjeta controladora PowerPC (PPC) DS1103 está específicamente di-señada para desarrollos de controladores digitales de alta velocidad y si-mulaciones en tiempo real en distintos campos. Es un sistema completo de control en tiempo real basado en el procesador PowerPC604e de Motorola que forma la unidad principal de procesamiento.

Alrededor del procesador y bajo su control, se sitúan los periféricos que posibilitan la interacción de la tarjeta con el sistema al que se conecta. En-tre las unidades de E/S, cuenta con convertidores analógico/digital y digi-tal/analógico, puertos de E/S digital, una interfaz serie y control de enco-ders incrementales (hasta para seis articulaciones), capaces de leer las señales en forma de tren de pulsos generadas por estos dispositivos y con-vertirlas directamente, en un valor numérico. Además, cuenta con un sub-sistema DSP (Digital Signal Processor), basado en un TMS320F240 DSP de Texas Instrument, especialmente diseñado para el control de amplifica-dores eléctricos.

Control Desk

Control Desk es un software completo de experimentación que es incluido por el fabricante de la tarjeta dSPACE, para acceder a la tarjeta en tiempo real. Control Desk proporciona todas las funciones de control, visualiza-ción y automatización de experimentos.

Entre las ventajas que ofrece control desk está el poder crear un panel de control, insertando una serie de instrumentos de control y medición. Los controles se asocian a los sensores u otras variables del programa, y pue-


den servir para cambiar el valor de una variable cuando el programa está en ejecución, o simplemente dar seguimiento a su valor en tiempo real. Po-see también un editor de código fuente C o Python; una escritos los algo-ritmos de control, estos pueden ser copilados y cargados a la dSPACE.

3 Modelo Cinemática de una plataforma paralela

Las consignas de control necesarias para mover las plataformas se deter-minaron a través de los conceptos de cinemática inversa: cálculo de las longitudes de cada eslabón a partir del conocimiento de la posición del efector final (Tsai, 1999). En general, para los robots paralelos espaciales, primero se establecen dos sistemas de referencia, uno unido a la base (marco de referencia A, origen O y ejes xyz), y otro unido al efector final (marco de referencia B, origen P, y ejes uvw), como se aprecia en la figura 3.

Fig. 3. Marcos de referencia en la base y efector de un robot paralelo.

El punto donde cada actuador lineal se une a la base es descrito por un

vector posición AAi, referido al sistema de coordenadas de la base (el su-períndice anterior indica el sistema de coordenadas al cual está referido el vector). De igual forma, cada punto de unión a la plataforma es descrito por una posición BBj referido al sistema de coordenadas de la plataforma.

La longitud de cada actuador lineal es la magnitud del vector iSr

, dirigi-

do desde el punto de unión en la plataforma inferior hasta el punto de


unión en la plataforma superior. Este vector se obtiene restando las posi-ciones Bi - Ai, expresadas en el mismo marco de referencia.

Un punto expresado en un marco de referencia B puede expresarse en un marco de referencia A, utilizando la matriz de transformación homogé-nea de la ecuación (1) (Tsai, 1999):

( ) ( )

( ) ( )

××

××=

1131

1333

ργ M

LML

M qR

T

AB

A

BA (1)

donde,

qA denota la posición del origen del marco de referencia B respecto al marco de referencia A.

γ es una matriz de transformación de perspectiva. Para cinemática de mecanismos y robots manipuladores su valor es cero.

ρ factor de escalamiento, su valor es igual a uno.

BAR es la matriz de rotación, la cual es una representación de la orienta-

ción de la plataforma relativa a la base. En función de los paráme-tros de Euler, la matriz de rotación puede obtenerse a través de la ecuación 2:

−++−

−−++

+−−+

=

21

21

21

223

2010322031

103222

203021

2031302121

20

qqqqqqqqqq

qqqqqqqqqq

qqqqqqqqqq

RBA (2)

Una vez encontrada la matriz de transformación homogénea, la posi-ción en el nuevo marco de referencia se obtiene a partir de la ecuación (3):

pTp BB

AA ˆˆ = (3)

donde,

[ ]TzyxA pppp 1,,,ˆ = es la posición, en coordenadas homogéneas, expre-

sada en el marco de referencia A.

[ ]TwvuB pppp 1,,,ˆ = es la posición expresada en el marco de referencia B.


3.1 Modelo Cinemático de la Plataforma Inferior

La plataforma inferior utiliza un robot paralelo de tres grados de libertad. La plataforma móvil puede desplazarse translacionalmente a lo largo del eje vertical z y angularmente alrededor de los ejes situados en el plano xy. Para lograr este movimiento emplea tres actuadores neumáticos, cuyo des-plazamiento debe ser controlado.

Para el análisis cinemático inverso, se escoge como origen de referencia de la base, un punto sobre el eje vertical que pasa por el centro de gravedad y a la altura de la punta del sensor ultrasónico, utilizado para determinar su altura; y para el marco de referencia del efector final, se escoge como ori-gen el centro de rotación de la unión universal del cilindro central, éste es el único punto unido al efector final que siempre se desplazará sólo en di-rección z.

La orientación de ambos sistemas coordenados, se escogen inicialmente iguales a la de la IMU, el eje x señala al polo norte magnético terrestre, y el eje z positivo a la dirección de la fuerza gravitacional. En base a estos marcos de referencias se establecen las posiciones de los puntos de unión de los cilindros neumáticos a la base (A) y a la plataforma móvil (B). Los cuaternios que proporciona la IMU son utilizados para calcular la matriz de rotación en todo momento, utilizando la ecuación (2), luego los valores de ABi son calculados con la ecuación 3. En todo momento se conoce la posición de P respecto a O, puesto que sus coordenadas x y y, son siempre cero y la coordenada z está determinada por la lectura del sensor ultrasóni-co.

3.2 Modelo Cinemático de la heliplataforma

La heliplataforma prototipo es una plataforma de Stewart-Gough 6-UPS; el efector está unido a la base mediante seis actuadores eléctricos lineales.

Las coordenadas del punto de unión de los actuadores lineales a la base, son expresadas en el marco de referencia B del barco, y las posiciones de los puntos de unión al efector final de la Stewart son expresadas respecto a un marco de referencia C. El marco de referencia C tiene su origen Pf ubi-cado en el centro de la superficie superior de la plataforma, y está orienta-do igual que la IMU. Para determinar el desplazamiento de los actuadores es necesario obtener los puntos de unión en el efector, en el marco de refe-

rencia B, y obtener el vector iBC cuya magnitud es la longitud total del actuador lineal. En la siguiente sección se explicará como se efectúa la transformación, utilizando los datos sensoriales.


4 Estrategias de movimiento

Se tiene como objetivo determinar los desplazamientos lineales para cada actuador del barco y la plataforma Stewart; de tal forma, que se logren los movimientos deseados en el barco y se contrarresten estos movimientos en la plataforma Stewart. A continuación se describen estos movimientos

4.1 Movimiento del barco

El desplazamiento del cilindro central del barco se realiza independiente-mente de los otros dos, éste se desplaza sinusoidalmente alrededor de una posición inicial. Dicho desplazamiento provoca el movimiento vertical deseado para el barco. Los otros dos cilindros se mueven siguiendo tam-bién un desplazamiento sinusoidal, la cinemática inversa toma lugar para calcular los desplazamientos efectivos que deben realizarse para obtener la posición del actuador, en base a la posición y orientación del barco. Los movimientos sinusoidales de los actuadores están desfasados entre ellos para lograr el movimiento alrededor del eje x, y desfasados del pistón cen-tral para lograr oscilaciones alrededor del eje y.

4.2 Movimiento de la heliplataforma

Para calcular el desplazamiento necesario de los actuadores, de la helipla-taforma, se parte de la consigna de que el movimiento absoluto del efector final debe ser cero; i.e. la plataforma debe mantener una posición y orien-tación, respecto a tierra, constante. Sin embargo, para aplicar las ecuacio-nes de cinemática inversa es necesario obtener esta posición, respecto al marco de referencia de la base de la heliplataforma. Reemplazando en la ecuación (1), se obtiene la ecuación (4) para realizar la transformación de coordenadas:

[ ]

=

11000f

AA

BA

B

fB PPRP (4)

donde, APf es la posición del efector de la heliplataforma respecto al marco de re-

ferencia fijo a tierra (A). Su valor debe mantenerse constante para cualquier movimiento del barco.


BPA es la posición del marco de referencia A respecto al marco de referen-cia B. Esta posición se obtiene por la ecuación:

( )BA

AB

AB PRP −= (5)

En esta expresión la posición de la plataforma del barco respecto al marco de referencia de la base APB es una cantidad que debe ser medi-da en todo momento.

BRA es la matriz de rotación del marco de referencia A respecto al marco de referencia B. Este se obtiene de la transpuesta de la matriz de rota-ción de B respecto a A, y que se obtiene a través de la ecuación (2) sustituyendo el valor de los cuaternios medidos por la IMU.

5 Simulación Computacional

La simulación computacional permite comprobar la cinemática del robot, que las longitudes de las juntas prismáticas no excedan sus límites, en nin-gún momento, y que la respuesta del robot a las señales de control sean las esperadas. Los programas de simulación que se emplearon en el diseño y en la simulación del comportamiento del sistema de plataformas paralelas son Matlab y ADAMS. ADAMS permite modelar la planta (simulador del barco y heliplataforma) y visualizarla, y Matlab permite implementar el sistema de control de esa planta.

En la figura 2 se muestra el modelo terminado en Adams, el mismo consta de 20 partes construidas con las geometrías primitivas del progra-ma, y 26 uniones que conectan estas partes. Se crearon también, 30 varia-bles de estado, de las cuales 9 son entradas (posiciones de los actuadores lineales) y el resto son señales de salida (lectura de sensores) utilizadas por el controlador y para la verificación de los resultados.

El modelo es exportado como un bloque de simulink a Matlab a través de una herramienta de MSC.ADAMS, ADAMS/Controls. Las salidas y entradas de la planta son conectadas a los otros bloques de simulink. ADAMS impone a cada junta prismática un desplazamiento en función del tiempo, igual al calculado por Matlab.

5.1 Resultado de las simulaciones

El movimiento la plataforma inferior se simuló directamente en ADAMS para observar el comportamiento de la plataforma móvil, con el acciona-


miento independiente de los pistones neumáticos. Por medio de Adams se observan los movimientos translacionales y rotacionales resultantes, para una onda senoidal de los pistones 50 sin(.628t) a partir de los 100 mm, donde uno de los cilindros laterales tiene un desfase de 180º. La figura 4 muestra el movimiento de la plataforma móvil del barco, las rotaciones es-tán un poco por encima de los 10 grados y el desplazamiento total en z al-canza los 100 mm.

Fig. 4. Movimiento del barco que resulta del desplazamiento independiente de

los pistones. Arriba, movimiento vertical; abajo, componentes x y y de rotación. La figura 5 muestra los desplazamientos que tendría la heliplataforma si

los motores estuvieran bloqueados. Cuando el desplazamiento de los ac-tuadores es mínimo alcanza desplazamientos en x y y por arriba de los 200 mm y en z un poco más de 100 mm.

El algoritmo que calcula los desplazamientos requeridos de los actuado-res fue implementado en una función embebida de Matlab y fue conectada al bloque de simulink que representa la planta construida en ADAMS. Se determina que para mantener a la heliplataforma en una posición de 1726 mm respecto a tierra, el desplazamiento máximo requerido de los pistones es de 337 mm, y el mínimo de cero. Por lo tanto para asegurar que los pis-tones no alcancen su final de carrera, la altura de la heliplataforma respecto a su base debe ser de 1310 mm, esta es la posición inicial que debe tener la heliplataforma antes de iniciar el controlador, a la cual es llevada mediante un planificador, como se describe en la siguiente sección.


Fig. 5. Desplazamiento resultante de la heliplataforma si los motores estuviesen

bloqueados

6 Pruebas

Varias pruebas son realizadas para verificar el funcionamiento y compor-tamiento de la heliplataforma. Estas pruebas son divididas en etapas o pruebas intermedias con el objetivo de comprobar el desempeño de los subsistemas por separado y luego, en pruebas posteriores, examinar el comportamiento de la heliplataforma como un todo.

6.1 Prueba de la plataforma paralela de 3 GdL

6.1.1 Determinación de las ganancias del controlado r

El control de la posición de los pistones, se logra variando la entrada de voltaje a las válvulas proporcionales que controlan el flujo de aire hacia la cámara de los cilindros. Esta señal de control se hace proporcional al error de posición. Inicialmente se determinan las ganancias proporcionales ade-cuadas.


La estimación de las ganancias proporcionales, para los cilindros de menor diámetro, se realizó con la ayuda de la interfaz gráfica del programa Control Desk. En esta interfaz, la ganancia se incrementa lentamente por medio de un instrumento deslizante en la pantalla del PC. Al mismo tiem-po, se monitorea la respuesta de los cilindros, por medio de las lecturas de los sensores (el sensor ultrasónico y la IMU), y por medio de los cálculos cinemáticos cuyo resultado se muestran en pantalla. El objetivo es lograr la posición deseada rápidamente pero sin causar cambios bruscos de posi-ción, o vibraciones alrededor de la posición deseada.

Debido a que cada válvula neumática tiene un comportamiento diferen-te, esto debe hacerse para cada una de ellas; además debido a las variacio-nes dinámicas y la asimetría de las caras de los émbolos, se estiman dos ganancias proporcionales para cada pistón, dependientes de la dirección de avance. Las ganancias proporcionales de subida/bajada estimadas son de 0.11/0.034 y 0.10/0.030, respectivamente.

6.1.2 Movimiento sinusoidal de los pistones neumáti cos

Con el objetivo de simular el movimiento del barco sobre el mar se im-plementa el control de posición para los pistones neumáticos a una trayec-toria sinusoidal. La trayectoria sinusoidal deseada puede ser modificada online por medio de variables controladas directamente en el panel de con-trol de la tarjeta controladora dSPACE1103. Por tanto, durante el funcio-namiento de la plataforma es posible alterar tanto la amplitud de la trayec-toria sinusoidal, como el valor alrededor del cual la onda sinusoidal oscila.

No se consiguió un seguimiento exacto de la onda, sin embargo para la aplicación utilizada se considera aceptable la respuesta de los pistones a la señal comandada.

Debido a que la tarjeta controladora dSPACE1103 puede controlar so-lamente ocho ejes, es necesario que el control de movimiento de los cilin-dros centrales se realice por medio de un PLC externo, éste utiliza direc-tamente los datos del sensor ultrasónico para cerrar el lazo de control.

6.2 Prueba de la plataforma Stewart-Gough

Para realizar las pruebas de seguimiento de trayectoria, utilizando el con-trol de posición de lazo cerrado, de la plataforma Stewart-Gough es nece-sario inicialmente sintonizar las ganancias proporcionales de los seis ser-vomotores eléctricos. Una vez estimadas las ganancias se procede a verificar que el movimiento que la plataforma Stewart-Gough realiza al re-


alimentar la información de la unidad de medida inercia IMU, sea el ade-cuado.

6.2.1 Sintonización de los servomotores eléctricos

Se realizó una subrutina de prueba en C para sintonizar el lazo de control de posición y se agregó una gráfica en la interfaz para visualizar los resul-tados. Esta subrutina manda una señal de referencia de voltaje al motor, que sería el error de posición o sea la diferencia entre la posición deseada y la posición actual marcada por el enconder (en pulsos), multiplicado por una ganancia proporcional.

Al inicio todas las ganancias proporcionales son reducidas a lo mínimo. A continuación se aumenta la ganancia proporcional kp, hasta que el en-coder alcanza la posición deseada rápidamente, pero sin causar vibración al sistema.

Por otra parte el amplificador contiene unos potenciómetros que se de-ben ajustar para ajustar las ganancias, entre ellos uno de ganancia derivati-va llamada DER y uno de ganancia PI llamada Kv, la DER ayuda a amor-tiguar la respuesta y la Kv podría mejorar la respuesta en el tiempo. Por otra parte el amplificador contiene unos potenciómetros que se deben de ajustar, entre ellos tiene una ganancia derivativa llamada DER y una ga-nancia PI llamada Kv, la DER ayuda a amortiguar la respuesta y la Kv po-dría mejorar la respuesta en el tiempo.

6.2.2 Movimiento de la plataforma sincronizada con la unidad de medida inercial - IMU

Con el objetivo de mantener el efector final de la heliplataforma estable en una posición inicial dada, es necesario medir la inclinación de la base de la plataforma Stewart-Gough, el barco, y realimentarla al control de posición de la plataforma. Para esto se localiza la unidad de medida inercial IMU sobre la base de la plataforma Stewart-Gough.

En una prueba previa se desmontan los motores de los husillos y se reti-ra la unidad de medida inercial de la base de la plataforma. Entonces, la orientación de la unidad de medida inercial es modificada con la mano y se observa que el movimiento de los ejes de los motores eléctricos sea el es-perado. Posteriormente, los motores son montados a los husillos y el efec-tor de la plataforma Stewart es llevado, mediante un planificador, a una posición de inicio (por encima de la mitad de su carrera), y nuevamente la orientación de la unidad de medida inercial es cambiada manualmente, pa-ra verificar el correcto movimiento de la plataforma.


6.3 Prueba de la plataforma experimental

Estas pruebas se realizan inicialmente en el laboratorio y luego en campo, a todo el conjunto de la plataforma experimental, la plataforma Stewart-Gough montada sobre la plataforma de 3 GdL. Con esta prueba se requiere comprobar que el efector de la heliplataforma (lugar de aterrizaje del heli-cóptero) permanece en una misma posición y sin variación en su orienta-ción con relación a la tierra durante el movimiento de la plataforma de si-mulación del mar.

Inicialmente se utiliza un planificador de trayectorias para llevar el efec-tor de la plataforma a una posición que le permita compensar los movi-mientos del barco en todo momento. Durante ese tiempo los pistones neumáticos de la plataforma paralela de 3 GdL se encuentran bloqueados.

En seguida, son accionados los pistones neumáticos. Los de menor diá-metro son llevados a una posición que logre colocar el efector de la plata-forma inferior paralelo a tierra. En este momento se pasa a la Stewart a modo Control (modo en que compensa el movimiento del barco). Segui-do, todos los pistones son llevados a la mitad de sus carreras y luego son movidos sinusoidalmente. Este movimiento senoidal provoca en una varia-ción en la orientación y posición del barco, lo cual es captada por los sen-sores y realimentadas a la tarjeta controladora.

A partir de la información prestada por los sensores, el procesador cal-cula el desplazamiento de los actuadores de la plataforma Stewart, necesa-rios para mantener su posición y orientación fijas con respecto a la tierra. Con esta información y el control de posición de lazo cerrado los servomo-tores son actuados a través de los amplificadores.

La figura 5 muestra una prueba en campo de la plataforma experimental, se observa como la inclinación del barco es compensada por el movimien-to de los actuadores de la plataforma Stewart, para mantener a la platafor-ma de aterrizaje paralela al piso. La plataforma Stewart-Gough es equipa-da con una placa de 1 m2 de madera sobre el efector final como plataforma de aterrizaje; en la figura 6 se muestra el momento en que el helicóptero Colibrí (www.disam.upm.es/colibri) aterriza en la heliplata-forma.

En campo, cuando se colocó la superficie de aterrizaje al efector de la heliplataforma, a diferencia de los experimentos realizado en el laborato-rio, se observó una inestabilidad en el sistema de control. El movimiento que alcanzaba la plataforma inferior debía ser reducido para que la plata-forma se comportara correctamente.


Fig. 5. Prueba en campo de la plataforma experimental.

Fig. 6. Helicóptero Colibrí aterrizado en la heliplataforma, durante el movi-

miento del barco.

7. Conclusiones y Trabajos Futuros

Con la simulación se demostró que es posible compensar el movimiento del mar a través de una plataforma Stewart-Gough, por medio de un algo-ritmo de control, que determina los desplazamientos de los actuadores a cada instante.

El prototipo desarrollado ha demostrado su capacidad para la ayuda para el aterrizaje y despegue de helicópteros de pequeñas dimensiones. Los equipos utilizados, han demostrado ser idóneos para el control de la plata-forma de aterrizaje.


Las pruebas realizadas mostraron que para oscilaciones de la plataforma inferior cuyos ángulos superan un valor límite, es necesario un estudio de-tallado del efecto dinámico de la superficie de aterrizaje en el comporta-miento de la plataforma experimental.

Los algoritmos de control y el desempeño de los sensores, como unidad de medida inercial, encoders y sensor-ultrasónico, se mostraron adecuados para asegurar el cumplimiento de la tarea propuesta.

Referencias

Fichter E.F., 1986. A Stewart Platform- Based Manipulator: General The-ory and Practical Construction. The International Journal of Robotics Re-search; 5; 157

Fossen, Thor I., Guidance and Control of Ocean Vehicles, John Wiley & Sons, Chichester England, 1994.

Lung-Wen Tsai, Robot analysis: The mechanics of serial and parallel ma-nipulators, John Wiley & Sons, Inc, 1999.

R. Bermejo, Desarrollo de un Robot Paralelo Trepador. Tesis Doctoral, UPM, 2004.

R. Hoffman. 1979. Dynamics and control of a flight simulator motion sys-tem, in Proc. Canadian Conf. Automatic Control, Montreal, Canada, May 23–25, pp. 1–10. Stewart, D. 1965 (London, England). A platform with six degrees of free-dom. Proc. Inst. Mech. Engr. 180(1):371-386. W-S. Lee, J.H. Kim, J.H. Cho, and S.J. Lee. 1999. The Kookmin Univer-sity driving simulators for vehicle control system development and human factor study. In Proc. DSC’99—Driving Simulation Conf., Paris, July 7–8.

CAPÍTULO 8

Planificación de Misiones de UAV Mediante el Lenguaje de Control de Vehículos Aéreos

P. GUTIÉRREZ, J. DEL CERRO, A. BARRIENTOS, R. SAN MARTÍN, A. MARTINEZ y C. ROSSI

Grupo de Robótica y Cibernética, Universidad Politécnica de Madrid [email protected], [email protected]

El Lenguaje de Control de Vehículos Aéreos (AVCL) permite expresar de forma abstracta una misión para vehículos aéreos autónomos (UAVs). El AVCL: representa el vínculo entre una herramienta GIS de Planificación de Misiones y un grupo heterogéneo de UAVs y sensores; permite expresar misiones que no requieren de un UAV específico, siendo capaz de definir interacciones simples es misiones multi-vehículo. Su validez ha sido probada extensamente mediante misiones simuladas en las que se han realizado diversos tipos de maniobras con un vehículo virtual conectado a un módulo de guiado y navegación. Asimismo se han realizado pruebas con UAV reales, con algunas de las misiones previamente simuladas.

1 Introducción

En las últimas décadas el desarrollo de vehículos aéreos autónomos (UAVs por sus siglas en inglés) se ha centrado en el control de actitud, seguimiento de trayectorias y generación de trayectorias libres de colisión. Tradicionalmente los científicos e ingenieros interesados en el desarrollo de UAVs siguen el esquema mostrado en la Fig. 1: primero se construye un modelo de la dinámica del vehículo mientras que el control de misión constituye la última etapa, algunas veces sólo como un diseño insinuado en papel.

La persistencia de esta metodología es especialmente cierta en el caso de vehículos inherentemente inestables como los helicópteros. Como evidencia está la gran cantidad de artículos dedicados al control de actitud


frente al escaso desarrollo de herramientas de control y planificación de misión. Esta “jerarquía” es un planteamiento razonable, incluso natural, para el desarrollo de un UAV pero comúnmente el diseño de las etapas superiores está condicionado por las capacidades, limitaciones y arquitectura de las etapas inferiores.

Fig. 1. Desarrollo tradicional de UAVs

En este escenario el diseño se propaga hacia arriba, y es posible que el

diseño de las capas más bajas de la jerarquía limiten severamente las alternativas de diseño de las capas más altas. Por ejemplo: con un vehículo diseñado para navegación punto-a-punto será virtualmente imposible desarrollar algoritmos de navegación capaces de realizar trayectorias complejas; un control de actitud. Estos problemas son más notorios cuando los responsables del proyecto consideran que el prototipo existe como un elemento aislado del universo, limitado en tiempo y espacio, un diseño que probablemente no podrá interactuar con sistemas de planificación futuros u otros UAVs. Fuera de los centros de investigación con nexos militares (Office of the Secretary of Defense, 2005) no existe una “fuerza” que impulse el uso de estándares aplicables y tecnologías que faciliten la integración de un grupo heterogéneo de vehículos autónomos con los sistemas actualmente en operación.

El presente documento expone parte de los resultados obtenidos por el grupo de Robótica y Cibernética*. El grupo cuenta con un grupo heterogéneo de vehículos autónomos: un dirigible y tres helicópteros con diferentes autopilotos, cada uno con capacidades y limitaciones diferentes. La disparidad entre los autopilotos (dos comerciales y el último desarrollado internamente) obligó a una parte del grupo de investigadores a invertir el esquema de la Fig. 1: el diseño empieza en las etapas superiores de la jerarquía (software de planificación de misión) y asume que el sistema debe integrarse con un grupo heterogéneo de UAVs que utilizan diferentes algoritmos de control y seguimiento de trayectorias, y

* URL: http://robcib.etsii.upm.es

Planificación de Misiones de UAV Mediante el Lenguaje de Control de Vehículos Aéreos 123

una gran variedad de sensores y equipamiento adicional a bordo del vehículo.

El fruto de ese proyecto es una herramienta de software para la planificación, simulación y supervisión de vehículos aéreos. Esta herramienta está basada en un Sistema de Información Geográfica (GIS) digital, y se conecta con diferentes vehículos (simulados y reales) mediante el Lenguaje de Control de Vehículos Aéreos (AVCL, por sus siglas en inglés), un lenguaje interpretado en tiempo de ejecución. El AVCL permite que el diseño de las etapas superiores sea independiente de la arquitectura de las etapas inferiores, algo análogo al MDLe (Hristu, 2000). Tanto el Planificador de Misión (PM) como el AVCL son las piezas clave de una arquitectura unificada y abierta para la integración de grupos heterogéneos de vehículos aéreos, aunque este documento se centrará casi exclusivamente en el AVCL y el control de un UAV simulado.

El AVCL es la capa de abstracción que permite al supervisor humano crear misiones independientes de vehículos y sensores, de forma que la reutilización del código es posible y ventajosa. Al mismo tiempo las expresiones y comandos en AVCL esconden las diferencias entre los diferentes sistemas de software/hardware que constituyen un UAV, y sirven como un medio de definición y almacenamiento de misiones.

2 Lenguaje de Control de Vehículos Aéreos

Aunque en este documento se centra en el desarrollo y funcionalidad del AVCL es necesario exponer el diseño del sistema global de planificación y supervisión de misión. Sólo así podrá entenderse cabalmente el papel que juega el AVCL en el esquema global y sus conexiones con el resto de componentes del sistema.

2.1 Planificador de Misión basado en GIS

Una parte importante de los proyectos de desarrollo de UAVs tienen un objetivo o motivación claramente militar (Air & Space Europe, 1999), y por tanto sus esfuerzos en algoritmos de planificación se han centrado en los sistemas reactivos y la navegación en espacios parcial o totalmente desconocidos. Sin embargo el mismo Departamento de Defensa de los Estados Unidos (Office of the Secretary of Defense, 2005) afirma que una tarea importante de los UAVs es llevar a cabo misiones aburridas, es


decir, operaciones repetitivas en territorio no-hostil y conocido, y que pueden ser realizadas por máquinas más sencillas, fiables y baratas.

En otras palabras, el gobierno de los EEUU reconoce en los UAVs las mismas ventajas que la industria del automóvil en los manipuladores tradicionales. Además, sin dejar a un lado la capacidad de reacción en un ambiente dinámico y/o hostil, hay que considerar que casi ningún ámbito donde habitualmente se desarrolla la misión de un UAV es totalmente desconocido -siendo los micro vehículos una notable excepción-. Todos los días organizaciones gubernamentales y comerciales trabajan para enriquecer enormes bases de datos de información geográfica (GIS). En los países más desarrollados la cobertura es prácticamente total y la precisión aumenta a la par del nivel de detalle y la riqueza de la información georeferenciada, sobretodo en las inmediaciones de los centros urbanos.

En España múltiples instancias de los tres niveles de gobierno publican información cartográfica en formato digital. por ejemplo: el Instituto Geográfico Nacional, el Servicio de Cartografía y el Instituto de Estadística de la Comunidad Autónoma de Madrid, y la Gerencia Municipal de Urbanismo del Ayuntamiento de Madrid. Sin contar con el GIS comercial son muchas las bases de datos disponibles que pueden servir de marco de referencia para una gran variedad de misiones aéreas.

El uso de información GIS no es nuevo en robótica móvil (Doherty, 2000; Sinopoli, 2001; Doherty, 2004), y en el caso de planificación de misiones resulta crucial (p. ej. para la inspección de líneas de alta tensión), al tiempo que ofrece la oportunidad de ambientes virtuales para teleoperación con mayor nivel de realismo. Además el uso de tecnologías y estándares GIS son un excelente medio para compartir información espacial con otros sistemas.

2.1.1 Arquitectura del Planificador

El Planificador de Misión (PM) (Gutiérrez, 2006) es una herramienta informática (ver Fig. 2), basada en una librería comercial (ESRI ArcObjects*), y con capacidad de operar directamente sobre gran cantidad de formatos e interfases GIS. Este nivel de integración con las bases de datos de objetos georeferenciados es la diferencia más notable y, desde nuestro punto de vista, la principal ventaja del planificador frente a desarrollo previos (Barrouil, 1998; Tso, 1998; Kim, 2002; Ramos, 2003).

* URL: http://www.esri.com/arcobjects


El PM tiene, grosso modo, dos funciones: construcción de una Realidad Aumentada (2-3D) (ver Fig. 3) y diseño de la misión. La primer función puede descomponerse en dos operaciones:

1. Preprocesamiento de las bases de datos GIS (comerciales y oficiales) para obtener un “mapa digital” que incluye: ortofoto, modelo digital del terreno y objetos georeferenciados (líneas eléctricas, sembradíos, poblaciones, etc.).

2. Inclusión de objetos virtuales (zonas restringidas, puntos de paso, otros vehículos, combinaciones lógicas de objetos, etc.)

En otras palabras, la primer función del PM es ofrecer al usuario el contexto donde volará el UAV, ofreciendo toda la información relevante y facilitando el diseño de la misión.

Fig. 2. El Planificador de Misión

Fig. 3. Diagrama simplificado del MP

Es para el diseño de misión, la segunda tarea del MP, donde entra en

juego el AVCL – fundamentalmente su intérprete –, tal y como se observa en la Fig. 4. Es decir, el AVCL es el puente que une una herramienta visual (el MP) con un grupo heterogéneo de UAVs.


2.2 AVCL: el puente entre la planificación y el UAV

El Planificador de Misión (PM) es una herramienta visual y de alto nivel que permite a un operador humano definir una misión para un vehículo aéreo autónomo de forma abstracta. Sin embargo debe existir un mecanismo potente, flexible y extensible capaz de unir el PM con un grupo heterogéneo de UAVs. La respuesta a este problema es una arquitectura de software que consta de tres partes:

1. un lenguaje de programación de UAVs capaz de describir las misiones y capacidades de un grupo heterogéneo de vehículos y sensores;

2. el intérprete de dicho lenguaje, con capacidad para establecer la comunicación entre los UAVs y el Planificador de Misiones;

3. la definición de un vehículo básico cuyas capacidades de operación y maniobra pueden ser extendidas por UAVs específicos.

Fig. 4. Planificador de Misión e Intérprete de AVCL

El resultado es el Lenguaje de Control de Vehículos Aéreos – AVCL,

por sus siglas en inglés –. El AVCL no debe considerarse simplemente como una gramática y su sintaxis, sino como un lenguaje, su intérprete, y una serie de especificaciones que establecen las reglas básicas que todo UAV debe cumplir para operar dentro de la arquitectura del Planificador de Misiones. En otras palabras, el Planificador de Misión permite al operador expresar los objetivos de la misión y las operaciones concretas


que habrá de realizar el UAV mediante expresiones de un lenguaje. Como ejemplo de AVCL:

# puntos de paso variable p1, p2, p3 p1 = @ 1.1 km, 0.1 km, 55 m @ p2 = @ p1.X() + 33.3m, 0km, 70m@ # comandos al UAV helicopter.TakeOff (15m) helicopter.FlyTo (p1) helicopter.Camera.Zoom (1.0) # lectura de datos p3 = helicopter.Position() print (‘p3 = ‘, p3) # los argumentos de las funciones pueden # tener nombre, lo que facilita la # lectura del código uav.FlyTo (destination = p1, abortIf = uav.Z < 3 ft )

Otros proyectos de vehículos aéreos y submarinos autónomos han

desarrollado sus propios lenguajes de programación/control (Yuan, 1999; Dixon, 1999; Duarte, 2000; Doherty, 2000; Kim, 2002; Kim , 2003) de los que el AVCL toma algunos conceptos básicos que fueron ampliados hasta convertirse no sólo en un lenguaje sino en una arquitectura abierta y extensible. Frente a proyectos anteriores las principales ventajas del AVCL son:

1. su manejo intuitivo de diferentes sistemas de unidades, y la facilidad con que nuevas unidades y magnitudes pueden agregarse;

2. sigue el paradigma de la programación orientada a objetos (POO), lo que permite agrupar de forma útil y coherente las funciones y propiedades de un vehículo o sensor;

3. el paradigma POO permite el diseño de misiones multi-vehículo; 4. las funciones pueden recibir punteros a objetos. Esto permite

conectar en tiempo de ejecución diferentes vehículos y sensores; 5. es extensible, nuevas funciones y clases de objetos se pueden

agregar fácilmente; 6. el intérprete fue desarrollado en C++ estándar, por tanto puede

utilizarse en una gran variedad de sistemas operativos.

Usar el AVCL para unir el Planificador de Misiones y las capacidades específicas de un vehículo aéreo representa una importante ventaja frente a otros mecanismos: el AVCL también sirve de puente entre los vehículos. Esto significa que en tiempo de ejecución se pueden generar nuevas conexiones, interacciones que no fueron consideradas durante la fase de diseño. Por ejemplo:


1. se puede pedir a un vehículo que siga la trayectoria de otro, o que espere una señal de un sensor remoto;

2. puede conectarse dinámicamente un vehículo con diferentes algoritmos de navegación;

3. diferentes sensores pueden mezclarse con los vehículos disponibles, conectando sus señales mediante comandos AVCL;

4. puede definirse un sensor estándar que encapsule la funcionalidad básica de diferentes sensores, un mecanismo de abstracción.

Como ejemplo de algunos de estos casos se ofrecen los siguientes

segmentos de código AVCL:

# seguimiento de un vehículo uavA.TakeOff (5m) uavB.TakeOff (15 ft) uavB.FlyTo (p1) while (uavB.Position != p1)

uavA.RefPosition = uavB.Position + offset endWhile # conexión con sensores uav.Sensors(0) = parser.loadObject (‘camera.lib’) uav.Sensors(0).LookAt (p1) uav.Sensors(1) = parser.loadObject (‘laser.lib’) uav.Sensors(1).TurnOn() # señales de sensores como banderas de control uav.FlyTo (p1, abortIf = laser.Range < 10m)

2.2.1 Sintaxis básica

El AVCL es un lenguaje interpretado en tiempo de ejecución, es decir, no se compila. Su sintaxis ha sido descrita en una variante de la Forma Backus-Naur Extendida (EBNF), la cual es demasiado compleja y extensa para presentarse aquí. Sin embargo el AVCL es un lenguaje quasi-imperativo muy parecido al C++ y resulta sencillo aprenderlo una vez que se conocen sus tipos de datos y operaciones básicas:

1. tipos básicos: bool, número de coma flotante, y cadena de caracteres;

2. tipos complejos: distancia, velocidad, aceleración, ángulos, temperatura, coordenadas 3D, actitud (guiñada, cabeceo y alabeo), vector, etc. Todas ellas con unidades en SI e Inglés;

3. operadores lógicos, de comparación y aritméticos, definidos para todos los tipos, y funciones trigonométricas;

4. variables, constantes y mutables. Las variables pueden destruirse, y la diferencia respecto a un mutable es que tienen un tipo definido mientras que éstos últimos son contenedores universales;


5. las funciones pueden sobrecargarse y anidarse (sin límite). Los argumentos de las funciones pueden incluir una etiqueta (nombre) que facilite la lectura del código (p. ej. alpha = sin ( ángulo = 30°));

6. los objetos tienen métodos y propiedades (por ejemplo, una cadena de caracteres tiene la propiedad “longitud”).

2.2.2 El intérprete: diseño extensible

El intérprete de AVCL fue desarrollado en C++ estándar, por tanto puede compilarse en diversos sistemas operativos (Windows, variantes de Linux y Mac OS X). Ya que el intérprete sólo define los tipos de datos básicos y los operadores descritos en la sección anterior, es necesario un mecanismo para definir nuevos tipos de objetos, funciones y operadores. En otras palabras, todos los vehículos y sensores sobre los que deseamos operar se definen como librerías externas, lo mismo que funciones adicionales que se quieran incorporar al AVCL.

El desarrollo de las librerías que extienden la funcionalidad del intérprete de AVCL siguen un estándar propio, y pueden desarrollarse en C, C++ y C#. Es importante notar que se incluyó C# por dos importantes razones:

1. Mono* permite el desarrollo de librerías que funcionan en varios sistemas operativos sin necesidad de recompilar;

2. el estándar .NET establece un protocolo para el procesamiento distribuido, en algunos casos análogo a CORBA, que permite al intérprete operar de forma transparente con objetos que existen en diferentes contextos (p. ej. en los ordenadores de varios UAVs).

El vehículo simulado cuyo uso describiremos en secciones posteriores,

es un ejemplo práctico de cómo extender el intérprete mediante librerías externas que definen un objeto nuevo (con propiedades y métodos propios).

2.2.3 Vehículos y sensores genéricos

Contamos con un grupo cada vez más grande y heterogéneo de vehículos aéreos y sensores. Adicionalmente cada autopiloto (la combinación HW/SW que pilota cada vehículo) tiene diferentes modos de operación, nuevos y mejores algoritmos de control y navegación, lo que configura un universo casi ilimitado de combinaciones de vehículo – sensor – software. Sin embargo la mayor parte de estas combinaciones comparten

* URL: http://www.mono-project.com


características básicas, por ejemplo: todos ellos son capaces de despegue automático, vuelo en línea recta y vuelo estacionario (no contamos con aviones).

Ya que el AVCL es un lenguaje interpretado es posible el concepto de vehículos y sensores genéricos. En otras palabras, el Planificador de Misión conoce el subconjunto de operaciones que son posibles para todos los vehículos y sensores disponibles, y puede generar misiones genéricas que cualquiera de los vehículos puede realizar. Este concepto es importante por dos motivos: permite al operador concentrarse en cumplir los objetivos de la misión en vez de preocuparse por la disponibilidad de un vehículo específico; para una misión multi-vehículo permite el libre intercambio de roles.

3 Control de vuelo y guiado

Los autopilotos de nuestros vehículos aéreos se comandan con dos tipos básicos de orden: vector de velocidad y puntos de paso (waypoints). Ninguno de estos modos de operación cumplen todos los requisitos de flexibilidad y potencia de “expresión” que requiere el Planificador basado en AVCL. Por un lado es complicado (por no decir imposible) expresar una misión en términos de vectores de velocidad, mientras que un control de guiado basado exclusivamente en un grupo de waypoints no permite al operador definir trayectorias específicas. Por ello surgió la necesidad de desarrollar un control de vuelo y guiado capaz de volar un conjunto básico de trayectorias, un conjunto de elementos que permiten construir misiones complejas. El resultado es un módulo de guiado superior a desarrollos anteriores (Lillo, 2007), capaz de guiar cualquier helicóptero que pueda comandarse con un vector de velocidad, y que incluye el siguiente conjunto de operaciones:

1. vuelo estacionario; 2. vuelo en línea recta y velocidad constante hacia un punto; 3. vuelo en arco a velocidad constante. El arco se construye a partir de

las coordenadas del centro de la circunferencia y su longitud se expresa en grados;

4. vuelo en una dirección a velocidad variable durante un tiempo predefinido.

En todos los casos la guiñada puede ser constante respecto al norte, un

offset respecto a la dirección de vuelo o apuntar hacia la dirección de una


coordenada 3D; por otra parte la altura se controla de forma independiente mediante una referencia de posición.

El módulo realiza básicamente dos operaciones: genera un perfil de velocidad que se ajusta a la trayectoria deseada y después vigila que la trayectoria real del UAV se ajuste a la ideal. La Fig. 5 ilustra el principio básico del bucle de control que mantiene el vehículo sobre la trayectoria deseada. La línea punteada es la trayectoria que ha creado el algoritmo de generación de trayectorias, y representa un perfil de velocidad que el UAV debe cumplir. El rombo representa la posición que idealmente debería tener el vehículo, mientras que el círculo representa (de forma exagerada para que sea más ilustrativo) la posición actual del vehículo. El error de posición y el siguiente segmento del perfil de velocidad se combinan linealmente para generar el vector de velocidad de referencia para el UAV. En otras palabras, el UAV persigue la posición futura de un vehículo ideal.

Fig. 5. Seguimiento de trayectorias

Se han realizado muchas pruebas del módulo de guiado con un vehículo simulado (del Cerro, 2004) con excelentes resultados, algunos de los cuales se exponen en la siguiente sección.

4 Simulación de misiones

Las pruebas al intérprete de AVCL y el módulo de guiado se han realizado utilizando un vehículo virtual capaz de simular el comportamiento dinámico de un mini-helicóptero y los lazos de control de bajo nivel en tiempo real (del Cerro, 2004). A continuación se presentan los resultados de tres misiones simuladas. Por limitaciones de espacio sólo se presentan gráficos 2D (ilustran mejor la trayectoria del UAV), los segmentos más relevantes del código AVCL de cada misión (se obvia, por ejemplo, la


inicialización del vehículo simulado) y no se presentan gráficos que ilustren los cambios de guiñada.

Es importante destacar que desde el punto de vista informático este vehículo virtual (desarrollado en C+ y C#) fue diseñado como un objeto remoto, lo que permite que diferentes contextos (ordenadores o procesos) lo utilicen como si fuera un objeto local, algo análogo a un sistema CORBA. En otras palabras, el intérprete de AVCL (o cualquier otro proceso) crea el vehículo virtual y publica su ubicación en un servidor central. Software en otros contextos – típicamente un visualizador (ver. Fig. 6), otros vehículos y sensores virtuales – pueden interactuar (o comandar) en tiempo real con el UAV virtual.

Fig. 6. Interface visual

4.1 Concatenación de maniobras

El primer conjunto de misiones para el UAV representa la concatenación de diferentes tipos de maniobra. En todos los casos el vehículo parte de las coordenadas (0,0). El código de la misión se presenta a continuación y el resultado son los gráficos de la Fig. 7:

# definición de variables variable uav, v, p1, p2, p3 # crear el vehiculo virtual uav = parser.loadObject (‘Vampira.Sim.dll’) # coordenadas relevantes p1 = @10m, 0m, 3m@ p2 = @15m, 0m, 3m@ # velocidad para todas las operaciones v = 0.5 m_s


# misión 1 – circuito cerrado uav.TakeOff (3m) uav.Arc (centro = p1, vel = v, longitud = 90 deg) uav.Hover (tiempo = 5s) uav.FlyTo (destino = p2, v) uav.FlyTo (@-5m, 5m, 3m@, v) uav.FlyTo (@-5m,-5m, 3m@, v) p3 = @0m, -5m, 3m@ uav.Arc (centro = p3, vel = v, longitud = 90 deg) uav.Land () # misión 2 – dos círculos uav.TakeOff (altura = 15 ft) p1 = @5m, 0m, 15ft@ uav.Arc (p1, v, 360 deg, sentido_horario = true) uav.FlyTo (@-5m, 0m, 15ft@, velocidad = v) p2 = @-10m, 0m, 15ft@ uav.Arc (p2, v, 270 deg, sentido_horario = false) uav.FlyTo (@0m, -5m, 15ft@, v) uav.Land ()

-10

-5

0

5

10

15

20

-10 -5 0 5 10 15

-10

-5

0

5

10

-20 -15 -10 -5 0 5 10 15

Fig. 7. Misiones simples (en metros)

4.2 Inspección de un sembradío

Esta misión reproduce la planificación de un vuelo fotogramétrico sobre un terreno cultivado al objeto de recoger información multiespectral que permitirá analizar el efecto de un plaguicida sobre el cultivo. Para ello requiere que un conjunto de sensores multi-espectrales sobrevuelen el campo a una altura determinada y con una trayectoria que garantice N metros de solapamiento entre las mediciones. El campo mide, aproximadamente 40 x 140 metros, y colinda en uno de sus extremos con una autovía que no debe sobrevolar el UAV por cuestiones de seguridad. El código de la misión se presenta a continuación y el resultado de la simulación de la ejecución de la trayectoria planificada de manera


automática por el sistema aparece en la Fig. 8 (las ligeras variaciones en la trayectoria no son visibles por la escala empleada):

# obviamos la creación del vehículo y algunas varia bles # despegue y posición inicial en una esquina del ca mpo uav.TakeOff (10m) uav.FlyTo (coord_esquina, velocidad = v) # fijamos la altura de referencia uav.RefPosition.Z() = 50m # la misión puede definirse como un bucle destino = coord_esquina for (i = 0; i < 15; i = i + 1) # calculamos la coordenada final de este segmento # con la anchura del campo

destino = destino + @0.0, ancho_campo, 50m@ # volamos en línea recta print (‘volando hacia ‘, destino) uav.FlyTo (destino, v) # en ese extremo del campo podemos girar con un ar co # de circunferencia print (‘girando’) centro = destino + @2.5m, 0m, 0m@ uav.Arc (centro, velocidad = v, longitud = 180 deg ) # volvemos destino = destino + @0.0, -ancho_campo, 50m@

print (‘volando hacia ‘, destino) uav.FlyTo (destino, v) # en este extremo hay que evitar la autovia. Volam os a # la mitad de velocidad y giramos en ángulos recto s destino = destino + @5m, 0m, 0m@ # si a la instrucción Hover le damos un punto, ori enta # el uav en esa direccion uav.Hover (duracion = 15s, dir = destino) uav.FlyTo (destino, velocidad = v/2) endFor # fin del bucle. Vuelta a “casa” y aterrizaje uav.RefPosition.Z() = 5m uav.FlyTo (casa, velocidad = v) uav.Land ()

0

10

20

30

40

50

60

-20 -10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Fig. 8. Vuelo sobre un sembradío (en metros)


5 Conclusiones

Se ha mostrado el uso de un intérprete para comandar un vehículo virtual en varias misiones expresadas con el Lenguaje de Control de Vehículos Aéreos (AVCL). Asimismo se ha comparado el AVCL con otros lenguajes desarrollados anteriormente, se ha presentado su sintaxis e introducido el concepto de vehículos y sensores “genéricos” que permiten al operador centrarse en los objetivos de la misión en vez de las particularidades de cada vehículo o sensor.

Los vuelos simulados también han puesto a prueba un módulo de control de vuelo y guiado compatible con todos los UAVs que poseemos. Este módulo ofrece un conjunto de maniobras (vuelo estacionario, línea recta y arco de circunferencia) que se mezclan con cambios de altura y guiñada, ofreciendo un gran abanico de posibilidades para el operador humano que planifica la misión.

Un UAV es útil en función de los sensores que carga y de la potencia de su sistema de definición de misiones. La arquitectura que hemos desarrollado – basada en el concepto del AVCL – tiene varias ventajas:

1. permite el desarrollo de sensores y vehículos como módulos cuyas interacciones pueden definirse en tiempo de ejecución;

2. otorga al operador gran flexibilidad y potencia de expresión para definir los objetivos, parámetros y operaciones que conforman una misión;

3. el AVCL es un mecanismo de almacenamiento de misiones. Adicionalmente se ha ilustrado la relación que existe entre el intérprete

de AVCL presentado en este trabajo, con el sistema completo: un conjunto de UAVs y un Planificador de Misión con acceso a Sistemas de Información Geográfica (GIS, por sus siglas en inglés).

Agradecimientos

Este trabajo ha sido financiado por el Ministerio de Educación y Ciencia a través de los proyectos DPI 2003-01767 y 2006-03444. Además se contó con el apoyo del Consejo Nacional de Ciencia y Tecnología (México) y la Comunidad Autónoma de Madrid a través del proyecto Robocity2030.


Referencias

Air & Space Europe. 1999. Civilian applications: the challenges facing the UAV industry. Vol. I. pp. 63 – 66. Barrouil, C., y Lemaire, J. 1998. An integrated navigation system for a long range AUV. OCEANS Conference. Vol 1. pp. 331 – 335. del Cerro, J., Valero, J., Vidal, J. y Barrientos, A. 2004. Modelling and identification of a small unmanned helicopter. World Automation Congress. Dixon, K., Dolan, J., Huang, W., Paredis, C. y Khosla, P. 1999. RAVE: a real and virtual environment for multiple robot systems. Intelligent Robots and Systems Conference. Vol. 3. pp. 1360 – 1367. Doherty, P. 2004. Advanced research with autonomous aerial vehicles. International Conference on Principles of Knowledge Representation and Reasoning. Doherty, P., Granlund, G., Kuchinski, K., Sandewall, E., Nordberg, K., Skarman, E., y Wiklund, I. 2000. The WITAS Unmanned Aerial Vehicle project. 14th European Conference on Artificial Intelligence. pp. 747 – 755. Duarte, C.N., y Werger, B.B. 2000. Defining a common control language for multiple autonomous vehicle operation. OCEANS Conference. Vol. 3. pp. 1861 – 1867. Gutiérrez, P., Barrientos, A., del Cerro, J., San Martín, R. 2006. Mission planning and simulation of unmanned aerial vehicles with a GIS-based framework. AIAA Guidance, Navigation and Control Conference. Hristu, D., Krishnaprasad, P.S., Andersson, S., Zhang, F., Sodre, P., y Anna, L.D. 2000. The MDLe engine: A software tool for hybrid motion control. Kim, H.J., Shim, D.H., y Sastry, S. 2002. Flying robots: modeling, control and decision making. International Conference on Robotics and Automation. Vol 1. pp. 66 – 71.


Kim. T.W., y Yuh, J. 2003. Task description language for underwater robots. Intelligent Robots and Systems. Vol 1. pp. 565 – 570. Lillo, E. 2007. Estrategias para el guiado de un helicóptero autonomo: diseño y validación. Office of the Secretary of Defense. 2005. Unmanned Aircraft Systems (UAS) Roadmap, 2005 – 2030. Ramos, J.J.G., Maeta, S.M., Mirisola, L.G.B., Bueno, S.S., Bergerman, M., Faria, B.G., Pinto, G.E.M. y Brucipaglia, H. 2003. Internet-based solutions in the development and operation of an unmanned robotic airship. Proceedings of the IEEE. pp. 463 – 474. Sinopoli, B., Micheli, M., Donato, G., y Koo, T.J. 2001. Vision based navigation for an unmanned aerial vehicle. International Conference on Robotics and Atuomation. Vol. 2. pp. 1757 – 1764. Tso, K.S., Tharp, G.K., Zhang, W. y Tai, A.T. 1999. A multi-agent operator interface for unmanned aerial vehicles. Digital Avionics Conference. Vol 2. pp. 641 – 648. Yuan, X., Ganesan, K., Snowden, S., Smith, S.M., y Evett, M. 1999. Mission command macros for autonomous underwater vehicle. OCEANS Conference. Vol. 3. pp. 1312 – 1316.

CAPÍTULO 9

Sistema Robotizado para la Detección y Localización de Minas Antipersonas

R. PONTICELLI, E. GARCIA, P. GONZALEZ DE SANTOS y M. ARMADA

Departamento de Control Automático, Instituto de Automática Industrial –CSIC, [email protected]

La detección de minas en tareas humanitarias requiere la utilización de sensores específicos normalmente formados por dispositivos de detección puntual los cuales deben desplazarse sobre el terreno, para el barrido de grandes áreas, mediante una combinación de manipuladores y plataformas móviles. Los manipuladores necesitan cierto tipo de sensores que les per-mitan adaptarse a las irregularidades del terreno así como detectar obstácu-los en la trayectoria del detector. Todos estos sensores deben integrarse en una cabeza sensora encargada de detectar alarmas (minas antipersonas po-tenciales) y proporcionar las funciones necesarias para permitir el guiado de la plataforma móvil. En este capítulo se presenta una cabeza sensora ba-sada en un detector de minas comercial y un sistema de seguimiento del te-rreno que se ha configurado en torno a una red de medidores de distancia. El manipulador de barrido está configurado como una cadena cinemática abierta de 5 grados de libertad con articulaciones rotatorias. Este capítulo se centra en la descripción de la cabeza sensora, describe brevemente el manipulador, y documenta la validación experimental del conjunto.

1 Introducción

Las actividades encaminadas a la desactivación humanitaria1 de minas antipersonas requiere la utilización de sistemas robotizados que incremen-

1 Se consideran dos tipos básicos de actividades relacionadas con la desactivación

de minas: desactivación militar, que tiene lugar durante el conflicto, y desacti-vación humanitaria, que se desarrolla después de finalizar la contienda.


ten la velocidad de detección y, además, alejen al operario del campo mi-nado por razones de seguridad (Nicoud, 1997). Aunque para tales aplica-ciones se requieren sistemas robotizados móviles eficientes, es primordial la investigación básica de dispositivos sensorizados que permitan el fun-cionamiento de los robots y sistemas automáticos. La mayoría de los de-tectores de minas antipersonas son dispositivos puntuales y, por tanto se precisa moverlos sobre áreas mayores utilizando fundamentalmente robots manipuladores. Por tanto, los sistemas de detección robotizados normal-mente incluyen una cabeza sensora, un manipulador y una plataforma mó-vil: el manipulador desplaza la cabeza sensora para barrer áreas grandes, y ésta le permite adaptarse a las irregularidades del terreno. Ambos subsis-temas se desplazan sobre los campos minados mediante la plataforma mó-vil.

Plataforma móvil

Manipulador

Antena GPS

Brújula magnética

Cabeza sensora

Fig. 1. Configuración del sistema DYLEMA

El objetivo básico del proyecto DYLEMA2 es la configuración de un sistema para la detección y localización eficiente de minas antipersonas que incluye una cabeza sensora, un manipulador y una plataforma móvil basada en un robot caminante hexápodo (véase la Fig. 1). La cabeza senso-ra está formada por un detector comercial de minas de contenido metálico y una red de sensores para la detección y seguimiento de las irregularida-des del terreno denominado Sistema de Seguimiento del Terreno (SST). La principal misión del SST es proporcionar información al controlador del

2 Técnicas de sensorización y control para la detección y localización eficiente de

minas antipersonas (PN I+D+i DPI2004-05824).

Sistema Robotizado para la Detección y Localización de Minas Antipersonas 141

manipulador para que mantenga la cabeza sensora a una determinada dis-tancia del terreno mientas efectúa el barrido. Adicionalmente, el manipula-dor tiene que evitar los obstáculos que aparezcan en la trayectoria de la ca-beza tales como grandes piedras, arbustos, árboles, etc. La información de la cabeza sensora también la utiliza el controlador del sistema para guiar la plataforma móvil durante las misiones de detección.

En el área de la desactivación de minas, se acepta ampliamente que una cabeza sensora eficiente debería mezclar diferentes tecnologías de detec-ción. Sin embargo, el proyecto DYLEMA se centra únicamente en el desa-rrollo de sistemas robotizados más que en tecnologías de detección. Por es-ta razón, para detección de alarmas consideramos el sensor más sencillo: un detector de metales. Después de detectar la alarma, su localización se registra en una base de datos para un posterior análisis y desactivación, si procede, por un equipo de especialistas.

Este capítulo se estructura en las siguientes secciones. La sección 2 pre-senta el desglose de la cabeza sensora y detalla el detector de metales uti-lizado así como el diseño del sistema de seguimiento del terreno. La sec-ción 3 presenta las principales características del manipulador y las particularidades de su diseño. La sección 4 presenta los resultados obteni-dos con el manipulador y la cabeza sensora dispuestos sobre una guía li-neal que simula el desplazamiento de la plataforma móvil. Finalmente, la sección 5 presenta las conclusiones del trabajo.

2. Elementos del sistema

La cabeza sensora está formada por un detector de minas comercial y un sistema de seguimiento del terreno, SST, basado en una red de medidores de distancia divididos en dos grupos: grupo de sensores laterales (GSL) y grupo de sensor del terreno (GST) (Ponticelli et al., 2006). Estos elemen-tos están montados en un bastidor de arnite, plástico de altas prestaciones que combina rigidez y resistencia. Se ha usado este compuesto para evitar las interferencias sobre el detector de metales.

2.1 Detector de metales

Para la detección de minas antipersonas se utilizan diferentes tecnologí-as. La más simple consiste en un sencillo detector de metales. Sin embar-go, esta tecnología sólo es efectiva cuando las minas disponen que alguna, aunque pequeña, cantidad de metal y son ineficientes con minas no metáli-


cas, por ejemplo la minas fabricadas exclusivamente en plástico o en ma-dera. En este caso, nos vemos obligados a utilizar otras tecnologías basa-das en radar penetrante en tierra (GPR) (Gader et al., 2000), sensores de sustancias químicas (Albert et al, 1999), o incluso sistemas olfativos (Rouhi, 1997).

En el proyecto DYLEMA se ha utilizado el detector comercia Schiebel AN-19/2 (véase la Fig. 2). Este detector está homologado por las tropas de la OTAN y se diseñó para detectar contenidos muy pequeños de metal so-bre el suelo o enterrados a poca profundidad. Este detector es ideal para inspecciones de terreno rápidas y precisas por su ligereza e inmunidad a interferencias. Su funcionamiento es independiente de la temperatura de trabajo, su sensibilidad no depende de la velocidad de desplazamiento y dispone de circuitos automáticos de auto-diagnóstico.

Este dispositivo está diseñado para ser utilizado por un operario y pro-duce una salida audible de una determinada frecuencia en un auricular. La frecuencia de esta señal aumenta cuando el detector pasa sobre algún com-ponente metálico. Esta señal se ha adaptado electrónicamente para ser in-troducida en el controlador del sistema DYLEMA. Cuando el sistema de-tecta una alarma, su posición, obtenida a través de la cinemática del brazo manipulador y de la posición determinada por el GPS situado en la plata-forma móvil, se registra en la base de datos. Esta base de datos es el punto de partida de la tarea de desactivación que no se resuelve en este trabajo de investigación.

2.2. Sistema de seguimiento del terreno

El grupo de sensores laterales (GSL) y grupo de sensores del terreno (GST) están basados en un conjunto de medidores infra-rojos de distancia.

Fig. 2. Detector de minas

Equipo electrónico y baterías

Auriculares

Detector


Cada medidor proporciona una señal que indica la distancia del objeto si-tuado frente a él. El prototipo desarrollado dispone de un sensor infra-rojo SHARO GP2D120 (véase la Fig. 3). La relación entre tensión de salida de los dispositivos y la distancia al objeto se presenta en la Fig. 4.

El sensor está basado en un par de emisores-receptores infra-rojos con un rango de operación de 4-30 cm que requieren una tensión de alimenta-ción de 5 VDC a 40 mA. A pesar de la naturaleza analógica de la salida, el sensor muestrea la distancia con un periodo de 40 ms. Este periodo deter-mina la frecuencia mínima de muestreo del sistema y establece, por tanto, la velocidad máxima de barrido. Este sensor proporciona una medida que depende de la luz, color y textura de la superficie. Sin embargo, para las distancias medidas en nuestra aplicación el error introducido por las dife-rentes condiciones de luz y propiedades de la superficie es inferior a 1 cm,

que queda por debajo del error admisible.

Fig. 3. GP2D120 IR Sensor

La distancia a la superficie detectada se mide a través de un haz de luz infra-roja con una sección aproximadamente elíptica que se expande con la distancia al emisor. A una distancia de 10 cm del emisor el haz elíptico tiene unos ejes menor y mayor de 2 y 5 cm, respectivamente. La figura 5 muestra las dimensiones típicas del haz en función de la distancia al obje-to. Las ventajas de este dispositivo para nuestro prototipo están fundamen-talmente en su tamaño y peso (8.4 gramos incluyendo electrónica asocia-da). Debe tenerse en cuenta que, en principio, cualquier tipo de medidor de distancia (ultra-sonido, láser, micro-ondas) puede servir para esta apli-cación; la utilización de sensores de infra-rojo se ha debido a las caracte-rísticas de tamaño, peso y precio, fundamentalmente.


Distancia (cm)

Vol

taje

(×5×

2-12 V

)

Fig. 4. Salidas características de los medidores de infra-rojos utilizados. Pue-den observarse pequeñas diferencias entre las salidas de los diferentes sensores.

2.2.1 Grupo de sensores laterales

Para detectar obstáculos en la trayectoria de la cabeza sensora sin con-tacto mecánico se utiliza una red de medidores de distancia situados alre-dedor de dicha cabeza sensora. Los medidores se sitúan equidistantes en el anillo exterior de la cabeza sensora, con los haces orientados tangencial-mente al anillo exterior. El área cubierta por cada sensor se ajusta para que las áreas se solapen (véase la Fig. 6).

Con esta configuración, el número de sensores necesarios para cubrir completamente el perímetro es inferior al necesario si los medidores se si-tuasen con su haz orientados radialmente. De este modo, un objeto que se aproxime a la cabeza sensora en dirección radial será detectado al menos por un medidor. Sin embargo, aparecen zonas muertas entre dos áreas ad-yacentes donde un objeto puede no ser detectado. Para evitar esta situa-ción, pueden implementarse estrategias de barrido con el manipulador que impida el desplazamiento de la cabeza sensora en la dirección de las zonas muertas.

Este grupo sensor debe ser capaz de detectar obstáculos en la trayectoria de la cabeza sensora mientras se proporciona información cualitativa sobre la distancia de los objetos próximos (presencia/ausencia de objeto, distan-cia aproximada, etc). La forma de la superficie de un objeto se puede esti-


mar a partir de la información recibida por dos o más sensores. Esta infor-mación se utiliza para que el controlador del manipulador planifique la tra-yectoria de la cabeza sensora.

2.2.2. Grupo de sensores del terreno

El grupo de sensores del terreno utiliza un conjunto de medidores para cubrir un área bajo la cabeza sensora, permitiendo medir la distancia rela-tiva a las elevaciones del terreno y detectar obstáculos sin contacto mecá-nico. Los medidores están también situados en el anillo exterior de la ca-beza sensora en intervalos regulares y con el haz apuntando hacia el suelo. Los medidores de distancia, normalmente, necesitan una distancia mínima al obstáculo para operar, por tanto, su disposición está elevada ligeramente sobre el plano en el que se encuentra el detector de metales. Este montaje y las direcciones de los haces de los medidores se presentan en la Fig. 7.

Fig. 5. Haz infra-rojo típico

Vol

taje

ana

lógi

co V

0 (V

)

Distancia de detección X (cm)


Bastidor

Haz lateral del medidor

Medidor lateral

Con la información de los medidores se pueden calcular los parámetros que determinan la ecuación del plano bajo el detector de metales. Uno de los objetivos es explorar el plano bajo la cabeza sensora (ángulos y distan-cias) para que el manipulador pueda seguir una trayectoria que mantenga la cabeza cerca (y paralela al suelo). Se pretende que el detector de minas se mantenga a unos 5 cm sobre el terreno mientras sigue las irregularida-des del terreno. Un segundo objetivo de este sistema es proporcionar in-

Fig. 6. Vista del sensor lateral. Las áreas de detección están sombreadas. Casos: (A) Zona en la que no se detectan pequeños objetos, (B) Detección de un

objeto mayor que la zona ciega, (C) Detección de un objeto grande, (D) Detección de un objeto pequeño, (E) Detección de un matorral compuesto por objetos delga-

dos

Haz de terreno

Haz lateral

Bastidor

Sensor de terreno Sensor lateral

Fig. 7. Sensores laterales, sensores de terreno e ilustración de los haces.


formación que pueda utilizarse para obtener mapas de elevación de terreno combinando medidas de la cabeza sensora y la cinemática del manipulador con las medidas proporcionadas con el GPS.

Existen 8 medidores de distancia en este conjunto por lo que se obtienen 8 puntos para determinar el plano medio del suelo con respecto a la cabeza sensora. Con esta información se han desarrollado estrategias de control para el manipulador de manera que la cabeza sensora pueda seguir las irre-gularidades del terreno así como el contorno de objetos en la trayectoria de la cabeza sensora.

2.3 Configuración de la cabeza sensora

La cabeza sensora, como ya se ha indicado, está compuesta por dos dis-positivos: el detector de metales y el sistema de seguimiento del terreno (SST) dividido en el grupo de sensores laterales (GSL) y el grupo de sen-sor del terreno (GST). El detector de metales es el dispositivo principal y está situado en el centro del bastidor. El GSL está dispuesto sobre el exte-rior del bastidor y el GST está colocado sobre la parte superior del basti-dor. Un requerimiento del detector de metales es que no pueden existir componentes metálicos dentro de un cilindro imaginario cuya sección es coaxial e igual al anillo de detección, como se ilustra en la Fig. 8. El siste-ma completo se representa en la Fig. 9 que también muestra el controlador de la cabeza sensora.

Tanto el GSL como el GST están conectados al controlador de la cabeza sensora que consiste en una tarjeta que incorpora un bloque de adquisición

Detector de minas

Fig. 8. Cilindro virtual libre de componentes metálicos para no interferir con el detector de minas.


de datos, un bloque de procesamiento de datos, un bloque de comunicacio-nes y el bloque de control. Esta unidad de control adquiere las señales ana-lógicas de los 16 medidores de distancia y las convierte en señales digita-les de 12 bits. Posteriormente, estas señales se filtran en el procesador de señal y se introducen en un bloque de estimación donde se transforman las señales digitales en señales que representan la distancia a la que se encuen-tra un objeto en el rango 4 – 30 cm. Cada bloque de estimación se calibra para su correspondiente medidor de distancia y la estimación se realiza su-poniendo que el proceso sigue una curva exponencial del tipo

( ) . bf x a x c= + Donde x es el valor digital del medidor de distancias y a, b y c son los

coeficientes estimados. La salida para un determinado medidor y el error entre la distancia real

y la estimada se presenta en la Fig. 10. La estimación del error es menos que ±0.20 cm, excepto para medidas inferiores a 5 cm, donde el error pue-de llegar a alcanzar ±1 cm. La medida de distancia tiene una precisión teó-

Medidor de distancia Controlador de la cabeza sensora

Punto de fijación al manipulador

Detector de minas Bastidor

Fig. 9. Cabeza sensora


rica de ±0.1 cm, pero en realidad el comportamiento del medidor no es tan preciso como fuera deseable. La medida de distancia depende de la reflec-tividad y textura de la superficie que detecta, del ángulo de incidencia y de la temperatura ambiente, entre otros factores menos significativos. Como se presentará en los resultados experimentales, la precisión real del sistema está dentro de ±1 cm, que es suficiente para la aplicación que nos ocupa.

Después de que las 16 medidas de distancia se han filtrado y codificado se trasmiten al procesador central encargado del sistema de manipulación. Esta información es de diferente naturaleza: medidas directas, medidas ca-libradas, medidas filtradas y medidas elaboradas. Estas últimas proporcio-nan los parámetros del plano medio teórico bajo la cabeza sensora, el cual se utiliza por el controlador del manipulador para controlar la altura de la cabeza sensora y ajustar su orientación hasta que queda paralela al suelo. La idea detrás del desarrollo de este sistema electrónico de adquisición, elaboración y comunicación es reducir el cableado desde la cabeza sensora hasta el controlador general a bordo de la plataforma móvil y reducir el flujo de información al mínimo. La unidad de control de la cabeza sensora efectúa todas las operaciones de procesamiento de bajo nivel y comunica-ciones, mientras que el controlador central del sistema recibe los datos sin esfuerzo computacional utilizando un número mínimo de cables.

3. Manipulador de barrido

Como ya se ha mencionado, el proyecto DYLEMA requiere un disposi-tivo para desplazar la cabeza sensora sobre áreas grandes. El sistema más sencillo es un manipulador diseñado a propósito para esta aplicación. Este manipulador requiere 3 GDL para posicionar la cabeza sensora en un vo-lumen 3D, ya que, asumiendo que se van a barrer áreas no planas, se preci-san movimientos en las componentes x, y y z del entorno de trabajo. Ade-más, el detector tiene que adaptarse a inclinaciones en el terreno, por tanto, se precisan dos GDL adicionales en la muñeca del manipulador para poder controlar la orientación de la cabeza sensora. Como el detector tiene sime-tría radial no se precisa un sexto GDL para la orientación de la cabeza. Re-sumiendo, el manipulador debe tener al menos 5 GDL para llevar a cabo esta aplicación.


Con relativa frecuencia, durante las operaciones de detección se hace necesario cortar hierbas o pequeños arbustos; por tanto, el manipulador debe estar dotado de un cortador de vegetación. En nuestro caso se ha uti-lizado una desbrozadora comercial que se sitúa sobre la cabeza sensora de manera que sólo es necesario desplazar la articulación A-4 para poner en posición de operación uno u otro dispositivo (véase la Fig. 11). La posi-ción relativa de los dispositivos es tal que los pares necesarios en la articu-lación A-4 son prácticamente nulos. El manipulador ha sido diseñado para soportar exclusivamente la carga que supone la cabeza sensora y la des-brozadora.

Para esta aplicación una estructura RRR para el manipulador proporcio-na suficiente movilidad y al estar la estructura principal en un plano per-pendicular al suelo se disminuyen las colisiones con el entorno (asumiendo que el robot está nivelado). Otro aspecto clave en el diseño del manipula-dor consiste en disponer las masas de los motores CC (elementos más pe-sados en la estructura) de manera que se reduzcan los pares necesarios en las articulaciones. La Fig. 11 muestra una fotografía del manipulador. La articulación A-5 proporciona un rango de cabeceo de ±45º a la cabeza sen-sora. La articulación A-4 tiene un desplazamiento de ±200º (balanceo) pa-

Figura 10. Ajunte de la salida y estimación de errores para los parámetros: a

=11410, b = -0.9688 , c = -0.8051

Lectura de distancias en los sensores (×5×2-12 V)

D

ista

ncia

line

aliz

ada

(cm

) E

rror

de

en la

dis

tanc

ia

linea

lizad

a (c

m)

Lectura de distancias en los sensores (×5×2-12 V)


ra poder colocar en posición de trabajo la cabeza o la desbrozadora. La ar-ticulación A-1 es una articulación simple y las articulaciones A-2 y A-3, que soportan los pares más elevados, están configuradas en torno a un sis-tema diferencial formado por tres piñones cónicos. Dos motores hacen gi-rar directamente dos piñones cónicos opuestos el uno al otro. Un tercer pi-ñón cónico es forzado a (a) rotar alrededor del eje común de los piñones fijos, (b) girar alrededor de su propio eje o (c), en una combinación de ro-taciones (a) y (b), dependiendo de la dirección de giro de los motores. Con esta configuración los motores trabajan al mismo tiempo actuando para producir los pares requeridos, es decir, cada motor proporciona aproxima-damente la mitad del par requerido actuando en paralelo (cuando los mo-vimientos de las articulaciones A-2 y A-3 están desacoplados), mientras que un simple motor debería proporcionar independientemente el par de una articulación.

La Tabla 1 resume las características del manipulador. Algunas de estas características, tales como la longitud de los eslabones del manipulador, dependen de las dimensiones de la plataforma móvil (altura del cuerpo y envergadura de las patas) seleccionadas con unos criterios ajenos a los ob-jetivos de este capítulo.

La estructura del manipulador se ha fabricado básicamente en aluminio. Algunos componentes sometidos a esfuerzos han sido fabricados en duro-aluminio 7075 y todo el sistema está accionado por motores de CC.

Tabla 1. Principales características del manipulador

Articulación/ Eslabón

Longitud de eslabón

(mm)

Potencia del motor

(watt) Reductor Masa

(kg)

1 206 220 492:1 1.8

2 375 220 881:1 2.3

3 100 220 881:1 2

4 361 83.2 246:1 0.5

5 135 83.2 287:1 0.5

Total 7.1


4 Resultados experimentales

Para la calibración del sistema, el conjunto manipulador-cabeza sensora se ha montado sobre una guía lineal motorizada de 3 m de longitud que simula el movimiento de la plataforma móvil (véase la Fig. 12). Se han realizado experimentos para identificar la superficie del suelo. La Fig. 13

Sensor head

Grass cutter

A-1 A-2

A-3

A-4

A-5

Fig. 11. Manipulador y cabeza sensora

Fig. 12. Guía lineal


Fig. 13. Experimentos para generación de mapas de elevación de terreno

muestra dos fotografías del montaje sobre un suelo irregular formado por cuerpos de geometría regular como son cilindros y prismas. Como los me-didores de distancia están dispuestos en configuración circular, los datos proporcionados están desalineados respecto a los otros sensores según se desplaza la cabeza sensora sobre la guía lineal. Para reconstruir la superfi-cie barrida con la cabeza deben alinearse todos los datos previamente. La Fig. 14 reconstruye la superficie bajo la cabeza. Esta reconstrucción se rea-lizó moviendo la guía lineal a velocidad constante. Un estudio numérico muestra que la superficie se puede reproducir con una precisión inferior a ±1 cm, que resulta ser suficientemente buena para las aplicaciones de de-tección de minas antipersonas.


Fig. 14. Reconstrucción 3D del terreno bajo la cabeza sensora

El dispositivo manipulador-cabeza sensora se ha probado en un terreno

natural como se muestra en la Fig. 15. La cabeza sensora está instalada como herramienta del manipulador que se desplaza sobre la guía lineal. El procedimiento, como ya se ha indicado, consiste en barrer la zona situada delante de la cabeza sensora mediante movimientos del manipulador cuyo controlador adapta la altura y orientación de la cabeza en función de los datos procedentes del controlador de la cabeza sensora.

Como ya se ha mencionado, la sección del haz infra-rojo aumenta con la distancia. Si el objeto está más alejado de 15 cm, el haz puede interferir con el sistema de seguimiento del terreno produciendo una oscilación de alrededor de 1 Hz en las lecturas de los medidores de distancia, con una modulación en los pulsos cada 2 ó 3 segundos. Este comportamiento des-aparece en cuanto los sensores adyacentes se cortan o bien se sitúa un ob-jeto a una distancia inferior a los 15 cm. Cuando el suelo se encuentra a más de 15 cm del sensor, el haz de un sensor alcanza al sensor adyacente interfiriendo en la medida que esté realizando. Cada medidor de distancia tiene su propia frecuencia natural de muestreo, pero todas ellas son muy próximas, con un resultado de modulación de frecuencias que se observa en la salida de los medidores.


Para evitar el efecto de las interferencias se debería utilizar un esquema diferente de colocación de los medidores sobre la cabeza. Los medidores de suelo podrían proyectar sus haces en una determinada dirección en lu-gar de proyectarlos directamente contra el suelo. En este caso la distancia al suelo no sería una medida directa sino que se obtendría mediante trian-gulación a partir del ángulo que forma el medidor con el bastidor de la ca-beza sensora y la medida de distancia proporcionada.

5 Conclusión

Las labores de desactivación humanitaria requieren de la automatización del proceso de localización de munición sin estallar. Esto se puede realizar mediante sistemas robotizados capaces de barrer con sensores especiales los campos hipotéticamente minados. Este capítulo presenta el desarrollo de un manipulador de 5 GDL combinado con una cabeza sensora formada por un detector de minas y una red de medidores de distancia que permiten al manipulador seguir las irregularidades del terreno durante la tarea de ba-rrido mientras está atento a la presencia de obstáculos en su camino. El sis-tema se ha diseñado para situarse a bordo de una plataforma móvil consti-tuida por un robot caminante hexápodo.

La unidad de control de la cabeza sensora proporciona información de diferentes tipos: medidas directas, medidas calibradas, medidas filtradas y

Fig. 15. Experimentos en exteriores


medidas elaboradas. Estas últimas proporcionan los parámetros del plano medio teórico bajo la cabeza sensora, el cual se utiliza por el controlador del manipulador para controlar la altura de la cabeza sensora y ajustar su orientación hasta que queda paralela al suelo.

El funcionamiento del sistema se ha comprobado en terreno natural uti-lizando una guía lineal como símil de plataforma móvil. Este sistema pue-de seguir irregularidades con precisiones en torno a l0 mm. El siguiente paso en nuestras investigaciones será la experimentación del sistema presentado sobre la plataforma móvil para estudiar las modifica-ciones necesarias en los algoritmos para resolver los movimientos inespe-rados de la plataforma.

Agradecimientos

Este trabajo de investigación ha sido financiado por el Ministerio de Educación y Ciencia a través del proyecto de investigación del Plan Na-cional de I+D+i DPI2004-05824.

Referencias

Nicoud J. D., 1997, "Vehicles and robots for humanitarian demining", In-dustrial Robot: An International Journal, Vol. 24, N. 2, pp. 164 - 168.

Ponticelli R., Gonzalez de Santos, P., Armada, M., 2006, "Lateral sensor for ground tracking systems in humanitarian-demining tasks", 9th Interna-tional Conference on Climbing and Walking Robots, pp. 485 - 489.

Gader P. D., Nelson, B., Frigui, H., Vaillette, G. and Keller, J., 2000, "Landmine detection in ground penetrating radar using fuzzy logic (Invited Paper)", Signal Processing, Special Issue on Fuzzy Logic in Signal Proc-essing, Vol. 80, N. 6, pp. 1069-1084.

Albert K. J., Myrick, M. L., Brown, S. B., Milanovich, F. P. and Walt D. R., 1999, "High-speed fluorescence detection of explosives vapour", SPIE-The International Society for Optical Engineering, 3710, pp. 308-314.

Rouhi A. M., 1997, "Land Mines: Horrors begging for solutions", Chemi-cal & Engineering news, Vol. 75, N. 10, pp. 14-22.

CAPÍTULO 10

Una Nueva Metodología para Descripción del Entorno en la Detección en Robots de Minas Antipersonas

C. SALINAS, M. ARMADA y P. GONZALEZ DE SANTOS.

Instituto de Automática Industrial -CSIC; [email protected],

Se describe una nueva metodología basada en sistemas de visión omnidi-reccional, para la identificación de entornos no estructurados o cambiantes. Actualmente, los sistemas de visión por computador convencionales son ampliamente utilizados con este fin, sin embargo, las cámaras convencio-nales tienen un campo de visión limitado, siendo restrictivas para ciertas aplicaciones. Los sensores omnidireccionales permiten ampliar el rango del campo de visión. Pueden adquirir imágenes de hasta 360 grados alre-dedor de la cámara. En este trabajo, se presentan los distintos tipos de sen-sores omnidireccionales. Sus principales características y el modelado de los mismos. Finalmente, se muestra la aplicación directa de un sistema de visión omnidireccional catadióptrico de bajo coste, en el robot caminante Silo6 de detección de minas anti-personas.

1 Introducción

A lo largo de los años, la utilización de sistemas de visión por computador se ha extendido de forma exponencial, especialmente en áreas de la robóti-ca y la automática, esto se debe en gran parte a los avances en la tecnolo-gía de las cámaras y los ordenadores. La experimentación con sensores de visión implica un costo elevado en materiales, y una cierta complejidad en el tratamiento de la señal. A pesar de ello, las señales proporcionadas por los sensores visuales son muy valiosas debido a la cantidad y a la riqueza de la información que contienen.

En la actualidad el mundo de la robótica obliga a que las tareas y fun-ciones de los robots se realicen en entornos no estructurados y cambiantes, y que, en consecuencia, requieran mayor precisión, seguridad y robustez. Las cámaras convencionales en muchas ocasiones resultan restrictivas, en

mailto:[email protected]


el campo de visión que son capaces de observar, por ello surgen los senso-res de visión omnidireccional, que permiten ampliar el rango del campo de visión (~360 grados).

Un ejemplo típico, en cuanto a seguridad, se presenta en el seguimiento de objetos que se mueven de forma independiente. En los sistemas con-vencionales, los puntos de interés que identifican a los objetos en movi-miento, desaparecen rápidamente y restan fiabilidad al sistema. En contras-te, en los sistemas omnidireccionales estos puntos permanecen en el campo de visión durante un periodo largo de tiempo, permitiendo desarrollar sa-tisfactoriamente tareas de identificación, detección y seguimiento

Entre algunas de las aplicaciones que precisan un mayor rango de visión se encuentran la seguridad y vigilancia, la tele-operación, la realidad vir-tual, etc. Muchas otras tareas que pueden beneficiarse y mejorar su rendi-miento mediante la visión omnidireccional, en especial las dedicadas a la-bores de robot móviles, como la navegación, el seguimiento, el ego-movimiento, la caracterización del entorno, etc. Para poder mejorar el al-cance y rendimiento de las tareas anteriormente mencionadas, empleando visión omnidireccional, es necesario adaptar los métodos convencionales y aplicar nuevas técnicas. Con este objeto de adaptar los métodos conven-cionales (análisis de imágenes dinámicas, detección del movimiento, ex-tracción de características, etc.), es fundamental la correcta parametriza-ción y modelado del sistema omnidireccional.

Este artículo se encarga de presentar un estudio de los diversos tipos de sensores omnidireccionales y sus principios de funcionamiento. Se presen-ta el modelado geométrico que permite tratar las imágenes omnidireccio-nales de la misma forma que las imágenes convencionales (en perspecti-va). Y finalmente, se muestra la utilidad de este estudio, con un caso práctico como el diseño y construcción de un sistemas de visión omnidi-reccional catadióptrico de bajo coste, para el robot caminante Silo6 (Gon-zález, 2004).

2 Sistemas de visión omnidireccional

La estructura de estos sistemas se basa en sensores omnidireccionales. Existe una gran variedad de estos sensores, e independiente a su clase, la idea fundamental de estos dispositivos consiste en proporcionar un campo de visión amplio. Se clasificación en función de su estructura, y pueden agruparse en 3 conjuntos, que se describen a continuación (Yagi, 1999):

Una Nueva Metodología para Descripción del Entorno en la Detección en Robots de Minas Antipersonas 159

Fig. 1. Clasificación de sensores omnidireccionales: (a) Dióptricos, (b) Cata-

dióptricos y (c) Poli-dióptricos.

Los denominados Dióptricos, que emplean lentes especiales y pueden ad-quirir un rango menor a 180 grados correspondiente al plano hemisférico. Los Catadióptricos, que utilizan espejos convexos y cámaras convenciona-les, pueden capturar un rango mayor a 180 grados. Y los Poli-dióptricos, estos emplean múltiples imágenes (cámaras traslapadas), pueden adquirir hasta 360 grados (> hemisférico). En el grupo de figuras de Fig. 1, se es-quematizan las tres estructuras descritas, (a), (b) y (c) muestras respecti-vamente cada una de las estructuras.

Otro criterio de clasificación del sistema sensorial de omnivisión, es la condición de tenencia de un único punto de proyección. La proyección central por un único punto (pin-hole), es una característica importante en un sistema sensorial de omnivisión, debido a que facilita la formación de una imagen proyectada sobre cualquier posible plano de la imagen, como una imagen en perspectiva sin distorsión o imagen panorámica, de una imagen omnidireccional.

Esta propiedad, de fácil formación de imágenes en perspectiva sin dis-torsión o de imágenes panorámicas, permite al sistema de visión del robot el uso de métodos existentes de procesamiento de imágenes, para su nave-gación y manipulación de objetos, ambas autónomas. Además, permite al usuario ver las imágenes en perspectiva o imágenes panorámicas, las cua-les le son más familiares, en lugar de una imagen omnidireccional.

2.1 Sensores dióptricos

En este grupo, se emplean una o dos cámaras con lentes ojo-de-pez, que permiten observar amplios campos de visión, hasta una vista hemisférica. Sin embargo, para navegación de robots, solamente se han obtenido bue-

~~118800

>>118800

~~336600ºº

(b) (a) (c)


nos resultados en la resolución cuando se observan techos, el cielo, etc., y la resolución es pobre a los lados y el en suelo (Cao, 1990).

Esto quiere decir, que la imagen obtenida por los lentes fish-eye tiene una muy buena resolución en la región central, pero una resolución pobre en la zona periférica. Por lo tanto, el análisis del suelo y objetos en movi-miento es complejo, debido a que estos se encuentran en la región periféri-ca de la imagen. Adicionalmente, es difícil generar una imagen perspectiva completa, porque estos lentes no tienen la propiedad de única proyección central.

Las ventajas de estos sistemas residen en proporcionar alta resolución en sus imágenes y en la necesidad de bajas frecuencias de muestreo. Por otro lado, el cálculo computacional del espacio tridimensional puede o no ser complejo, depende de la configuración del sistema. Las desventajas se en-cuentran en la complejidad de su construcción y en la resolución no uni-forme de la imagen omnidireccional.

2.2 Sensores catadióptricos

La idea fundamental de esos sistemas, consiste en utilizar espejos con-vexos que apunten verticalmente a una cámara, dónde el eje óptico de la cámara está alineado con el eje del espejo. Mediante esta configuración, se puede adquirir una vista de 2π alrededor de la cámara en tiempo real.

Los trabajos iniciales con estos sistemas, se encaminaron al estudio de espejos cónicos. Las imágenes obtenidas con estos espejos tienen buena resolución en la sección periférica. Yagi utilizó este método para la cons-trucción de COPIS (Yagi, 1994), un sistemas de navegación para robots móviles.

(a) (b)

Fig. 2. Sistema COPIS: (a) Prototipo y (b) Imagen adquirida con el sistema


En la figura anterior (Fig. 2), se puede observar el prototipo de COPIS y la imagen omnidireccional que este puede adquirir. Este sistema es de gran utilidad para aplicaciones en interiores, donde se desea detectar bordes ver-ticales como puertas, escritorios, columnas, etc. El inconveniente de estos sistemas, es que no tienen un punto focal (centro de proyección), por lo tanto no se puede generar una imagen libre de distorsión a partir de la ima-gen omnidireccional.

Fig. 3. Relación linear de ángulo de inclinación en COPIS.

El campo de visión está limitado por el ángulo del vértice del espejo cóni-co y el lente de la cámara. En la figura Fig.3, se observa que la sección vertical de COPIS es un espejo plano y que el rayo que proviene del punto P, cambia su dirección óptica utilizando esta característica, esto significa que la resolución angular vertical de COPIS es linear en la imagen de en-trada.

Una de las ventajas de los sistemas catadióptricos es la necesidad de una baja frecuencia de muestro, lo que le permite operar al sistema en aplica-ciones de tiempo real. En función de su configuración, el cómputo de pun-tos del espacio tridimensional puede o no ser complejo y realizable. Esto también se extrapola a la construcción de estos sistemas, que dependen di-rectamente de la propiedad de los espejos. La mayor desventaja, es la dis-minución en la resolución de la imagen de salida.

Desde el punto de vista de la robótica, estos sistemas tienen 3 ventajas principales, La primera hace referencia al amplio campo de visión, que fa-cilita la búsqueda de correspondencias, esto se debe a que los puntos co-rrespondientes no desaparecen fácilmente. Por otro lado, este campo de vi-sión amplio ayuda a estabilizar la estimación de algoritmos de ego-motion:


la rotación de la cámara se distingue cómodamente de su translación. Y fi-nalmente, a partir de dos imágenes panorámicas se puede reconstruir casi completamente un área circundante de una escena, una vista 2π alrededor de la cámara.

2.3 Sensores poli-dióptricos

Los sistemas poli-dióptricos pueden estar compuestos por cámaras rotato-rias que giran alrededor de su eje vertical con velocidad constante, o por múltiples cámaras traslapadas (ver Fig. 4).

Fig.4. Modelos de sistemas poli-dióptricos.

En el caso de múltiples cámaras, las principales ventajas de estos sistemas son la alta resolución de las imágenes por ángulo-vista, el cómputo del es-pacio tridimensional es directo, debido a que las imágenes son en perspec-tiva. La desventaja, se centra en la dificultad del funcionamiento en tiempo real, accionado por el elevado requerimiento de ancho de banda. Además, se debe realizar la sincronización de las múltiples cámaras, y la posición de las mismas deriva en un complejo proceso de calibración. Se dificulta la construcción de sistemas compactos, fáciles de transportar.

En el caso de contar con una configuración de cámaras rotatorias, se de-be incluir el control del sistema pan-tilt y las consideraciones mecánicas requeridas para el caso. La principal ventaja es que la resolución de las imágenes es alta, que no depende de la cámara, pero si de la resolución an-gular de rotación.


3 Sistemas de visión omnidireccional catadióptrica

La idea básica de estos sistemas consiste en utilizar una la cámara que apunte verticalmente hacia un espejo convexo, con el eje óptico del lente de la cámara alineado con el eje del espejo (Baker,1999).

Al establecer el eje de la cámara verticalmente, es posible adquirir imá-genes con un campo de visión 2π en tiempo real alrededor de la cámara. La propiedad anisotrópica de un espejo convexo, se refleja como una mayor cantidad de blurring en la imagen de entrada de la cámara estándar, si el sistema no está bien diseñado.

Un ejemplo de ello, es la curvatura del espejo cónico, hiperbólico o pa-rabólico que corta la sección horizontal, es la misma que un espejo esféri-co. Si el lente de la cámara tiene una apertura relativamente grande, los ra-yos que vienen a través de la sección horizontal, del punto del objeto, no se focalizan en un punto común, el efecto se conoce como aberración esféri-ca. La curvatura vertical del espejo es la misma a la del espejo plano, mientras que en la sección horizontal es la misma del espejo esférico. De esta manera, los rayos reflejados a través de los planos vertical y horizon-tal, enfocan a diferentes puntos. Por consiguiente, para reducir el efecto de blurring y obtener una imagen limpia, se necesita un sistema óptimo que pueda incluir los puntos de ambas ópticas (Yagi, 2004).

3.1 Espejos esféricos

Al igual que la lente de los ojos de un pez, una imagen obtenida a partir de un espejo esférico, presenta una buena resolución en la región central pero una mala resolución en región periférica.

Un espejo esférico produce una imagen del entorno a su alrededor y su campo de visión es el más amplio entro los sensores con espejos convexos. Una imagen amplia es útil para colocar al robot en su ruta.

Hong (Hong,1990) propuso un método para la navegación de un robot, utilizando la apariencia del cambio de las características del horizonte. Sin embargo, la relación geométrica de un único centro de proyección no se satisface.

3.2 Espejos hiperbólicos

Un espejo hiperbólico produce una imagen de la escena alrededor de su eje vertical, se puede adquirir 360º de visión alrededor de este dispositivo. Los mapas generados a través de este tipo de sistemas, utilizando el plano de la


imagen a través de una lente y espejo hiperbólico, son llamados “proyec-ción hiperbólica”.

Un espejo hiperbólico tiene un punto focal, el cual hace posible una fá-cil generación de una imagen deseada, proyectada sobre cualquier plano de imagen designado desde una entrada omnidireccional. Esta fácil genera-ción de imágenes en perspectiva o panorámicas le permiten al sistema de visión del robot utilizar métodos de procesamiento de imágenes existentes para navegación y manipulación autónoma. Además, permite al usuario ver imágenes en perspectiva o imágenes panorámicas, las cuales le son más familiares, en lugar de una imagen omnidireccional deformada por el espejo hiperbólico.

3.3 Espejos parabólicos

El espejo parabólico fue propuesto por Peri y Nayar (Peri, 1996). Una óp-tica cóncava parabólica es usada frecuentemente para la convergencia de un grupo de rayos como lo es una antena parabólica. En el caso de un es-pejo parabólico, básicamente la idea es la misma que la de una antena pa-rabólica. Todos los rayos del entorno se reflejan en el espejo y corren para-lelos al eje de rotación del espejo parabólico.

Una línea recta que extiende el rayo desde el punto del objeto en el en-torno, pasa a través del punto focal a pesar de la ubicación del punto obje-to. Asimismo, una imagen omnidireccional con un solo centro de proyec-ción puede realizarse, al establecer la cámara con proyección ortogonal, como lo es el lente telecéntrico o una lente de aumento en frente de un es-pejo parabólico.

El campo de visión de un espejo parabólico y la resolución de la imagen omnidireccional, se sitúan justo entre el espejo hiperbólico y el espejo es-férico. Matemáticamente, las curvaturas de ambos espejos se representan como Ecuación (1):

( ) 22

2

111 rckcrZ+−+

= (1)

Donde el eje Z es el eje de rotación del espejo convexo, c representa la curvatura, r representa la coordenada radial en unidades de la lente y k es la constante cónica. El tipo de espejo es representado por la constante có-nica; k<-1 para hipérboles, k=-1 para parábolas y k=0 para esferas.


3.4 Modelado de los sistemas catadióptricos: hiperboloides

Los sistemas hiperbólicos tienen sus inicios gracias a (Yamazawa, 1993), estos sistemas tienen dos puntos focales (Focus1, Focus2). El centro de la cámara está fijo a uno de los puntos focales. Un espejo hiperbólico, produ-ce una imagen de un punto en el espacio sobre un plano vertical, a través del punto P y su eje. De este modo, el punto P en (X, Y, Z) es proyectado sobre la imagen del punto p en (x, y) (ver Fig.5), como indican la Ecuación (2):

XY

=θtan (2)

Para modelar estos sistemas, se utiliza la geometría elemental de la forma del espejo. Mediante la Fig.5 se puede describir cómo un punto P en el es-pacio es reflejado por un espejo hiperbólico y proyectado en el plano ima-gen. Un rayo que viene del punto P(X,Y,Z) en el espacio, alcanza el punto focal Focus1, es reflejado por el espejo y pasa a través del punto focal Fo-cus2, el cual interseca el plano imagen en p(x,y,z).

Cualquier punto del espacio en el campo de visión de la proyección hiperbólica satisface esta relación. De esta forma, se puede obtener una imagen omnidireccional de la escena en el plano imagen, con un único centro de proyección Focus2. El ángulo en la imagen puede ser calculado de forma sencilla, mediante la relación y/x, indicada por el ángulo azimut θ del punto P en el espacio. También, se puede comprender fácilmente que todos los puntos que tienen el mismo azimut en el espacio, aparecen en un alinea radial a partir del centro de la imagen.

Fig. 5 Proyección hiperboloide


Esta característica, anteriormente mencionada, es la misma que en la pro-yección cónica. Por esta razón, con este tipo de proyecciones, los bordes verticales del entorno, aparecen de forma radial en la imagen. Empleando geometría elemental, se puede determinar la relación del puntos P(X, Y, Z) del espacio con su imagen (plano imagen (x, y)).

Las superficies hiperboloides, pueden ser obtenidas a partir de una revo-lución de una hipérbola alrededor del eje Z, teniendo dos puntos focales en (0, 0, +c) y (0,0, 2c). Empleando las coordenadas del mundo, se puede re-presentar (X, Y, Z), la superficie hiperboloide puede representarse tal co-mo indican las Ecuaciones (2) y (3),

12

2

2

22

−=−+

bZ

aYX

(2)

22 bac += (3)

Donde a y b definen la forma de la hiperboloide, y se utiliza una de la su-perficies de la hiperboloide en Z>0. La composición geométrica es tal, que el punto focal del espejo es Focus1 y de la lente es Focus2, y están fijos en el punto focal de la superficie hiperbólica en (0, 0,+c) y (0,0, 2c) respecti-vamente. El eje de la cámara está alineado con el del espejo. El plano ima-gen puede también ser posicionado a una distancia f (distancia focal de la cámara) del centro del lente de la cámara y ser paralelo al plano XY (Ba-ker,1999).

En base a la teorías descrita anteriormente y a los conceptos fundamen-tales de geometría epipolar, se puede modelar un sistema de visión omnidi-reccional catadióptrico y simular su funcionamiento.

La geometría epipolar, describe la relación entre las posiciones de pun-tos correspondientes en un par de imágenes. Puede establecerse a partir de pocas imágenes correspondientes y se utiliza para: simplificar la búsqueda de más correspondencias, el cómputo del desplazamiento entre cámaras y la reconstrucción de escenas tridimensionales (Svodoba, 2002).

Empleando herramientas de geometría epipolar de Matlab, se ha reali-zado como caso práctico, la simulación de un sistema catadióptrico para un espejo hiperbólico de diámetro de 50 mm. y eje focal de 20 mm.


Fig.6. Simulación-modelo de sistema catadióptrico

Para la simulación se han designado 3 puntos aleatorios en el espacio tri-dimensional, en la Fig. 6 se puede ver la vista tridimensional del sistema, dónde los puntos del espacio (1, 2, 3) se dirigen al punto focal del espejo, el a vista superior, se puede observar que estos puntos se encuentran a dis-tintas profundidades. Sin embargo, por la restricción de única proyección central, cada punto ocupa un eje radial del espejo y si nada se interpone en medio, este punto será reflejado por el espejo.

Cuando los puntos son reflejados por el espejo, el haz de luz atraviesa el eje óptico de la cámara y se forma una imagen 2D. La posición en el plano imagen se muestra en la siguiente figura Fig.7.

Fig.7. Puntos aleatorios en el plano imagen.


A continuación se muestra los resultados de la experimentación, en el caso de realizar variaciones en los parámetros de la geometría del espejo (ver Fig. 8). Mediante la simulación, se puede observar claramente, que los mismo puntos aleatorios (1, 2, 3), se encuentran en distintas posiciones en el plano imagen. Este efecto se debe a la geometría del espejo.

Fig.8 Simulación-sistemas catadióptricos

4 Aplicación de sistemas omnidireccionales en el robot caminante Silo6

De acuerdo con la teoría expuesta en los anteriores apartados, en aplica-ciones de robots móviles caminantes, el sistema óptimo de trabajo es un sistema de visión omnidireccional catadióptrico, compuesto por una cáma-ra de alta resolución y un espejo hiperbólico, que permita observar correc-tamente al robot y el entorno periférico.

A continuación, se muestran las pruebas preliminares obtenidas median-te un espejo hiperbólico de 50 mm de diámetro, punto focal de 20 mm. y una cámara estándar de televisión. La composición de imágenes de de la figura Fig. 9, muestra una imagen omnidireccional capturada por el siste-ma. Y a continuación, se encuentra la imagen panorámica correspondiente a la periferia del entorno.


Fig.9. Imagen omnidireccional, imagen panorámica – Sistemas omnivisión ro-

bot Silo6. La imagen muestra ha sido adquirida en uno de los laboratorios del Institu-to de Automática, las dimensiones del mismo son de 8x6 metros. Al reali-zar la transformación, se observa claramente que objetos se encuentran cerca y cuáles están alejados del punto de referencia central. Esto nos per-mitirá en un futuro aplicar métodos de seguimiento y detección de obstácu-los, y describir el entorno de trabajo del robot. Muchos autores han apro-vechado las características de estos sistemas para mejorar tareas de detección de eventos y navegación de robots móviles con ruedas. (Winters, 2002, Ghangi, 2004).

Por otro lado, se observa claramente, que los objetos verticales, como el soporte del espejo, aparecen en el eje radial del espejo, y al ser transforma-do en la imagen panorámica, se curvan de acuerda a la forma geométrica del espejo. Esta propiedad, se debe tomar en cuenta en el momento de rea-lizar el análisis de las imágenes.

Continuando con al experimentación, se han realizado pruebas de cam-po en exteriores, de actividades típicas del robot Silo6 de detección de mi-


nas. En la secuencia de figuras Fig.10, se puede observar el desplazamien-to del robot cuando detecta minas ficticias. Se puede observas que el sis-tema de visión observa fácilmente los objetos del suelo y a su vez las peri-feria del entorno.

Fig. 10. Sistema Omnivisión Silo6-tarea de detección de minas

En conjunto de imágenes de la figura Fig.11, se observa una secuencia de la operación de búsqueda, realizada por el manipular del robot (González, 2006). Este manipulador cuenta con una cabeza sensorial, que tiene un rango de acción limitado de 300 mm. Empleando el sistema de visión om-nidireccional, se elimina esta restricción fácilmente. Y se puede identificar la posición del manipulador en todo momento. Con este tipo de sistemas, se tiene el control de la posición del robot continuamente, y al mismo tiempo se puede identificar las características del entorno, incluyendo la periferia y suelo del mismo.


Fig. 11. Sistema de omnisivión Silo6-movimiento del manipulador

5 Conclusiones

En este artículo se ha presentado un estudio sobre los sistemas de visión omnidireccional, haciendo énfasis en los puntos más relevantes, que per-miten la realización del diseño de los mismos. Se ha prestado especial atención, a las características que permitan utilizar de forma óptima, estos sistemas en tareas de robots móviles autónomos.

Mediante este estudio, se puede definir una nueva metodología para desarrollar tareas de descripción y caracterización de entornos no estructu-rados o cambiantes. Incrementando la fiabilidad y la robustez del sistema, sin sacrificar la operabilidad en tiempo real.

Se ha mostrado la utilidad de este estudio, con un caso práctico, reali-zando el modelado y la construcción de un sistemas de visión catadióptrico de bajo coste: formado por un espejo hiperbólico y una cámaras estándar


de TV. Se ha experimentado con el sistema, realizando una aplicación di-recta en el robot caminante Silo6 de detección de minas antipersonas.

Debido a que en este caso, el diseño y la construcción de este tipo de sistemas no requieren un elevado coste, es posible continuar con la expe-rimentación de otros espejos hiperbólicos, de distintas dimensiones y ca-racterísticas geométricas.

Se ha demostrado que gracias a la propiedad de proyección central úni-ca, se puede generar imágenes panorámicas a partir de las imágenes omni-direccionales, y que se puede trabajar sin complicaciones con los métodos convencionales de visión por computador.

Agradecimientos

El primer autor desea expresar su agradecimiento a la Comunidad de Ma-drid y a la Dirección General de Universidades, por el financiamiento de la beca de Formación Profesional Investigador, que permite la realización de este trabajo de investigación. También se agradece la colaboración y el apoyo recibidos por los miem-bros del proyecto nacional DYLEMA (CICYT DPI2004-05824,2002-2007) y el proyecto Robocity2030 (S-0505/DPI/0176), financiado por la Comunidad de Madrid.

Referencias

González de Santos, P.,Garcia, E., Cubano J.A., Ramírez, A. 2004. Silo6: A sixlegged robot for humanitarian de-mining tasks. Proc. of 10th Int. Sym. on Robotics and Applications, World Automation Congress, Spain.

González de Santos, P.,Garcia, E., Cubano J.A., Estremera, J., Armada, M. 2006. A six-legged-robot-based system for humanitarian deminig mis-sions. Mechatronics, en prensa. Yagi, Y. 1999. Omnidireccional sensing and its applications. IEICE Trans. Inf. Syst. E82-D(3):568–579. Peri, V., Nayar, S.K.. 1996. Omnidrectional video system. Proc. U.S-Japan Graduate Student Forum in Robotics, pp. 28-31.


Cao, Z., Hall, E.L. 1990. Beacon recognition in omni-vision guidance. Proc. Int. Conf. Optoelectric Science & Engineering, 1230:788-790. Yagi, Y., Yachida, M. 2004. Real-Time Omnidirectional Image Sensors. International Journal of Computer Vision 58(3): 173–207. Hong, J., Tan, X., Pinette, B., Wiess, R, Riseman, E.M. 1990. Image-based homing. Proc. IEEE Int. Conf. Robotics & Automation, pp. 620-625. Yagi ,Y., Kawato, S., Tsuji, S. 1994. Real-time omnidirectional image sen-sor (COPIS) for vision-guided navigation. IEEETrans. Rob. Autom. 10(1):11–22. Svodoba, T., Pajdla, T. 2002. Epipolar geometry for central catadioptric camera. Int. J. of Computer Vision, 49(1), 23-37. Baker, S. Nayar, S.K.1999. A theory of single-viewpoint catadioptric im-age formation. Int. J. of Computer Vision 35(2), 175–196. Ghangi. T., Trivedi, M. 2004. Motion analysis for event detection and tracking with a mobile omnidirectional camera. Multimedia Systems 10: 131–143. Winters, N., Gaspar, J., Lacey, G,, Santos-Victor, J. 2002. Omnidirectional vision for robot navigation. In: Proc. IEEEworkshop on omnidirectional vision, pp 21–28. Yamazawa, K., Yagi, Y., and Yachida, M. 1993. Omnidirectional imaging with hyperboloidal projection. In Proc. IEEE/RSJ Int. Conf. on Intelligent Robots and Systems, 2: 1029–1034.

CAPÍTULO 11

Arquitectura Multi-Agente para la Interfaz de Usuario de un Vehículo Agrícola

X.P. BURGOS-ARTIZZU, A. RIBEIRO, M.C. GARCÍA-ALEGRE y L. GARCÍA-PÉREZ

Instituto de Automática Industrial, CSIC, 28500 Arganda del Rey, Madrid, España; [email protected]

Las máquinas tienen como objetivo principal ayudar al usuario en sus ta-reas diarias, evitándole riesgos y esfuerzos innecesarios. Para que una má-quina realmente ayude al usuario, no sólo debe llevar a cabo correctamente su tarea, si no que también debe ser fácilmente manipulable y controlable por el usuario. Esto se hace particularmente difícil cuando se trata de un robot, vista la complejidad de éstos, y de que lo que se necesita no es sólo una aceptación y comprensión de las órdenes, si no una interacción de ini-ciativa compartida. En el caso que se presenta, supervisar las tareas de un tractor agrícola autónomo desde grandes distancias requiere el desarrollo de una interfaz humano-robot adaptable a las preferencias de cada operario y de fácil uso. Como solución se propone una arquitectura de agentes que ayuden al operario en la supervisión y control del vehículo agrícola, inte-grándose en la arquitectura basada en agentes para la generación de com-portamientos que ya incorpora éste.

1 Introducción

Desde que el hombre empezó a usar máquinas para desarrollar sus tareas diarias, ha sido necesario estudiar como conseguir que la interacción entre ambos se produzca de la forma más simple e intuitiva posible, (Adams, 2002), Inicialmente era necesario que el usuario adaptase su comunicación a la máquina; sin embargo, la tendencia actual es diseñar máquinas capaces de ajustarse a las necesidades del usuario, en otras palabras el objetivo es alcanzar máquinas auto-explicativas que no necesiten grandes conocimien-


tos para ser manejadas. En el caso de los robots, dado que son máquinas en muchos casos autónomas en la realización de ciertas tareas, capaces de to-mar decisiones e imitar el comportamiento de los seres vivos, extrayendo información del entorno (percepción) e interaccionando con el mismo (ac-ción) para alcanzar unos objetivos, el diseño y desarrollo de una interfaz adecuada es una tarea esencial. En concreto se pasa de una interacción bá-sicamente unidireccional, en la que el usuario le dice a la máquina que de-be hacer, a una interacción bidireccional, en la que el robot tiene que co-municarse con el usuario informándole de su estado actual y/o de sus próximos objetivos/intenciones y por su parte el usuario además de emitir ordenes, necesita supervisar al máximo el comportamiento del robot. En (Allen, 1999), se define este tipo de interacción como de “iniciativa mix-ta”, ya que el usuario no es el único que toma decisiones y/o cambia de es-tado.

El objetivo es por tanto una iteración mutua rápida, sencilla y lo más in-tuitiva posible. La situación actual requiere, sin embargo, en muchos casos de un experto capaz de entender y procesar la información devuelta por el robot para así responder adecuadamente, en otras palabras, se necesita a un experto que conozca el sistema montado en el robot (hardware y soft-ware) y que sepa manejar la interfaz de “control” del robot. Esto representa un cuello de botella importante, ya que implica que sólo podrán interactuar con el robot personal cualificado, mientras que lo deseable es que el robot, al igual que una lavadora, pueda ser fácilmente manipulable sin que sea necesario conocer cómo está construido por dentro. Por eso, además de las consideraciones ya comentadas, la interfaz debería adaptarse al tipo de usuario que esté usándola, para de esta forma permitir que usuarios menos expertos puedan de todos modos interactuar con el robot. Cumplir con re-quisitos de este tipo no sólo es conveniente en robótica si no que es benefi-cioso en cualquier aplicación software, como por ejemplo las compras on-line, (Ardissono et. al, 2000), el aprendizaje con tutores inteligentes, etc. A todo lo dicho hay que añadir que la percepción y acción de un robot sobre su entorno se ve casi siempre condicionada por una infinidad de variables que no pueden ser presentadas o visualizadas sin más, ya que en la mayo-ría de los casos el usuario sería incapaz de procesar tanta información o de hacerlo con suficiente rapidez como para tomar una decisión adecuada de supervisión en el momento preciso. Por ejemplo, la percepción que tiene un robot de su entorno suele obtenerse a través de una “fusión sensorial”, es decir, dotando al robot de una infinidad de sensores (odómetro, láser, ul-trasonidos, visión artificial…), cuyo valor no sólo es difícilmente interpre-table, si no que además se actualiza a una velocidad elevadísima (varias veces por segundo).

Arquitectura Multi-Agente para la Interfaz de Usuario de un Vehículo Agrícola 177

En este artículo se presenta una arquitectura multi-agente como modelo para el desarrollo de un interfaz que da respuesta a todas las necesidades comentadas. La aproximación propuesta se ha desarrollado e integrado pa-ra su uso como interfaz en un tractor que tiene capacidad de navegar sin conductor.

En el siguiente apartado describimos nuestro problema en detalle. En la sección 2 se explica la arquitectura de agentes de Interfaz propuesta para la interacción entre un operario cualquiera y el tractor autónomo. En la sec-ción 3 se verá su implementación y primeros resultados. Por último, en la sección 4 se exponen las conclusiones y trabajo futuro.

1.1 Descripción del problema

En nuestro caso, el robot con el que deseamos interactuar es un pequeño tractor autónomo, y el propósito de la interacción es poder llevar a cabo ta-reas de laboreo en el campo. Este tractor lleva acoplada una arquitectura de control basada en agentes, residente en un pequeño computador a bordo (García-Pérez, 2004). Estos agentes dotan al tractor de la inteligencia sufi-ciente como para que se mueva de forma autónoma, controlando la veloci-dad y evitando los obstáculos, y a la vez permiten que el operario defina la ruta a seguir. Los principales problemas a los que nos enfrentamos son los ya descritos en el apartado anterior: primero, que para poder supervisar el funcionamiento del tractor, el operario debe tener conocimiento detallado de cómo operan los agentes, y segundo, la cantidad de información proce-sada por los agentes es demasiado grande para ser transferida al operario. Además, en este caso el tractor puede estar en el campo a una distancia del operario muy grande, con lo que es difícil conocer la posición del vehículo e incluso, dependiendo de las dimensiones de la finca, es posible que el operario lo pierda de vista en algún momento. La interfaz deberá resolver o atenuar al máximo estos problemas. Otro requisito importante es que la in-terfaz sea capaz de filtrar la información recibida por el tractor, mostrando sólo la que en cada momento pueda ser más relevante para el sistema hombre-robot. Asimismo, una vez filtrada la información, ésta debe visua-lizarse con el objetivo de que el operario pueda interpretarla rápidamente. A lo anterior hay que añadir como requisito, el adaptarse al perfil del ope-rario que esté interactuando con el tractor, ya que por ejemplo la informa-ción que solicitará o requiere un agricultor no es la misma que pueden pre-cisar los desarrolladores del robot, ni tampoco lo será la forma en la que éstos quieran que esta información sea mostrada. Por último, la interfaz deberá proporcionar también al operario una forma de comunicarse con el tractor, ya sea simplemente para redefinir la ruta u objetivo, como para


tomar completamente el control de las operaciones (tele-operar). Hay que tener en cuenta, cómo ya se ha dicho, que en este contexto la tele opera-ción del tractor puede llevarse a cabo en situaciones en las que el operario difícilmente sitúa visualmente al vehículo, por lo que será esencial, una vez más, la información que el tractor devuelva al operario, para que éste sepa hacia adónde va y por dónde está pasando.

2 Sistema MAS como interfaz Humano-Vehículo

Como ya se ha dicho, el objetivo es desarrollar una interfaz que facilite la interacción entre el operario y el vehículo agrícola, que sea adaptable al ti-po de operario y que permita obtener una interacción bidireccional rápida y sencilla.

Como primera aproximación a este problema, podría pensarse en des-arrollar una interfaz gráfica de usuario (GUI) lo más intuitiva posible, y posteriormente añadir sobre dicha GUI un gestor de ventanas a través de un sistema basado en reglas, de forma que según los datos devueltos por el robot muestre una ventana u otra. Esta solución presenta dos claros incon-venientes: 1) el sistema basado en reglas no se adapta a las distintas nece-sidades y preferencias de los diferentes usuarios, y difícilmente puede adaptarse de las peticiones de éstos, y 2) necesitamos que la interacción entre el usuario y el robot esté abierta en ambos sentidos simultáneamente, es decir, no es deseable una mera comunicación de paso de mensajes, si no que a la vez que el usuario cambia algún parámetro de control, el robot tie-ne que seguir actualizando su estado y ejecutando su tarea.

En (Schiaffino et. al, 2005), se introducen los Agentes de Interfaz como programas de ordenador que ayudan y supervisan al usuario en las tareas relacionadas con el uso de los ordenadores. Estos agentes, registran toda la actuación de un usuario, para crear un perfil de ayuda al uso del programa que se traduce en recomendaciones o en tomar la iniciativa, filtrando in-formación que no tiene interés para el operario. Esto es lo que se pretende también en este caso, es decir, disponer de un Agente de Interfaz que ayu-de al operario en el manejo del robot, filtrando en cada instante la informa-ción superflua y creando gradualmente el perfil de los distintos usuarios, para permitir ajustar al máximo la interfaz a cada uno de ellos. En, (Kawa-nura et. al, 2003) se presenta una aproximación de agente de interfaz para recoger la información devuelta por un robot con resultados interesantes. Por otra parte, el interfaz a desarrollar tiene que tratar con la información de salida y estado de cada uno de los agentes de la arquitectura de control del tractor autónomo en la que se va a implantar el interfaz, una razón más


que muestra lo apropiado que puede ser el paradigma multi-agente en el diseño de interfaces hombre-robot.

Por otro lado, como hemos dicho, necesitamos también que el operario, a la vez que recibe información, pueda redefinir la ruta, o tele-operar el tractor. Esto requiere más de un agente, se necesita al menos un segundo agente, que recoja las intenciones del usuario y tenga capacidad de comu-nicación con todos los agentes de la arquitectura de comportamiento que lleva el vehículo agrícola, AGRO-AMARA (García-Pérez, 2004) seleccio-nando a quién comunicar las ordenes del usuario, tal como se muestra en la Fig. 1.

En definitiva, la interfaz estará constituida por dos agentes: el agente In-terfaz y el agente Operación. Embarcado en el tractor se encuentra el computador de a bordo donde se ejecutan los agentes que componen la ar-quitectura de control AGRO-AMARA, mientras que en la máquina usada por el operario, se encuentran los dos agentes Interfaz y Operación, así como la GUI. Todos los agentes son estáticos, ya que se comunican abriendo un canal de comunicación de doble sentido, pero sin moverse de su entorno de ejecución.

El agente Interfaz se comunica con todos los agentes de AGRO-AMARA, recibiendo de cada uno de éstos el estado actual y la informa-

Fig. 1 – Arquitectura de la Interfaz Humano - Tractor


ción que están procesando o la salida de los que están activos. A partir de esta información, actualiza todas las ventanas de la GUI que lo necesiten, y cuándo lo considera necesario (en función del perfil del operario que está usando la interfaz), mostrará al operario una ventana, o cerrará una abierta. A su vez, el operario es libre de abrir o cerrar una ventana siempre que quiera, acto que el agente registrará en una traza de ejecución junto con el estado actual de operaciones. De esta forma, el agente puede aprender que el operario ha preferido en una determinada situación cerrar o abrir una ventana en concreto y así en el futuro cuando se produzca una situación similar podrá anticiparse abriendo o cerrando dicha ventana. Por ejemplo, imaginemos una situación en la que el tractor está navegando autónoma-mente siguiendo una ruta predefinida. Si repentinamente el agente Evitar Obstáculos se activa, desactivando todos los demás, el agente interfaz puede pensar que al operario le interesará ver los datos del sensor láser (mediante el cuál se detectan los obstáculos), y abrir dicha ventana. Sin embargo, si el usuario prefiere ver las imágenes sacadas por la cámara de video, cerrará la ventana de láser y abrirá la del video; el agente interfaz registrará dichos movimientos, y la próxima vez que se active el agente Evitar Obstáculos abrirá directamente la ventana de video.

El agente Operación, se encarga de la interacción en sentido contrario: del operario hacia el tractor. El usuario, a parte de la tarea de supervisión ya descrita (uso pasivo de la GUI), puede efectuar 3 operaciones directas sobre el tractor: 1) solicitar una parada de emergencia, 2) tele operar el tractor, y 3) definir una nueva ruta de navegación. Para ello, usará las ven-tanas y botones de la GUI preparados a tales efectos, y el agente operación recogerá dichas operaciones y se encargará de que se lleven a cabo en el tractor. Veamos cada una de las operaciones por separado:

Cuando el operario pulsa el botón de “PARADA INMEDIATA”, el

agente operación debe activar el agente Parar, que se encarga de paralizar el tractor actuando sobre los actuadores de éste.

Si el operario quiere tele-operar el tractor, abrirá la ventana de tele ope-ración, y el usuario actuará sobre el volante, el acelerador y el freno de modo remoto y con total libertad. Nada más abrirse la ventana de tele ope-ración, el agente operación desactivará todos los agentes de AGRO-AMARA, y activará el agente Frenar. A partir de ahí, cada vez que el operario cambie el giro o quiera acelerar o frenar, el agente operación se encargará de activar los agentes Girar Volante , Avanzar y Frenar, pa-sando en el caso del primero el ángulo de giro del volante solicitado. Por otro lado, es importante que el agente operación informe al agente Interfaz cuándo el operario está en modo tele operando y cuándo no, para que este cambie su comportamiento, ya que en el caso de estar en modo tele ope-


rando se preocupará más de transmitir al operario lo que “ve” el tractor (video, láser, posición GPS), para ayudarle a guiar el tractor, y menos en informar sobre el estado de los agentes.

Por último, el operario puede desear cambiar la ruta predefinida, abrien-do la ventana de “Ir a Punto”. En ese caso, el operario pinchará en una zo-na del mapa actual (foto aérea georeferenciada), indicando que este debe ser el nuevo destino del tractor. En este caso, el agente Operación debe una vez más desactivar todos los agentes, y activar el agente Ir a Punto, con la posición deseada, para que éste a su vez planifique la nueva ruta ac-tivando el agente Planificador.

Cómo se puede ver, gracias a esta arquitectura de agentes, conseguimos

todos los objetivos propuestos: la interacción se produce simultáneamente en ambos sentidos gracias a la participación de ambos agentes, y de forma intuitiva y personalizada para el usuario, gracias al diseño de la GUI y a los dos agentes, Interfaz y Operación. En la siguiente sección se describe el entorno de simulación desarrollado para probar esta arquitectura.

3 Desarrollo y simulación

Debido a las limitaciones de campo y al posible riesgo de pérdidas mate-riales, no se puede probar un nuevo sistema sin antes simularlo y compro-bar que funciona en simulación. Por eso, se ha simulado el sistema com-pleto descrito en la sección 3, tanto los agentes de los que se compone AGRO-AMARA como los propuestos para la interfaz, todo ello en un en-torno C++.

Primero se ha simulado el comportamiento de cada uno de los agentes de AGRO-AMARA siguiendo lo descrito en (García-Pérez, 2004). La co-municación entre agentes se implementa a partir de “sockets”. Los datos de entrada, cómo los datos del láser o de localización DGPS, que devolve-rían los sensores del tractor, se han simulado mediante trazas en varios ar-chivos que utilizan los agentes simulados para generar las salidas.

Una vez construido el simulador, se ha desarrollado la interfaz gráfica de usuario, y sobre ella se han encapsulado los dos agentes Interfaz y Ope-ración. La GUI se compone de la ventana principal, que contiene el resto de ventanas de información, así cómo a los botones asociados a las accio-nes que puede realizar el operario (parada, tele operación, redefinir la ruta). En la Fig. 2 se muestran las distintas ventanas; la Fig. 2a muestra la venta-na de los estados de los agentes, que el agente interfaz actualiza cada vez que un agente de AGRO-AMARA cambia su estado. La Fig. 2b muestra la


ventana de posición, en la que se detalla la salida de los sensores de posi-ción (GPS, brújula y odómetros), y la salida final calculada a partir de di-chos datos, así como la forma en la que el agente Actualizar Posición la ha obtenido (la posición se obtiene fusionando la localización GPS y la brújula, en casos de fallo GPS durante fracciones muy pequeñas de tiempo se usan los odómetros corregidos con la última señal GPS válida recibida). La Fig. 2c presenta la ventana de los datos de láser, donde se representa el barrido del láser, de modo que en rojo aparece el obstáculo situado con respecto a la orientación en cada instante del tractor. Por último, la Fig. 2d muestra la situación actual del tractor dentro del mapa que los agentes Ac-tualiza Obstáculos y Actualiza Mapa van construyendo. El agente Inter-faz es el encargado de refrescar todas estas ventanas, estando en constante comunicación con la arquitectura AGRO-AMARA, y posteriormente, en función de las preferencias de usuario, se encargará también de mostrar al usuario una ventana en un determinado momento (al inicio todas están mi-nimizadas), así cómo de registrar los movimientos de éste sobre dichas ventanas para seguir generando el perfil de usuario.

Fig. 2 – Ventanas de la GUI

a

c d

b


En la Fig. 3 se muestran las ventanas a través de las cuales el operario interactúa con el tractor. La primera (Fig. 3a) es la de tele-operación, don-de el operario dispone de un volante, acelerador y freno para tele operar el tractor. Aquí, el agente Operación deberá registrar los movimientos del operario y asegurarse de que se ejecuten en tiempo real sobre el tractor, comunicándose con AGRO-AMARA. Además, es importante que comu-nique al agente Interfaz que ha empezado una tele-operación, para que éste lo tenga en cuenta y muestre al operario la posición y en la medida de lo posible lo que el tractor está “viendo”, para facilitar a éste su tarea, como si estuviese sentado al mando del tractor. La segunda ventana (Fig. 3b), es la de redefinición de la ruta y la de visualización. El operario puede ver en dicha ventana (sobre una foto del campo georeferenciada) el movimiento del tractor en tiempo real desde el inicio de la tarea, y si quiere puede defi-nir un nuevo destino pinchando directamente en la pantalla como si se tra-tase de una PDA (Ribeiro, 2003). El agente Operación, una vez seleccio-nado el nuevo destino, se encarga de lanzar el agente Planificador, para que calcule la nueva ruta, y al agente Ir a Punto de AGRO-AMARA.

Como ya se ha dicho, la comunicación entre los agentes dentro de la ar-quitectura se ha realizado a través de canales Socket; todos los agentes son a la vez servidores y clientes dependiendo del sentido de la comunicación. La capa TCP/IP es la que se encarga de identificar a cada Agente, asignan-do a cada uno un puerto distinto. Se ha definido el formato de los paquetes que los Agentes intercambian entre sí. En la comunicación desde AGRO-AMARA hacia la Interfaz, cada paquete lleva el ID del agente, su estado actual, y en caso de estar activo, los datos de salida de éste, para con ellos realizar el refresco de la ventana pertinente. En sentido contrario del Inter-faz a AGRO-AMARA, los paquetes llevan el ID del Agente al que va des-tinado el paquete, así como el estado al que este debe pasar (o 0 si no se quiere que este cambie su estado) y en caso de ser un paquete mandado por el agente Operación, los datos referentes a las órdenes de control del ope-rario (el ángulo de giro, el nuevo punto destino…). Todo esto se ilustra en la Fig. 4.


4 Conclusiones y trabajo futuro

En este artículo se ha propuesto una interfaz de interacción humano-robot basada en agentes, para facilitar la interacción entre un operario cualquiera y un robot agrícola autónomo.

La interfaz propuesta consigue adaptarse a las distintas preferencias de cada operario, tanto en el tipo y en la cantidad de información que el robot transfiere a éste como en cómo dicho operario controla de forma directa al robot. Por otro lado, gracias al diseño de una interfaz gráfica de usuario in-tuitiva y sencilla, el operario no necesita tener grandes conocimientos so-bre el sistema montado en el robot, cuello de botella importante en las in-teracciones entre usuarios y robots.

El sistema completo se ha desarrollado y simulado en un entorno C++, y se ha probado su funcionamiento al interactuar con el tractor autónomo, dotado de una de arquitectura de control híbrida basada en agentes para navegación autónoma.

Los resultados iniciales son muy interesantes por lo que como trabajo futuro se ampliará el funcionamiento de la interfaz integrándola en la ar-quitectura AGRO-AMARA ampliada para tareas de laboreo.

Por último decir que la interfaz propuesta es genérica pudiendo ser inte-grada, sin demasiado esfuerzo en sistemas complejos, con el fin de realizar la interacción con cualquier vehículo autónomo que presente una proble-

Servidor

Cliente

Socket (TCP)

AGRO-AMARA

Cliente

………..………..

Paquete

IDSender Estado Datos

Agente In-terfaz

Agente Operación

Agente In-terfaz

Agente Operación

Paquete

IDReceiver Estado Da-

Cliente Cliente

Socket (TCP)

AGRO-AMARA

Servidor

……..……..

Fig. 4 – Comunicación arquitectura Cliente/Servidor


mática similar en supervisión y control a la de un tractor, como por ejem-plo todo tipo de vehículos terrestres, aeronaves, helicópteros, etc.

Agradecimientos

El trabajo ha sido financiado por la Comisión Interministerial de Ciencia y Tecnología (CICYT) del Ministerio de Educación y Ciencia y el Plan Re-gional de Investigación Científica e Innovación Tecnológica (PRICIT) de la Comunidad Autónoma de Madrid (CAM), proyectos: CICYT-AGL2005-06180-C03-03 Extracción de conocimiento espacio temporal y visión artificial para la automatización de tratamientos localizados, CICYT- DPI-2006-14497: Integración de percepción, planificación y ac-ción en una arquitectura cognitiva y distribuida de agentes de comporta-miento y ROBOCITY2030: Robots de Servicios- PRICIT-CAM-2005.

Referencias

Adams J.A., 2002. Critical considerations for Human-Robot Interface De-velopment. In 2002 AAAI Fall Symposium: Human Robot Interaction, Nov.2002, pp 1-8 Allen, J.F, 1999. “Mixed-Initiative Interaction”. In Proceedings of IEEE Intelligent Systems, Vol. 14, Nº5, pp 14-16 Ardissono, L., A. Coy, G. Petrone, M. Segnan, 2000. Adaptive User Inter-faces for On-Line Shopping. In 2000 AAAI Spring Symposium, Technical Report SS-00-01, pp 13-18 García-Pérez L., 2004. Navegación Autónoma de Robots en Agricultura: Un Modelo de Agentes. Tesis Doctoral, Universidad Complutense de Ma-drid. Kawanura K., Nilas P., Muguruma K., Adams J.A., Zhou C., 2003. An Agent Based Architecture for an Adaptive Human-Robot Interface. In Pro-ceedings of the 36th Hawaii International Conference on System Sciences. Ribeiro A., Garcia-Pérez, L., Garcia-Alegre, M.C., Guinea, D. 2003. A friendly man-machine visualisation agent for remote control of an autono-


mous tractor GPS guided. In Proc. 4th European Conf on Precision Agri-culture. Wageningen, pp. 541-542. Schiaffino S., Amandi A., 2005. Personalizing user-agent interaction. Knowledge Based Systems Vol. 19, pp 43-49

CAPÍTULO 12

Sistemas de Localización y Percepción Inteligente en la Navegación Autónoma y Segura de Robots de Exteriores

M. C. GARCÍA-ALEGRE, A. RIBEIRO, D. MARTÍN, L. GARCÍA-PÉREZ y D. GUINEA

Instituto de Automática Industrial (IAI), Consejo Superior de Investigacio-nes Científicas (CSIC), 28500 Arganda del Rey. Madrid. [email protected]

En este trabajo se presentan los sistemas de localización, seguridad y per-cepción del entorno integrados en dos vehículos comerciales, así como las adaptaciones de los sistemas de actuación requeridos para la navegación no tripulada en exteriores. Se trata de dotar al vehículo de sensores y ac-tuadores, que permitan una localización y percepción del entorno inteli-gente para la navegación autónoma en escenarios parcialmente estructura-dos. En estos entornos los requerimientos de seguridad y de percepción inteligente son imprescindibles a medida que aumenta, con la implantación de los robots de servicios, la interacción hombre-máquina. Se presenta el conjunto de agentes perceptuales y motores diseñados para la realización de un conjunto de tareas que siguen un patrón de navegación que combina las estrategias SEGUIR LINEA RECTA y CAMBIAR DE LINEA. Estas estrategias se integran en una arquitectura híbrida y distribuida de agentes de comportamiento, denominada AMARA, para la consecución de tareas de complejidad creciente, a partir de un conjunto de agentes de percepción y locomoción básicos.

1 Introducción

La navegación autónoma y segura de vehículos en exteriores sigue siendo un reto con múltiples aplicaciones en el área de Servicios. Las potenciales aplicaciones de los robots de exteriores en campo han sido suficientemente reconocidas y una gran parte del trabajo en esta área está motivado por las


aplicaciones militares y espaciales. Sin embargo en los últimos años em-piezan a despuntar aplicaciones en los campos de Agricultura (Atoe, 2004), Minería (Marshall and Barfoot, 2007) y Forestal, ante la demanda tanto económica como social dirigida a la protección de la salud de los operarios y del medioambiente.

Desde tiempos inmemoriales, los hombres han realizado manualmente todos los trabajos en el exterior y aunque la mecanización del siglo XX, ha liberado de las tareas más pesadas en la producción de cultivos, y extrac-ción de materias primas, aún existe un largo camino por hacer en agricultu-ra extensiva y en minería. Una gran parte de estas tareas, se realizan a ve-locidad reducida, son repetitivas y podrían acometerse de forma semi-automática o automática mediante la implantación de robots móviles. Así, la industria y los servicios podrían beneficiarse con la automatización de tareas del tipo: distribución selectiva de productos en el campo, manteni-miento de grandes parques y jardines, corte de césped, extracción y trans-porte de materias primas, tanto bajo tierra como a cielo abierto, (Stentz et al. 1999), recogida de basuras en carreteras y vigilancia diurna y nocturna , entre otras muchas (Nelly et al., 2006).

La automatización de algunas de estas aplicaciones, facilitaría la reali-zación de acciones selectivas guiadas tanto por GPS y mapa del escenario como por una percepción local del entorno (García-Alegre et al., 2005). Hasta la fecha son escasas las pruebas experimentales realizadas con trac-tores comerciales en escenarios reales (Stentz, 2002), (Stoll, 2003), (Gar-cía-Pérez et al. 2003), (García-Pérez et al., 2007). Los pocos sistemas que en la actualidad se comercializan siguen siendo sistemas de ayuda a la con-ducción manual, aunque guiados por GPS, que ofrecen al conductor una visualización de las acciones a realizar para el guiado del tractor (Beeline, 2007).

Los sistemas sensoriales son imprescindibles para sustituir las capacida-des de percepción y razonamiento que realiza el conductor humano. Si además se pretende que la navegación se realice en distintos escenarios, y con diferentes objetivos, es necesario buscar el conjunto de sensores que optimice la relación calidad/precio, desarrollando a partir de las señales crudas que estos proporcionan, algoritmos inteligentes de fusión de infor-mación para la toma de decisiones en tiempo real, con garantías de preci-sión y fiabilidad (Zhang et al., 1999). La variabilidad tanto de las tareas que se pretenden abordar como de los entornos de trabajo, implica la gene-ración de prototipos enfocados a un posterior ajuste, por usuarios expertos, de acuerdo con los requerimientos y restricciones que imponen tanto las tareas como los vehículos y el entorno.

Sistemas de Localización y Percepción Inteligente en la Navegación Autónoma y Segura de Robots de Exteriores 189

2 Navegación autónoma de robots de exteriores

Los vehículos comerciales que han sido sensorizados y adaptados para la conducción autónoma son dos tractores comerciales de operación en cam-po. El primero, con 1.200 kg de peso, tamaño medio (2.60 x 0.95m), 46 HP, motor diesel y dirección hidráulica asistida, tiene como escenarios campos de tamaño medio, habitualmente encontrados en la zona norte de España y está diseñado en su totalidad y comercializado por la empresa Agria-Hispania (9940), (Fig. 1). El segundo es un tractor comercial MDT, de tamaño reducido (1.6 x 1.2m), ligero (150 kg) y con una potencia de 12 HP. Ha sido diseñado para la realización de tareas de mantenimiento de parques y jardines mediante la adaptación de diferentes aperos, fundamen-talmente de corte de césped y recogida de hojas, (Fig. 2).

2.1 Actuadores: Tractor AGRIA

Para la automatización de la acción manual sobre los pedales del freno y del embrague, se han diseñado e incorporado dos circuitos hidráulicos, manteniendo la conducción manual. Así, el control del freno y embrague se realiza a través de dos cilindros hidráulicos de pistón único y dos válvu-las de 2 vías. El pistón de cada cilindro actúa sobre freno y embrague a fin de detener o poner en movimiento el tractor. La dirección se ha automati-zado integrando una electro-válvula de tres vías dado que el tractor dispo-nía, de fábrica, de un cilindro para la dirección asistida (García-Pérez, 2004), (Oksanen, et al., 2004). Un sensor potenciométrico, acoplado al ci-lindro de dirección, proporciona la posición de referencia, del pistón, al sistema de control.

Fig. 1. Tractor comercial AGRIA transformado en el robot móvil DEDALO


2.2 Actuadores: Tractor MDT

La actuación manual sobre la dirección y el freno/embrague, han sido sus-tituidos, en este caso, por dos actuadores neumáticos. En comparación con los sistemas hidráulicos, los neumáticos poseen un coste inferior, un tama-ño reducido y son más limpios. Por otro lado, si se comparan con DC ser-vos equivalentes, ofrecen una respuesta rápida y una relación alta poten-cia/coste.

Los actuadores neumáticos han sido adecuadamente acoplados a los ejes de giro y de freno para sustituir la acción del operador humano sobre el vo-lante y el freno. Cada sistema de actuación está compuesto por una electro-válvula y un cilindro neumático de doble efecto, con el pistón acoplado al eje correspondiente, (Fig. 2.). Los sistemas de control neumático integra-dos, comparten un tanque de aire a presión y un compresor accionado por el eje de tracción, siendo la fuente de energía el tanque de gasolina.

Fig. 2. Vehículo comercial MDT transformado en el robot móvil ROJO


3 Integración de subsistemas sensoriales

En ambos vehículos se ha integrado un conjunto idéntico de sensores para el posicionamiento global del vehículo y para dotarle de la seguridad re-querida en su interacción con un entorno dinámico semi-estructurado. Los sensores integrados pueden dividirse en dos grupos: de localización y de seguridad y reconocimiento del entorno.

3.1 Localización

Para obtener la posición y orientación del vehículo, se han incorporado un receptor GPS (Amstech 3100-LR12) con corrección diferencial Rasant y precisión nominal 1 m., una brújula digital (KVH-C100) con 0.5º de reso-lución, y un odómetro, de diseño propio, con una resolución nominal de 20 cm, a fin de disponer de una localización global precisa y continua.

3.2 Seguridad y percepción local

Como sensores de seguridad, se han integrador dos setas de parada ma-nual, dos inclinómetros y un parachoques de fibra óptica. El tractor dispo-ne, para la detección de obstáculos dinámicos en las proximidades, de un láser de barrido 2D (SICK-LMS291) con alcance de 40 m, resolución an-gular 0.5º y frecuencia máxima de muestreo 5 Hz. (Garcia-Pérez, et al., 2005), (Fig. 3.).

Fig.3. Parachoques y láser de barrido 2D, situados en la zona frontal del tractor. Detección de un obstáculo frente al tractor, en una representación en coordenadas polares


En la (Fig. 4.) se muestra la información elaborada a partir de históricos previos de objetos detectados y la imagen láser instantánea, representada sobre un mapa de rejilla de (20x20) m y tamaño de celdilla de 20 cm., donde aparecen varios obstáculos con una persistencia diez veces superior a la del ciclo de medida, 200 ms, del sensor láser (Garcia-Pérez et al., 2005).

Fig.4. Mapa de rejilla utilizado para la representación de la información pro-porcionada por el dispositivo láser de barrido 2D.

5 Sistemas de proceso y comunicación a bordo del robot

A bordo del robot se ha instalado un procesador convencional para adqui-rir y procesar las señales sensoriales, calcular y ejecutar las acciones de control sobre los actuadores y comunicarse con el resto del mundo. Los procesos de inicialización y visualización se ejecutan en un procesador portátil externo, que posee unas características similares a una PDA pero dispone de un monitor con mayor superficie y capacidad de proceso, facili-tando un interfaz de usuario más completo.


La comunicación hombre-máquina tiene como soporte una red inalám-brica de bajo coste, que puede configurarse en cualquier campo para reali-zar la tarea de navegación autónoma. En la experimentación en el campus del IAI,CSIC en Arganda, se dispone de una WLAN (Wifi IEEE-802.11x), de forma que el procesador a bordo del tractor puede comunicarse, vía In-tranet/Internet, con cualquier estación de trabajo.

6 Sistema basado en conocimiento para la estimación de la posición

La posición y orientación del vehículo se obtiene, a una frecuencia de 5Hz, a partir de las señales proporcionadas por el receptor GPS, dotado de co-rrección diferencial y por la brújula digital. Cuando la señal proporciona-da por el GPS se degrada, la localización del tractor se obtiene mediante algoritmos de fusión sensorial, basados en reglas borrosas, utilizando las lecturas de sensores complementarios, en este caso los odómetros, hasta que se reciben datos GPS precisos.

Con esto se evitan paradas innecesarias de los robots en los breves ins-tantes en los que se detectan estos incidentes. En este trabajo el algoritmo de fusión sensorial se ha diseñado e implementado mediante un sistema basado en conocimiento que determina en cada instante la forma de obte-ner la mejor estimación de la posición del robot. Los descriptores que tie-nen un mayor impacto en la localización precisa del robot, existencia de corrección diferencial, número de satélites visibles y edad de las señales recibidas, se utilizan como entradas al sistema de reglas. La salida la cons-tituye la estimación de la posición, y el mantenimiento o cambio de alguno de los agentes básicos de locomoción (Tabla 1).

R1: IF (DGPS OK) AND (brújula digital PRESENTE)

Tabla 1. Sistema de razonamiento basado en heurísticos para estimar la posición más precisa posible del robot móvil.

THEN posición con precisión BUENA = posición (DGPS + brújula) AND agente AVANZAR OK R2: IF (DGPS OK) AND (brújula digital AUSENTE) THEN posición con precisión MEDIA = posición (DGPS) AND agente AVANZAR OK


R3: IF (DGPS (degradado OR ausente) AND (NOT time-out)) AND (brújula digital PRESENTE) THEN posición con precisión MEDIA = posición (odómetro + brújula di-gital) AND agente AVANZAR OK R4: IF (DGPS (degradado OR ausente) AND (time-out)) AND (brújula digital PRESENTE) THEN posición con precisión MALA = posición (odómetro + brújula di-gital) AND activar agente STOP else activar agente STOP

De esta forma es posible continuar la navegación del tractor en aquellos momentos en los que se produce algún fallo en los sistemas de localización siempre que su duración no excede un tiempo prefijado (time-out). Expe-rimentalmente los tiempos en que desaparece o se degrada la señal GPS han sido siempre inferiores a 30 s.

La seguridad ante un contacto físico con un obstáculo imprevisto o ante la detección de una inclinación superior a 20 º, está garantizada por la su-pervisión continua del estado de los dispositivos de seguridad automáticos, esto es, parachoques e inclinómetros.

5 AMARA: Una arquitectura distribuida de agentes de comportamiento

Para la navegación autónoma de los tractores, se ha propuesto una arqui-tectura cognitiva distribuida de carácter híbrido, estructurada mediante una jerárquica de procesos concurrentes, denominados agentes de comporta-miento. Estos agentes se caracterizan por realizar con autonomía la tarea para la que son definidos, por ejemplo BORDEAR un obstáculo imprevis-to. Esta propuesta ha sido ya utilizada con buenos resultados a nivel de pi-lotaje en robots de interior (García-Alegre y Recio, 1998) y de navegación en campo (García-Pérez et al., 2007). El comportamiento global observa-ble del robot es el resultado de la activación secuencial o paralela del con-junto de agentes de comportamiento implementados. El tamaño del con-junto de agentes depende conjuntamente de la complejidad del escenario, de las tareas a realizar y de la dotación sensorial del robot.


La toma de decisiones de control se realiza a partir tanto de la informa-

ción instantánea proporcionada por los sensores, como de la información de contexto inyectada inicialmente al sistema de proceso y control (Kei-cher and Seufert, 2000). Esta información de contexto hace referencia tan-to a datos y restricciones relativas al vehículo, tarea y entorno, como al co-nocimiento derivado de la operación manual del vehículo. La arquitectura cognitiva proporciona distintos niveles de competencia, soportados por va-rias representaciones del sistema y entorno, donde los procesos comparten información por dos vías: paso de mensajes y memoria compartida.

La arquitectura se implementa bajo el paradigma cliente/servidor, en el cual los procesos que se ejecutan en diferentes máquinas se conectan con winsockets y protocolos estándar. El agente principal es un Servidor de-nominado DEDALO, que se ejecuta en el procesador a bordo del tractor. Actúa de forma simultánea como servidor y como cliente, enviando datos de sensores, por suscripción de otros clientes, y aceptando los comandos de acciones de control en tiempo real. Existe pues un flujo bi-direccional de percepciones y acciones, guiado por datos desde el servidor DEDALO hacia cualquier agente cliente y guiado por objetivos desde cualquier clien-te al agente servidor DEDALO, (Fig. 5.).

5.2 Agentes de percepción

Los agentes de percepción son aquellos que se encuentran en contacto di-recto con los sistemas sensoriales o con percepciones previamente elabo-radas por otros agentes y son por tanto deliberativos, siendo su salida la ac-tualización de alguna de las estructuras de datos de la memoria compartida.

Aunque los receptores RTK DGPS de precisión centimétrica se utilizan en navegación de gran precision, por ejemplo para la plantación de viñas (Naranjo et al., 2004), los DGPS con precisión métrica pueden utilizarse en muchas aplicaciones de campo, sobre todo si la información que pro-porcionan se complementa con la de otros sensores. De ahí que una actua-lización inteligente de la posición sea fundamental en la navegación autó-noma.

El agente ACTUALIZAR POSICION se ha diseñado para adquirir y procesar la información proveniente de varios sensores, (Tabla 1), calcu-lando la Posición y Orientación. Las hipótesis de partida para su cálculo son las siguientes: el receptor GPS proporciona la estimación de posición más precisa y lo mismo sucede con la orientación dada por la brújula digi-tal. Cuando estas señales están degradadas o no existen, se activa el algo-


ritmo de fusión de información sensorial relativa a la localización (Tabla 1), para calcular la estimación más precisa posible de la posición en cada instante.

Se han diseñados dos agentes más, de tipos genérico, ACTUALIZAR OBSTACULOS y ACTUALIZAR MAPA LOCAL cuyo objetivo es man-tener actualizados el Mapa local y la lista de Obstáculos, (Fig. 5.) en la memoria compartida, a partir de las medidas instantáneas proporcionadas por el láser de barrido 2D y los históricos relativos a los descriptores de los obstáculos. La información dinámica contenida tanto en el Mapa local como en la lista de Obstáculos es crucial para la seguridad de los robots móviles y del entorno (García-Alegre et al., 2005).

Plan

Mapa

lista de Obstáculos

Mapa local

Posición del Robot

Orientación del robot

Posición en campo BORDEAR

CAMBIAR DE LINEA

ACTUALIZAR OBSTÁCULOS

ACTUALIZAR MAPA

LOCAL

ACTUALIZAR POSICION

PARAR

GIRAR

ACTUALIZAR REGION DEL CAMPO

AVANZAR

OPERARIO

DEDALO

Volante Freno Embrague

Sensores

Datos sensores

Acciones

Actuadores

NAVEGAR

VISUALIZAR

PLANIFICAR

IR A PUNTO

SEGUIR LINEA RECTA

Fig. 5. Arquitectura distribuida de agentes de comportamiento para la navega-ción autónoma en exteriores. Los marcos de la zona izquierda representan a los agentes de percepción, y las elipses de la derecha a los agentes motores. En el centro se muestra la información compartida en la pizarra y en su parte inferior, los tres agentes que están en contacto directo con sensores y actuadores


Finalmente, se ha diseñado un agente especializado en la detección de

un evento propio de una tarea ACTUALIZAR REGION DEL CAMPO. Este agente calcula el valor booleano, de la variable Posición en Campo, que determina el cambio del modo de navegación SEGUIR LINEA RECTA a CAMBIAR DE LINEA y viceversa. Esta variable toma el valor verdadero si el robot se encuentra en la región entre líneas de arbolado y falso si se encuentra fuera de ella (Fig. 6.).

Fig. 6. Trayectoria patrón en muchas aplicaciones agrícolas y de mantenimiento de zonas urbanas verdes y zonas de recreo.

5.3 Agentes motores

Además del agente servidor DEDALO, se han diseñado otros agentes que reproducen algunos de los comportamientos realizados por el conductor. La existencia de un conjunto básico de agentes de comportamiento motor a nivel de piloto (AVANZAR, PARAR, GIRAR, BORDEAR) facilita extra-ordinariamente la reutilización de este código, aunque se cambie de plata-forma experimental, siempre que se mantenga el mismo sistema sensorial. El cambio de plataforma afecta únicamente a los agentes motores que es-tán en contacto directo con los actuadores físicos, esto es a VOLANTE y a


FRENO/EMBRAGUE. Estos agentes operan sobre estímulos perceptuales de tipo general, bien definidos, como pueden ser Camino Libre y Obstácu-lo. El agente AVANZAR se activa siempre que hay Camino Libre en la di-rección del objetivo. Si se detecta un Obstáculo imprevisto, en el área de emergencia, el agente AVANZAR cede el control al agente BORDEAR.

El nivel de navegación guiada por objetivo, engloba las estrategias de navegación asociadas a un conjunto de tareas, teniendo en cuenta las res-tricciones y requerimientos de las mismas. Agentes de este nivel son IR A PUNTO, SEGUIR LINEA RECTA y CAMBIAR DE LINEA. Sus estí-mulos de percepción son Punto, Línea recta y Línea adyacente. Estos conceptos se elaboran algorítmicamente a partir de datos sensoriales cru-dos y la información de contexto.

Por defecto los agentes de comportamiento motor se encuentran inacti-vos, hasta que reciben una señal de activación proveniente de otro agente o del operario; entonces su estado pasa a alerta. Un agente en estado de aler-ta, sensible al contexto, vigila de forma continua, a través de los agentes de percepción, la aparición de las condiciones desencadenantes de sus proce-sos. En el instante en que las detecta, su estado pasa a activo y toma el control del robot móvil, de forma directa o indirecta a través de la activa-ción de los agentes básicos de locomoción, AVANZAR, GIRAR, PARAR o BORDEAR.

Los agentes que encapsulan comportamientos de coordinación, visuali-zación y planificación son agentes de propósito general, de utilidad para múltiples plataformas y tareas, e interactúan directamente con el usuario. Así, el agente NAVEGAR interpreta los comandos del operario sobre el interfaz hombre-máquina que se ejecuta en la estación de trabajo. El agente VISUALIZAR, muestra la trayectoria descrita por el vehículo sobre una imagen geo-referenciada de la parcela. El último agente de comportamien-to, puramente deliberativo es PLANIFICAR, que calcula el camino óptimo entre un conjunto de posibles caminos alternativos, entre la posición origen y el destino, teniendo en cuenta la orientación de ambas. Esta decisión se toma evaluando una función de coste que valora los distintos descriptores especificados por el operario ante los objetivos propuestos y las restriccio-nes impuestas por el sistema y el entorno, por ejemplo distancia mínima, menor número de giros, orientación en destino más próxima a la requerida, etc. En este caso, estos tres últimos agentes actualizar en la memoria com-partida un conjunto de estructuras de datos de utilidad para otros agentes, como son el Plan de Navegación (Plan) y Trayectoria.


6 Resultados

Se han realizado múltiples experimentos para probar la potencialidad de los sistemas de localización y percepción instalados en el robot en tareas de navegación autónoma en campo. Los experimentos se pueden clasificar en dos tipos. Aquellos necesarios para validar los sistemas de posiciona-miento del robot, relacionados fundamentalmente con los agentes de per-cepción y aquellos que ilustran el funcionamiento de los agentes motores, desde los básicos como AVANZAR a los más complejos como SEGUIR LINEA RECTA y NAVEGAR. El objetivo principal, del primer tipo de experimentos es demostrar la robustez de la navegación cuando el agente ACTUALIZAR POSICION estima la posición del robot en ausencia de corrección diferencial, degradación de la señal GPS o ausencia de señal de la brújula digital.

Dado que estas situaciones son poco frecuentes en la experimentación realizada en campo abierto, se ha provocado de forma artificial, la ausen-cia de determinadas señales sensoriales, para poder controlar su efecto en las trayectorias resultantes. El efecto de la desconexión de la señal de co-rrección diferencial en la estimación de la posición a lo largo de una ruta, se muestra en la (Fig. 7.}. En este caso, la estimación de la posición se rea-liza de forma correcta, tanto en segmentos rectilíneos como en giros en U, ya que se dispone de una estimación precisa de la última posición global obtenida con corrección diferencial, y a partir de ese instante la incorpora-ción de los odómetros permite actualizar la posición con precisión durante un breve período de tiempo.

Fig. 7. Estimaciones de posición realizadas por el agente ACTUALIZAR POSICION. Las cruces oscuras corresponden a estimaciones de posición en au-sencia de corrección diferencial en la señal GPS


Los círculos de la (Fig. 7.), corresponden a las posiciones obtenidas a par-tir de las estimaciones proporcionadas por el sistema GPS con corrección diferencial en la navegación autónoma entre dos hileras de olivos y las cruces a la localización obtenida a partir de los algoritmos de fusión de la señal GPS y odómetros, en ausencia de corrección diferencial durante un período inferior a 30 segundos, con una velocidad del tractor próxima a 0.5 m/s. El siguiente experimento muestra la estimación de la posición cuando se desconecta la brújula digital, (Fig. 8.). En ella se aprecia como la posición estimada a partir de la señal DGPS es aceptable, pero no así la orientación. Esto se debe a que los errores en orientación generan una degradación en el control del robot al afectar directamente al cálculo del ángulo de giro y en consecuencia a la trayectoria descrita por el robot. Como era previsible, la peor trayectoria se obtiene en aquellas situaciones en las que solamente están operativos los odómetros. En un recorrido de unas decenas de me-tros, el error de posición hace necesaria la activación del agente PARAR. Se ha determinado experimentalmente que tras 30 m de recorrido, a una velocidad próxima a 0.5 m/s, el error en la posición, estimada únicamente con los odómetros, es inaceptable y es necesario activar al agente PARAR.

Fig. 8. Posiciones estimadas por el agente perceptual ACTUALIZAR POSICION. La línea recta de círculos negros de la zona izquierda, corres-ponde a estimaciones de posición en ausencia de la señal de la brújula di-gital.


A continuación se presenta la trayectoria descrita por el robot móvil en-

tre dos hileras de olivos, para validar el funcionamiento de los agentes per-ceptuales y motores en una misión de navegación, bajo el control del agen-te de coordinación NAVEGAR. En la (Fig. 9.), el agente VISUALIZAR (Ribeiro et al., 2003), muestra la trayectoria descrita por el robot móvil en navegación autónoma en un campo de olivos distribuidos irregularmente. La trayectoria está compuesta por dos segmentos rectilíneos, paralelos a las filas de olivos y de un giro en U necesario para pasar de una a otra hile-ra. Esta trayectoria, es solo una muestra del patrón repetitivo que se realiza en muchas aplicaciones de campo, mostrado en la (Fig. 6.).

Fig. 9. Trayectoria descrita por el robot móvil bajo el control de la arquitec-tura de agentes de comportamiento (AMARA). En esta imagen del campus del IAI,CSIC se aprecia un edificio y un campo de olivos distribuidos de forma irregular. La estrella corresponde a la posición destino. El diámetro de las copas de los olivos de mayor tamaño es de 4 m.


La trayectoria muestra la activación del agente de comportamiento

SEGUIR LINEA RECTA para controlar la navegación en los dos segmen-tos rectilíneos y paralelos y la del agente CAMBIAR DE LÍNEA para co-nectar dos filas adyacentes a fin de alcanzar el Plan generado por el agente PLANIFICAR o marcado por el operario sobre el Mapa al inicio de la eje-cución. La trayectoria resultante valida el diseño tanto de la arquitectura cognitiva de control, como de los agentes básicos de locomoción activa-dos, AVANZAR, GIRAR y PARAR. El agente BORDEAR no se activó en este recorrido, al no encontrar el robot móvil ningún obstáculo impre-visto en su camino. A lo largo de todos los recorridos experimentales reali-zados, el error en la estimación de la posición proporcionado por el recep-tor DGPS fue inferior a 0.5 m en el 68\% de las medidas.

7 Conclusiones

En este trabajo se describen algunas de las realizaciones de los últimos años, así como trabajos en curso, relativos a la navegación autónoma de vehículos en campo. La consecución de un grado alto de autonomía lleva asociada necesariamente la integración de un conjunto apropiado de senso-res y dispositivos de actuación. Por ello, se ha presentado el conjunto de sensores, tanto de localización como de seguridad y de reconocimiento del entorno próximo, en dos vehículos comerciales.

Las comunicaciones inalámbricas accesibles hoy en día a bajo coste y banda ancha, posibilitan una comunicación fluida y continua hombre-máquina, imprescindible en escenarios dinámicos y heterogéneos.

En el diseño de los agentes se ha tenido especial consideración en los aspectos de seguridad, esenciales en la interacción de operarios y máqui-nas. La interacción entre agentes y agente-entorno ha permitido manejar con cierto éxito la complejidad e incertidumbre asociada a los entornos na-turales sin marcas artificiales.

El algoritmo cualitativo de fusión sensorial propuesto, basado en técni-cas borrosas, evita paradas innecesarias del vehículo en situaciones adver-sas para la recepción de la señal GPS, que usualmente se corrigen en bre-ves períodos de tiempo.

Aunque aún queda pendiente una ardua y extensa experimentación para, tanto el modo de operación de dispositivos físicos integrados como la ar-quitectura distribuida de procesos, has demostrado su validez en la nave-gación autónoma de vehículos en exterior a baja velocidad, de interés en


muchas aplicaciones de campo, como el corte de césped, o la aplicación selectiva de pesticidas.

La arquitectura distribuida de agentes de comportamiento simplifica la prueba de distintos algoritmos de percepción y control, atendiendo única-mente a la semántica de los mensajes. La arquitectura distribuida de agen-tes de comportamiento, AMARA, constituye un marco metodológico es-pecialmente adecuado para absorber el crecimiento gradual de tareas, objetivos y dispositivos sensoriales de complejidad creciente. Una parte de su potencialidad radica en la ejecución concurrente de múltiples agentes de comportamiento que comparten conocimientos por la doble vía de paso de mensajes y memoria compartida.

Agradecimientos

Los autores agradecen a Eugenio Villanueva los valiosos diseños y reali-zaciones mecánicas en la etapa de sensorización y automatización de los tractores. El trabajo ha sido financiado por la Comisión Interministerial de Ciencia y Tecnología (CICYT) del Ministerio de Educación y Ciencia y el Plan Regional de Investigación Científica e Innovación Tecnológica (PRICIT) de la Comunidad Autónoma de Madrid (CAM), proyectos: CICYT-AGL2005-06180-C03-03 Extracción de conocimiento espacio temporal y visión artificial para la automatización de tratamientos locali-zados, CICYT- DPI-2006-14497: Integración de percepción, planificación y acción en una arquitectura cognitiva y distribuida de agentes de compor-tamiento y ROBOCITY2030: Robots de Servicios- PRICIT-CAM-2005.

Referencias

Atoe 2004. Proceedings of the Automation Technology for off-road equipment (ATOE) Intern. Conference, edited by Q.Zhang, M. Iida, A. Mizushima , ASAE Publ., Kyoto, Japan. Beeline (2007) www. beeline.com.au

García-Alegre, M.C., Recio, F. 1998. Basic visual and motor agents for in-creasingly complex behavior generation on a mobile robot. Auton. Robot. 5: 19-28.


García-Alegre, M.C., L. García-Pérez, A. Ribeiro, D. Guinea 2005. Sen-sor-actuator integration in a comercial tractor for safe teleoperation and autonomous navigation. In Proc 5th European Conf. On Precision Agricul-ture, edited by J. V. Stanford, Wageningen Academic Publ., pp. 637-664. García-Pérez, L., García-Alegre, M.C., Ribeiro, A., Guinea, D. 2003. Fuzzy control for an approaching-orienting maneuver with a car like vehi-cle in outdoor environments. In Proc IV Workshop de Agentes Físicos. Publicaciones Universidad de Alicante, España. pp. 87-98. García-Pérez L. (2003). Autonomous Robot Navigation in Agriculture: A multi-agent model. Ph.D. Dissertation. Universidad Complutense de Ma-drid Publ., España. García-Pérez, L. García-Alegre, M.C., Ribeiro, A., Guinea, D., Cañas, J.M. “Perception and tracking of dynamic objects for optimization of avoidance strategies in autonomous piloting of vehicles,” in Spatial Cogni-tion IV: Action and Interaction. LNAI. 3343, edited by Ch.Freksa, M.Knauff, B.Krieg-Brackner et al. Springer-Verlag. Berlin, pp. 500-520, 2005.

Garcia-Perez, L., Garcia-Alegre, M.C., Ribeiro, A., Guinea, D. 2007. An agent of behaviour architecture for unmanned control of a farming vehicle, Comp. Electron. Agr. (en prensa). Keicher R., Seufert, H. 2000. Automatic guidance for agricultural vehicles in Europe. Comp. Electron. Agr. 25, 169-194. Kelly, A., Stentz, A., Amidi, O., Bode, M., Bradley, D., Diaz-Calderon, A., Happold, M., Herman, H., Mandelbaum, R.,Pilarski, T., Rander, P., Thayer, S., Vallidis, N., Warener, R. 2006. Toward reliable off-road autonomous vehicles operating in challenging environments. Int. J. Rob. Res.25: 449-483. Marshall, J., Barfoot, T. 2007 Design and Field Testing of an Autonomous Underground Tramming System. In Proc. 6th Int. Conf. Field and Service Robotics, Chamonix, France. Naranjo, J.E., González, C., Reviejo, J., García, R., de Pedro, T. 2004. Plantación de viñas y frutales con ayuda de GPS. Vida Rural, 195: 48-52.


Oksanen T., Ohman M., Miettinen, M., Visala, A. 2004. Open and config-urable control system for precision farming. In Automation Technology for Off-road Equipment Conference, Kyoto, Japan, pp. 184-191.

Ribeiro A., Garcia-Pérez, L., Garcia-Alegre, M.C., Guinea, D. 2003. A friendly man-machine visualisation agent for remote control of an autono-mous tractor GPS guided. In Proc. 4th European Conf on Precision Agri-culture. Wageningen, pp. 541-542.

Stentz, A., Bares, J., Singh, S. Rowe, R. 1999. A robotic excavator for autonomous truck loading, Auton. Robot. 7 (2): 175-186. Stentz A., Dima, C., Wellington, C., Herman, H., Stager, D. 2002. A Sys-tem for Semi-Autonomous Tractor Operations. Auton. Robot. 13: 83-104. Stoll A. 2003. Automatic operation planning for GPS-guided machinery. In Proc.4th European Conf. Precision Agriculture, edited by G. Grenier and S. Blackmore, Wageningen, pp. 657-664. Zhang Q., Reid J.F., Noguchi N. 1999. Agricultural vehicle navigation us-ing multiple guidance sensors. UILU-ENG-99-7013.

CAPÍTULO 13

Robot Sub-acuático de Estructura Paralela para la Inspección y Teleoperación de Lugares de Difícil Acceso

C. ÁLVAREZ1, R. SALTARÉN2, R. ARACIL3, E. YIME4, M. SANCHO.

Universidad Politécnica de Madrid, Escuela Técnica Superior de Ingenie-ros Industriales, DISAM, Madrid, España. [email protected], [email protected], [email protected], [email protected].

En el siguiente trabajo se presenta una aplicación innovadora de una plata-forma Stewart – Gough, la cual es la base del funcionamiento del robot subacuático REMO I. Este vehículo submarino es operado remotamente desde la superficie mediante un sistema de comunicación con fibras ópti-cas, lo cual permite a un operador realizar tareas de inspección con visuali-zación de cualquier problema que pueda ocurrir bajo el agua, evitando que esta riesgosa tarea la efectúen seres humanos. Para ello se emplea una in-terfaz de usuario que facilita en gran medida la operación, la visualización y la obtención de datos en el agua. El REMO I tiene como parte central, una estructura paralela del tipo Stewart – Gough, la cual le permite: reali-zar movimientos con 6 grados de libertad, adquirir múltiples formas para poder hacer maniobras de navegación con mucha flexibilidad y variar la orientación de un único impulsor que está en la parte trasera. Esto presen-ta la ventaja de describir trayectorias de mucha exigencia dentro del agua para poder entrar a lugares de difícil acceso. Otras características que ofrece este vehículo submarino robótico, es la utilización de un sistema neumático de control de lastre, el cual se utiliza para compensar automáti-camente su flotabilidad, y un control de presurización interno, el cual le permite mantener a la cabina con una presión positiva a cualquier profun-didad. En este aparte se describe el funcionamiento del REMO I, la arqui-tectura empleada para su control, el desarrollo de la interfaz gráfica de usuario y los resultados de las pruebas de control de navegación y lastrado.


1 Introducción

Los vehículos subacuáticos no tripulados han sido un campo activo de in-vestigación durante más de cinco décadas (Bohm, 2001). Esto se debe, tanto al interés por descubrir lo que hay en las profundidades marinas, co-mo a la posibilidad de realizar tareas bajo el agua sin poner en riesgo la vi-da de seres humanos, donde se pueda hacer: la inspección y el manteni-miento de instalaciones submarinas, la explotación controlada de recursos en el fondo del mar, la búsqueda y rescate de embarcaciones hundidas, la detección de minas y el estudio de la fauna y flora marina, entre otras tan-tas aplicaciones.

El desarrollo de los vehículos subacuáticos remotamente operados (ROV Remotely Opered Vehicles), y los robots subacuáticos que realicen tareas preprogramadas o autónomas (AUV Autonomous Underwater Vehi-cles) han surgido como respuesta para realizar actividades dentro del agua sin necesidad de la intervención humana directa (Valvanis, 1997).

Haciendo un poco de historia, según Darío (2004), puede decirse que el primer vehículo subacuático programado fue un torpedo desarrollado por Luppis–Whitehead Automobile en Austria en 1864; pero al hablar de robó-tica, el primer ROV, llamado POODLE fue desarrollado por Dimitri Rebi-koff (Francia) en 1953. Después le sucedieron otros vehículos del tipo AUV tales como el SEA SPOOK de Rebikoff y el SPURV construido por la Universidad de Washington. A éstos le siguieron otros como el SKAT del Shirshov Institute of Oceanology (Rusia), el OSR-V (Japón), los EAVE’s, RUMIC y UFSS (U.S.A.), y el EPAULARD (Francia). Desafor-tunadamente, la mayoría de estos AUV eran muy grandes, ineficientes y demasiado costosos. Esto hizo que en la década de 1980 los ROV fueran ganando espacio frente a los AUV. Sin embargo, a partir de la década de 1990, se ha recuperado el interés por el desarrollo de los AUV, debido al surgimiento de nuevas tecnologías electrónicas compactas, el desarrollo de motores pequeños de alta eficiencia y la aparición de baterías recargables de mayor duración.

Las principales ventajas y desventajas del empleo de la tecnología ROV con respecto a los AUV en el ambiente marino se basan en el empleo o no del cordón umbilical. Este cordón umbilical, el cual es usado en los ROV, permite dos cosas principales: la transmisión de energía eléctrica a los dis-positivos eléctricos y electrónicos del equipo bajo el agua, y la comunica-ción en tiempo real entre los equipos de superficie y el robot submarino. Al contar con la energía eléctrica desde la superficie, prácticamente no existe restricción en el tiempo que puede estar un ROV dentro del agua. Por otro lado, al mantener una comunicación vía cable o fibra óptica, los

Robot Sub-acuático de Estructura Paralela para la Inspección y Teleoperación de Lugares de Difícil Acceso 209

datos se transmiten a muy alta velocidad, lo cual facilitará la observación de imágenes submarinas en la superficie, hacer tareas de control en tiempo real y realizar actividades de telemanipulación. En el caso de los AUV, al no tener el cordón umbilical, presentan la ventaja de una mayor libertad de movimiento y un menor costo operativo por no depender de una embarca-ción en la superficie, pero con la limitante del tiempo que empleará para ejecutar una misión, debido a que utilizan baterías, y el ancho de banda restringido en la comunicación con la superficie, ya que la transmisión ina-lámbrica sólo se puede efectuar a pocos metros de distancia bajo el agua, debido a que las ondas electromagnéticas se atenúan fuertemente en ese medio (Chantler, 1994). Una posible forma de transmitir datos a mayor distancia, es mediante ondas sonoras; sin embargo, éstas tienen una velo-cidad muy baja, lo cual limita la posibilidad de realizar tareas en tiempo real a grandes distancias.

Hoy en día existe una gran diversidad de robots submarinos. La mayo-ría de ellos utiliza un impulsor y varias aletas móviles para realizar las ma-niobras de navegación. Otros utilizan varios impulsores, colocados de tal manera que puedan hacer movimientos de avance, cabeceo y viraje. Hay otro pequeño grupo que tienen la capacidad de orientar el impulsor para el guiado y la navegación simultáneamente. De ellos se puede mencionar el desarrollado por Le Page y Holappa, el cual ofrece una gran maniobrabili-dad a bajas velocidades (Le Page, 2000); otro robot realizado por Morel y Leonessa, quienes en su trabajo muestran la versatilidad del uso del impul-sor vectorial para obtener un control más preciso en la trayectoria de un vehículo submarino (Morel, 2003); finalmente, está el AUV presentado por Cavallo y Michelini, el cual utiliza un impulsor vectorial con una pla-taforma paralela de tres grados de libertad (Cavallo, 2004).

En este apartado se presenta una novedosa aplicación de la plataforma de Stewart – Gough como vehículo y robot paralelo subacuático, el cual es llamado REMO I (Saltarén, 2004) (Aracil, 2006). La plataforma de Ste-wart – Gough (S-G), es un mecanismo paralelo de seis grados de libertad basado en dos anillos que están conectados entres sí, a través de seis ac-cionamientos lineales, que a su vez están unidos a los anillos con juntas es-féricas y universales. El resultado de esta configuración cinemática pre-senta un mecanismo muy simple con una elevada rigidez, gracias a que sus accionamientos son parte de su estructura mecánica. Esta plataforma tiene una gran capacidad de manipular cargas, ya que puede concentrar en uno de sus anillos toda la potencia de sus accionamientos. Además, debido a su reducida inercia, puede alcanzar grandes velocidades y aceleraciones. Para el REMO I, la plataforma de S-G es parte de su estructura y esto le permite deformarse, de tal manera, que puede navegar en cualquier direc-


ción con una mayor flexibilidad que los vehículos con impulsores vectoria-les, y en consecuencia tiene la capacidad de realizar los movimientos del timón del robot con 6 grados de libertad.

Este capítulo se ha estructurado de la siguiente manera: primero se des-cribe el diseño mecánico, eléctrico y electrónico del robot paralelo subma-rino, posteriormente se habla de la arquitectura de hardware. A continua-ción se explica las propiedades del software elaborado y las interfaces humano-máquina. Como siguiente punto se explica las estrategias utiliza-das para el control del REMO I. Finalmente se presentan algunos de los resultados obtenidos en las primeras pruebas de navegación.

2 Descripción del REMO I

Las siglas REMO significan “Robot de Estructura-paralela para la Medi-ción y Observación oceanográfica”. En la figura 1 se puede observar las partes principales del REMO I, en la que se destaca la plataforma de Ste-wart – Gough en la parte central, que, junto al impulsor, son la base del funcionamiento para la navegación de este robot submarino.

Fig.1. Partes del robot paralelo REMO I.

En la izquierda de la figura 1, se destaca la base, que constituye la parte

delantera del robot y es donde se encuentran los circuitos electrónicos de medición, control, fuentes de alimentación y amplificadores; en el medio se encuentran los seis actuadores lineales, los cuales funcionan con moto-res de corriente continua; y finalmente, a la derecha se encuentra el efector, el cual representa la parte trasera o timón del REMO I, y es donde está co-locado el impulsor. La navegación de este vehículo se realiza por medio del impulsor, para proporcionar la fuerza de empuje del robot, y los actua-dores, quienes son los que le dan la orientación y el desplazamiento a la es-tructura para poder efectuar los giros, el balanceo, el ascenso y el descen-


so. Además de ello se le ha agregado un tanque de lastre en cada aleta, pa-ra neutralizar automáticamente la flotabilidad en el agua. Los actuadores tienen la capacidad para trabajar de forma independiente; sin embargo, ellos seis se mueven de manera coordinada, para obtener la orientación y desplazamiento requeridos entre la base y el efector, y con ello lograr el movimiento deseado para la navegación. En la figura 2, se muestra una fo-to actual del REMO I.

Fig. 2. Foto actual del REMO I sin el impulsor.

El primer prototipo del proyecto REMO, el REMO I, consiste en un ve-

hículo remotamente operado que tiene 170mm de ancho y su largo puede variar entre 165 y 200mm. Su peso es de unos 90 kilos en el aire, y en el agua se neutraliza por medio de unas bolsas de aire que hay en las aletas, las cuales también se utilizan para su sustentación en el agua. El control de los actuadores, el impulsor y el lastrado se realizan por medio de un joystick, para que, de esta forma se pueda hacer un manejo sencillo y con ello, observar su funcionamiento y maniobrabilidad en el agua. Para ello también se cuenta con algunos sensores, los cuales envían sus lecturas a un computador en la superficie.

2.1 Construcción Mecánica

Para la construcción del REMO I se consideró la realización de un diseño modular, de manera de aprovechar al máximo el espacio interior del mis-mo, específicamente en donde se ubica la parte electrónica. Tal como se puede observar en la figura 3, se construyó varios anillos para el ensambla-


je. Estos anillos están hechos de polietileno de alta densidad y cada módu-lo tiene un ancho de 100mm. Para el mecanizado de cada anillo se utilizó una máquina de corte por inyección de agua a alta presión.

Cada anillo se une por medio de unos espárragos en la parte central, y unos tornillos en cada extremo. Esta configuración puede adaptarse para el caso en el que se desee alargar más la cabina para futuras modificacio-nes. Entre cada anillo, se ha colocado cuidadosamente cintas de teflón, para asegurar la estanqueidad de la cabina.

Fig. 3. Vista del anillo con los espárragos y detalles de una tapa y un anillo.

2.2 Sensores utilizados en el REMO I

En el REMO I se utilizan los sensores básicos para el control de la posi-ción de los actuadores, los sensores para la navegación del REMO I, los detectores de condiciones anormales, y la cámara, que permite observar las escenas en el agua.

En cuanto a los sensores para el control de la posición de los actuadores, se utilizaron unos encoders ópticos y de cuadratura que ofrecen una lectura muy precisa de la posición y el sentido del movimiento del motor interno.

Otro elemento de gran importancia es la unidad de medición inercial o IMU, la cual permite leer los ángulos de cabeceo, balanceo y viraje (pitch, roll, yaw) y sus respectivas velocidades. Una brújula electrónica se inclu-ye como complemento para mejorar la orientación del REMO I. El sensor magnético se utiliza para corregir el error de deriva producido por la uni-dad de medición inercial en el ángulo de viraje, y a la vez la IMU corregirá las lecturas erróneas que puedan venir de la brújula debido a una interfe-rencia magnética. Para tener un estimado de la profundidad se cuenta con un sensor de presión absoluta. Los sensores de presión diferencial indican el valor de la presión interna de la cabina con respecto a la del agua, y la presión de las bolsas de flotación ubicadas en las aletas.


Fig. 4. Colocación de la parte electrónica dentro del REMO. Los detectores de condiciones anormales determinan si existe una alar-

ma en el REMO I. En este caso se utiliza un interruptor de presión, para avisar si falta poco para vaciarse las bombonas de aire de suministro al cir-cuito neumático, y el detector de intrusión de agua, que es un sensor de ni-vel óptico. Las otras alarmas se activan mediante la detección de los nive-les de medición por medio del software. En la tabla 1 se presenta un resumen de los sensores utilizados en el REMO I.

Tabla 1. Resumen de los tipos de sensores del REMO I.

Tipo de sensor Fabricante Modelo

IMU Microinfinity MI-A3350M Posición de los actuadores (encoder)

Baumer Electric BDK16-24K 1024-5-4

Velocidad y par del impulsor Control Techniques Eb-203 Detector de líquido Honeywell LLE102000 Temperatura Nat. Semiconductor LM335 Presión absoluta. (Profundidad)

Keller PAA21

Presión diferencial. Honeywell 24PCFFM1D Presión diferencial Honeywell 24PCGFM1D Interruptor Presión Isis Fluid Control F4S Brújula magnetorresistiva Honeywell HMC1001-1002 Cámara IP Grandtec Grand IP


2.3 Elementos finales de control

Los elementos finales de control consisten en los actuadores lineales, el impulsor y las válvulas solenoides. Cada actuador lineal es una estructura alargada de unos 750mm en estado de reposo y sección interna circular, la cual incluye: un tornillo sinfín acoplado a una polea, un husillo y un émbo-lo. En el lado externo del actuador, y acoplado por medio de una correa a la polea, se encuentra un motor de corriente directa de 72 w, un reductor y un encoder. La capacidad de desplazamiento del actuador es de 350mm. Debido a la reducción del motor y el acople husillo - tornillo sinfín, el ac-tuador transmite una gran fuerza en su extremo, además de una alta preci-sión en el movimiento a realizar. Estos movimientos son lineales y en coordinación con los otros actuadores según las trayectorias generadas de cada actuador de acuerdo a la solución de la cinemática inversa de la plata-forma de S-G (Almonacid, 2002). De esta manera se obtiene la posición deseada del impulsor (efector) con respecto a la cabina (base).

Fig. 5. Actuadores lineales del REMO I. La unión de los actuadores con la base se hace mediante juntas universa-

les, y la de los actuadores con el efector se realiza mediante juntas esféri-cas. Esto permite movimientos de seis grados de libertad entre la base y el efector (Tsai, 1999).

El impulsor consiste en un motor sin escobillas de tres fases, acoplado a una hélice. El conjunto podrá girar a una velocidad máxima de 3000 rpm con un par máximo de 3,1 N-m que representa una potencia mecánica máxima de 974 w. Trabaja con un controlador con salida modulada en an-


cho de pulsos, y éste a su vez, recibe la señal de manejo por medio de una salida analógica de la tarjeta de control que está en el REMO I.

Otros elementos finales de control utilizados en el REMO I, son las vál-vulas solenoides del circuito neumático, las cuales se utilizan para el con-trol de la presurización de la cabina y el inflado de las bolsas de los tan-ques de lastre que regulan la flotabilidad. Además se utiliza un sistema de iluminación basado en diodos emisores de luz blanca, que se utiliza para iluminar la escena bajo el agua para mejorar la visibilidad en la cámara.

3 Arquitectura de control

Para el control de robots submarinos se han desarrollado varias tipos de arquitectura. Cada una puede presentar sus ventajas y desventajas según el tipo de aplicación. En el caso del REMO I, se escogió una arquitectura ti-po cliente - servidor, en la cual un computador personal (cliente), ubicado en la superficie, es el que pide datos a una tarjeta de control multiejes y multifuncional (servidor), la cual está colocada en el REMO I, y es la que se encarga de: controlar y coordinar a bajo nivel los movimientos de los actuadores, tomar las lecturas de las señales analógicas y digitales, y reci-bir los comandos de control digital. Este tipo de arquitectura se adapta bien para un sistema teleoperado experimental, ya que en el computador ubicado en la superficie se ensayarán diversas configuraciones y algorit-mos de control de alto nivel para ser aplicados al prototipo. Por otro lado, hay otros elementos independientes en el REMO I, que trabajan como ser-vidores, los cuales son: la unidad de medición inercial (IMU), la cual de-tecta los ángulos y velocidades angulares de cabeceo, balanceo y viraje de la cabina del robot, y la cámara de observación, que se usa para mostrar, en el computador de la superficie, las imágenes obtenidas en el agua.

La arquitectura del robot submarino se sintetiza básicamente según el diagrama de bloques de la figura 6. Un operador utilizará el joystick para realizar el movimiento de los actuadores, de manera que pueda hacer el manejo del REMO I desde la superficie. El computador personal realiza funciones de lectura, análisis, procesamiento y flujo de datos provenientes del REMO I, y presenta las mediciones obtenidas, las imágenes submari-nas y los gráficos de comportamiento del movimiento del robot. En la tar-jeta de control, ubicada en el REMO I, es en donde se cierran los lazos de control para el manejo directo de los actuadores y el impulsor. En el caso del lastrado y la presurización, los lazos se cierran en superficie, ya que la respuesta de estos sistemas es más lenta.


Fig. 6. Arquitectura de control del REMO.

El computador personal (PC) proporciona los programas y las interfaces

de usuario y de comunicación que estarán en la superficie. Los programas que se utilizan para el control y la simulación del REMO I son los siguien-tes: La interfaz del joystick, la interfaz de comunicación con la tarjeta de control, el modelo de la cinemática inversa de la plataforma del REMO I, la interpretación de datos, la interfaz humano máquina, la simulación del control de la plataforma de S-G, la identificación del sistema de control, el cálculo de los valores de posición de cada uno de los actuadores para en-viarlos a la tarjeta de control, el control del impulsor, la lectura de los sen-sores y la representación en realidad virtual del comportamiento del REMO I en el agua.

El joystick es el elemento que se utiliza para mover los actuadores por medio del programa de control. Para ello el computador lee las señales generadas por este dispositivo y aplica los algoritmos de la cinemática in-versa de la estructura paralela de S-G y el de generación de las trayectorias de cada actuador. Además de esto, el joystick tiene la función de habilitar o deshabilitar los actuadores y el impulsor, fijar la velocidad de este últi-mo, controlar manualmente el llenado y vaciado de los tanques de lastrado,


y encender o apagar las luces para la iluminación bajo el agua. El joystick utilizado tiene una palanca principal de tres grados de liber-

tad, una palanquita de un grado de libertad, ocho botones de dos estados y un botón de ocho posiciones. Para hacer la equivalencia de los movimien-tos del joystick con la platafoma de S-G que tiene seis grados de libertad, se separan los tres grados de libertad de orientación y dos grados de liber-tad de desplazamiento mediante los botones 1 y 2 que se incluyen en la pa-lanca principal del joystick. El desplazamiento en X, que consiste en alar-gar la plataforma, se controla mediante la palanquita del eje Z del joystick, cuando el impulsor está apagado.

La tarjeta de control es básicamente un computador dedicado que está dentro del robot submarino REMO I. Esta tarjeta, tiene como función principal, la de leer las posiciones, que se proporcionan desde el computa-dor personal a través del puerto de redes, y calcular los desplazamientos, velocidades y aceleraciones para controlar los actuadores de la plataforma paralela. Los valores de posiciones recibidos desde el computador de la superficie, se comparan con las lecturas de los encoders y se calculan las velocidades y aceleraciones según un perfil de velocidad introducido ante-riormente en la tarjeta de control y luego se generan las señales de control apropiadas a los amplificadores de potencia. Las salidas de los amplifica-dores están conectadas a los motores de los actuadores, y de esta manera se realiza el movimiento para lograr el objetivo de posicionamiento de la forma más adecuada posible. El algoritmo utilizado para la posición de cada actuador es un PD (Proporcional Derivativo), ya que es el algoritmo más apropiado para un control de posición sencillo y está implementado en la tarjeta de control. Otras de las funciones que realiza la tarjeta de control son: Lectura de las señales de los sensores de presión, temperatura, inun-dación y, velocidad y par del motor impulsor, por otro lado proporciona la señal de habilitación del módulo de control del impulsor, encendido y apa-gado de válvulas y luces, y también hace el envío de las lecturas de los sensores analógicos y de los encoders al computador personal. La comuni-cación entre el PC y el REMO I, se hace mediante la conexión de red local o Ethernet, a la que se le agrega unos convertidores a fibra óptica para au-mentar la distancia de comunicación.

4 Diseño del software

Para conseguir un control óptimo del REMO I se realizó un software que proporciona una interfaz humano-máquina que permite observar con faci-lidad lo que ocurre en el agua y que se encargue de los lazos de control del


REMO I, el cual incluye: el movimiento de los seis actuadores, el impul-sor, la presurización y el lastrado, y por otro lado que informe al usuario de los estados de todos los sensores. El diagrama de despliegue utilizado en el software es el que se muestra en la figura 7.

Fig. 7. Diagrama de despliegue del software utilizado para el control del REMO.

4.1 La interfaz de usuario

En la interfaz de usuario aparecen las medidas que registra el REMO I. Además podrá disponer de la ayuda de cualquier control o indicador que aparece en pantalla. Las acciones principales de control del vehículo sub-marino robótico se realizan por medio del joystick, mientras que la panta-lla del computador sirve para mostrar las lecturas de los datos recopilados en el REMO I.

En la figura 8 se presenta a la interfaz de usuario del REMO I. En ella se podrá observar un indicador gráfico que proporciona una medida intui-tiva de la actitud del vehículo submarino (color rojo), orientación del joys-tick (azul) y orientación almacenada al soltar el botón 1 del joystick (ver-de). En el plano se muestran los ángulos de cabeceo y viraje, mientras la inclinación del puntero indica el ángulo de balanceo.

Otros elementos de la interfaz de usuario son los indicadores de: las longitudes calculadas y leídas de los actuadores de la plataforma paralela, la velocidad y porcentaje de par del impulsor, las presiones internas y de los tanques de lastre, la brújula electrónica, el termómetro y las alarmas.

Una posibilidad que se ofrece en el software, es la gestión de pruebas, calibración y entonación. Con ello, el operador podrá hacer pruebas de ca-


da elemento del robot antes de la inmersión, al igual que podrá calibrar los instrumentos o entonar los algoritmos de control del sistema y fijar el tiempo de recopilación de la data leída.

Fig. 8. Interfaz de usuario del REMO I.

Al software se le agregó también el desarrollo de una interfaz de reali-dad virtual, la cual ofrece una “visión externa” del comportamiento del REMO I en el agua. Una aplicación de esta interfaz, es la de ofrecer la po-sibilidad de reproducir, mediante los datos recopilados, todos los movi-mientos del robot, tal como si se tratara de una repetición de la prueba. Otra aplicación consiste en introducir los modelos matemáticos del com-portamiento del REMO I, para simular el control mediante el joystick.

Los algoritmos para desarrollar este programa de realidad virtual, están basados en la resolución de la cinemática directa de la plataforma de S-G y la aplicación de un software en Matlab para mostrar el dibujo del REMO I, de acuerdo a sus piezas principales y a su proyección gráfica, tal como se muestra en la pantalla derecha de la figura 9.


Fig. 9. Vista del software para la interfaz de usuario y realidad virtual.

4.2 Control de la posición y orientación del timón .

En el modo de control a lazo abierto, la postura del efector se obtiene por medio de las coordenadas que proporciona el joystick y a partir de allí se hace el cálculo de la cinemática inversa para obtener las longitudes de cada actuador. Los ángulos de orientación del timón, referidos al sistema de coordenadas de la plataforma de S-G, se obtienen al encontrar una equiva-lencia entre los movimientos del joystick y los ángulos de Euler.

La otra fase del control de la plataforma de S-G, consiste en la genera-ción de trayectorias de manera de garantizar que los actuadores se muevan armónicamente para orientar y desplazar el efector con respecto a la cabi-na. En vista de que la posición y orientación del efector se deberá obtener por medio del joystick, dos puntos consecutivos que éste entregue al soft-ware podrían estar muy separados, especialmente cuando se pulsan los bo-tones de posicionamiento en el cual, el punto de partida del efector parte de un lugar muy distante al de llegada. Por lo tanto, se debe generar pun-tos intermedios, en los cuales los actuadores deban pasar de manera coor-dinada y que, a su vez, no coincidan con alguna singularidad (Tsai, 1999).


Para planificar y generar los puntos intermedios, se utilizó un algoritmo 4-3-4, tal como se plantea en Almonacid (2002).

En el modo de control automático, el joystick se utiliza para fijar el rumbo a seguir, el cual es almacenado al soltar el botón 1. Este rumbo se indicará en la pantalla, y el control de cada eje se hace de acuerdo al algo-ritmo de control programado, considerando un movimiento óptimo del efector, tanto de orientación, como de desplazamiento.

4.3 Control de velocidad del impulsor

El control de velocidad del impulsor se hace desde el control Z del joys-tick, que es una palanquita pequeña que puede moverse hacia adelante o hacia atrás, y está situada a la izquierda de la palanca principal. Para el gi-ro de la hélice, se definió la velocidad nula en la posición central. El mo-vimientote la palanquita hacia delante producirá una velocidad positiva, y el movimiento hacia atrás, generará una negativa.

El valor producido por el joystick es enviado a la tarjeta de control, la cual genera un valor que será la referencia para el módulo de control del impulsor y que, mediante un algoritmo de espacio de estado, se regula la velocidad y el par del impulsor.

4.4 El control de presurización y lastrado

El control de lastre se utiliza para compensar la relación peso volumen del REMO I, de manera que éste se mantenga con una flotabilidad neutra en el agua (Wolf, 2003), y la navegación se realice por medio del impulsor y la plataforma paralela. El sistema de lastrado está compuesto por: dos bom-bonas de aire comprimido, un circuito neumático y cuatro cavidades con sus bolsas elásticas de aire, dos en las aletas delanteras y dos en las aletas traseras. Las bombonas se colocan en la parte exterior del REMO I, cada una tiene una capacidad para almacenar 2 litros de aire a una presión de 200 bares, y se conecta a una válvula con un regulador de presión que, una vez abierta, mantiene una salida estabilizada de unos 8 bares, la cual es la presión de suministro al circuito neumático. En la entrada del circuito neumático se encuentra un interruptor de presión, el cual envía una señal de alarma cuando la presión baja de 5 bares.

El circuito neumático se controla por software. La presión de la cabina se regula a un valor comprendido entre 0,15 y 0,3 bares mediante un algo-ritmo de control on-off. En el caso del control de flotación a lazo abierto, éste se controla mediante unos botones situados en la palanca del joystick.


Para la regulación automática de la profundidad, la consigna se establece en la interfaz de usuario.

El circuito neumático presenta algunas protecciones para el caso de fa-llas. En primer lugar, si deja de llegar el suministro eléctrico, aumentará la presión interna de la cabina, y además se llenarán las bolsas de aire. De esta forma se mantendrá la cabina y las cavidades de las aletas presuriza-das, para que el REMO I salga a flote. Por otro lado, para que no haya una presión excesiva en la cabina y las bolsas de aire, se cuenta con válvulas de alivio.

5 Obtención de los Modelos Matemáticos y Resultados

En el control de cada actuador se utilizó un algoritmo PD (proporcional – derivativo). Para el cálculo de las constantes se utilizó el método de com-pensación de polos y ceros, y la fijación de un margen de fase según Álva-rez (1997). Luego se utilizó el algoritmo de generación de trayectorias y cálculo de la cinemática inversa según Almonacid (2002). El control de los actuadores se logró correctamente al obtener los movimientos del efec-tor de manera coordinada y precisa.

Para obtener la función de transferencia del sistema de lastrado, se apli-có a lazo abierto, un pulso de llenado de aire de 2 segundos de duración cuando el REMO I estaba a una profundidad de 6,5 m. Este ancho de pul-so corresponde al valor del área Vi de una señal impulso aproximada en términos de Laplace.

La gráfica de la figura 10, corresponde al resultado de la función de transferencia del sistema de lastrado en el tiempo, ya que la entrada de ex-citación es aproximada a la función impulso. En la gráfica se puede ob-servar: el tiempo muerto td, el tiempo de respuesta τ, y la pendiente con va-lor KmxVi a la que tiende la respuesta para un tiempo estacionario.

Al aplicar la transformada de Laplace de la función de la gráfica y divi-dir por el ancho del pulso de entrada, se obtiene:

3,5

2 2

0,14( )

( 1) (12,5 1)

dst smK e e

G ss s s sτ

− −

= ≈+ +

(1)

De acuerdo a la teoría clásica de control, no sería posible regular un sis-

tema que de por sí introduce un desfase de 180º, debido al término 1/s2 de la ecuación. Para solucionar esto, se aplica a la salida del controlador un modulador de ancho de pulso, con un tiempo de refrescamiento relativa-mente lento, de 5 segundos. Esto equivaldría a colocar un diferenciador, el


cual compensaría uno de los factores integrales de la función de transfe-rencia, y con ello el sistema debería ser controlable, tal como se obtuvo en las simulaciones. De acuerdo a los criterios utilizados en Álvarez (1997), se puede obtener las constantes proporcionales y derivativas:

0,433 0,433

0,883,5 0,14m d

P PK t x

= = → = (2)

16 3,5 12,5D dT t seg seg segτ= − = − = (3)

Fig. 10. Respuesta del sistema de lastrado al suministrar un pulso de aire de 2 se-gundos de duración (negro) y respuesta de la simulación (rojo).

El modelo desarrollado con su controlador para una variable es el que se

muestra en la figura 11.

Fig.11. Modelo desarrollado con su controlador para la variable profundidad. Debido a que el control de lastrado se hace para los pares de tanques de-

lantero y trasero, en el algoritmo se incluyó la influencia del cabeceo del robot. Al hacer las pruebas del comportamiento a lazo cerrado, se fijó co-mo entrada de profundidad un valor 0,3m y para el cabeceo un ángulo de 0º. La respuesta que se obtuvo fue bastante estable y precisa. Los errores máximos fueron 0,08m y 1,5º respectivamente. Ver figura 12.


Fig. 12. Respuesta a lazo cerrado de la profundidad (línea continua) y el cabeceo (línea a trazos). Para entradas fijadas en 0,3m de profundidad y 0º de cabeceo.

En cuanto a los movimientos de la dirección a recorrer por el REMO I,

se encontró que éstos respondían de acuerdo a las órdenes del joystick de manera independiente o desacoplada, y que la velocidad del impulsor tam-bién influye en la respuesta. Una muestra de esto se puede observar en la figura 13, en la que se hace un control de viraje, y el balanceo y cabeceo permanecen fijos cerca del valor 0.

Fig.13. Respuesta del control de viraje a lazo abierto, al aplicar un pulso de 54º en t = 1670, y al cambiar la velocidad del impulsor en t = 1680.

Las respuestas obtenidas en el gráfico de la figura 13 se utilizaron para

el desarrollo del modelo de navegación del REMO I y el control a lazo ce-rrado. Se puede notar que, tanto la velocidad del impulsor, como la posi-


ción del joystick, influyen en la respuesta. Es por ello, que se propone el modelo de la figura 14, con su controlador.

Fig. 14. Modelo obtenido para la respuesta al viraje y controlador propuesto El controlador a utilizar es del tipo proporcional, pero con doble entra-

da, tal como se muestra en la figura 14. El cálculo de la constante propor-cional se muestra en la ecuación 4, y las respuestas en la simulación se po-drán observar en la figura 15 para varias velocidades del impulsor. Como se puede observar en la figura, la estabilidad no depende de la velocidad del impulsor, pero si influye en el tiempo en el que alcanza el valor desea-do.

0,433 0,433

39360,00011 1m d

P PK t x

= = → = (4)

Fig. 15. Respuesta al modelo para un pulso de 20º y con varias velocidades del

impulsor.


6 Conclusiones

Después de realizar el desarrollo de este vehículo submarino robótico de estructura paralela, se puede afirmar que el funcionamiento de éste cum-plió sus expectativas satisfactoriamente. La utilización de una plataforma de Stewart – Gough para hacer los movimientos del impulsor, muestra una forma novedosa de navegación que permite una gran flexibilidad de mo-vimientos dentro del agua.

El sistema de control por medio del joystick, la interfaz de usuario y las interfaces de realidad virtual presentan una forma sencilla, amigable y efi-ciente para el manejo del vehículo robótico.

El uso de un sistema de control de presurización en la cabina, ha resul-tado ser una opción económica para mantener el vehículo dentro del agua y evitar una posible inundación.

Se pudo comprobar el buen funcionamiento del control de lastrado, a pesar de la dificultad encontrada en la función de transferencia. Por otro lado, como era de esperarse, la respuesta de este sistema ha sido bastante lenta. Sin embargo, esto no presenta un gran problema, ya que este control se utiliza únicamente para compensar inicialmente la flotabilidad, y des-pués el control de navegación se hace únicamente mediante la plataforma de Stewart - Gough.

En el control manual del REMO I, se pudo comprobar la versatilidad y flexibilidad que ofrece para la navegación, ya que puede orientar y despla-zar el timón. Esto representa una gran ventaja al ser utilizado en labores de inspección y teleoperación en lugares de difícil acceso.

Fig. 16. El REMO I haciendo una emersión, mediante una maniobra de cabeceo.


Referencias

Almonacid, M. 2002. Modelado, Simulación y Control del Movimiento de Robots Trepadores Paralelos. Tesis Doctoral, Universidad Miguel Hernández, Escuela Po-litécnica Superior de Elche. Álvarez, C. 1997. Método Analítico para la Entonación Rápida de un Controlador PID para Plantas de primero y segundo orden con tiempo muerto. Revista Técnica de la Facultad de Ingeniería. Venezuela. Aracil, R., Saltarén, R., Sabater, J., Reinoso, O. 2006. Robots Paralelos: Máquinas con un Pasado para la Robótica del Futuro. Revista Iberoamericana de Automática e Informática Industrial. Vol 3, Núm. 1. pp. 16-28. Bohm, H. and V. Jensen. 2001. Introduction to Underwater Technology & Vehi-cle Design. Marine Advanced Technology Education Center. Cavallo, E. and Michelini, R.C. 2004. A Robotic Equipment for the Guidance of a Vectored Thruster AUV. 35th International Symposium on Robotics ISR 2004. pp. 1 – 6. Chantler, M.J., D.B. Lindsay, C.S. Reid and V.J. Wright 1994. Optical and acous-tic range sensing for underwater robotics. ‘Proceedings Oceans Engineering for Today's Technology and Tomorrow's Preservation.' Vol. 1. Dario, P., R. Dillman and H. Christensen, 2004. EURON Research Roadmaps. European Robotic Research Network. pp. 85. Grady, J. 2005. Underwater Gliders: Dynamics, Control and Design. Department of Mechanical and Aerospace Engineering. Princeton University. Le Page, Y.G. and K.W.Holappa 2000. Simulation and Control of an Autonomous Underwater Vehicle Equipped with a Vectored Thruster. OCEANS 2000 MTS/IEEE Conference and Exhibition. pp. 2129 – 2134. Morel, Y. and A. Leonessa. 2003. Adaptive Nonlinear Tracking Control of an Underactuated Nonminimum Phase Model of a Marine Vehicle Using Ultimate Boundedness. Proceedings of the 42nd IEEE Conference on Decision and Control. pp. 3097 -3102. Saltarén, R., R. Aracil and V. García. 2004. Underwater robot of variable geome-try based on the Stewart-Gough parallel platform: Conception and hydrodynamic modeling. Automation for the Maritime Industries. Madrid.


Tsai, L.W. 1999. Robot Analysis: The Mechanics of Serial and Parallel Manipula-tors. John Wiley & Sons, Inc. Valvanis, K., D. Gracanin, M. Matijasevic, R. Kolluru, and G. Demetriou 1997. Control Architectures for Autonomous Underwater Vehicles. IEEE Control Sys-tems Magazine. Vol 17. pp. 48 – 64. Wolf, M. 2003. The Design of a Pneumatic System for a Small Scale Remotely Opertated Vehicle. Department of Mechanical Engineering of Massachusetts Insti-tute of Technology.

CAPÍTULO 14

RobMAT: Sistema Modular para Entornos Semi-estructurados

R. ARACIL, J. BACA, M. FERRE, J. A. ESCALERA

DISAM, E.T.S.I.I., U. P. M. - Grupo de Robots y Máquinas Inteligentes aracil, jbaca, mferre, [email protected]

RobMAT es un sistema modular que puede interactuar en entornos semi-estructurados, al tener la posibilidad de autoconfigurarse para desplazarse dependiendo de las circunstancias y poder realizar tareas de manipulación individualmente o en equipo.

1 Introducción

Este trabajo describe el proyecto RobMAT (Robot Modular Autoconfigu-rable Teleoperado), el cual se basa en la utilización de robots modulares y autoconfigurables para la realización de tareas fuera del laboratorio. La principal contribución del proyecto RobMAT es la posibilidad de realizar distintos tipos de tareas de acuerdo a su configuración adoptada.

La primera ventaja que tiene un sistema modular auto-configurable es la capacidad de desplazamiento múltiple, el robot puede adoptar diferentes tipos de locomoción, de tal modo que se acerque al entorno de trabajo sin importar la superficie, y una vez alcanzado pueda reconfigurarse en otra forma para realizar la tarea correspondiente.

La segunda ventaja es la capacidad de manipulación, ya que cada modu-lo cuenta con tres grados de libertad generando un espacio de trabajo co-rrespondiente a la superficie de una esfera el cual puede ser telemanipula-do.

En la segunda sección se describe de forma general los robots modula-res y algunos ejemplos de proyectos desarrollados en la actualidad. En la sección tres, se detalla como se conforma el sistema modular RobMAT. La cuarta sección habla de la ejecución de tareas del RobMAT, empezando con la demostración de una forma de avance de la molécula base, la posi-


bilidad de utilizar diferentes patrones de avance al formar una molécula compleja compuesta de 2 o 3 molécula base (4 o 6 módulos). La realiza-ción de una tarea en un entorno semi-estructurado fuera del laboratorio demostrando capacidades del RobMAT, y por ultimo las posibilidades que tiene el RobMAT para interactuar en diferentes entornos con simples cam-bios de herramientas. Finalmente en la quinta sección exponemos las con-clusiones del proyecto y su capacidad para interactuar en el exterior.

2 Sistemas Modulares

Los robots modulares están compuestos por varios bloques, los cuales tie-nen un mecanismo de conexión común como interfase para transferir co-municación, fuerzas mecánicas, señales eléctricas, etc. El robot modular esta conformado por una estructura base y algunas herramientas especiali-zadas como pinzas, ruedas, cámaras, electroimanes, etc.

Tabla 1. Los sistemas de robot modulares autoconfigurables pueden clasificarse en grupos de acuerdo a la arquitectura en el arreglo geométrico de sus bloques mencionados en (Yim,

2007).

• Arquitectura entramada. • Reconfiguración deter-minística.

• Arquitectura cadena/árbol. • Reconfiguración estocástica.

• Arquitectura móvil. A finales de 1980 el concepto básico de la conexión mecánica en común

aplicada a todo el robot, fue introducido por Toshio Fukuda con el CEBOT (Fukuda, 1998). En los inicios de 1990 hubo desarrollos de Greg Chirik-jian y Satoshi Murata en robots modulares con arquitecturas entramadas, y Mark Yim desarrollo sistemas basado en arquitectura tipo cadena. Daniela Rus y Wei-Min Shen desarrollaron un sistema modular impactando en as-pectos de la programación. Recientemente una interesante plataforma ha sido desarrollada por Satoshi Murata con el nombre de M-TRAN (Murata, 2002), una sistema hibrido entre arquitectura tipo cadena y entramada, usando lo mejor de los dos tipos de arquitecturas.

RobMAT: Sistema Modular para Entornos Semi-estructurados 231

2.1 Ejemplo de sistemas modulares autoconfigurables .

PolyBot G3, creado por el Centro de Investigación de Palo Alto (PARC) en el 2002 por Mark Yim (Yim, 2002) Es un sistema autoconfigurable tipo cadena. Cada modulo tiene una forma de cubo redondeado de aproxima-damente 50mm por lado y tiene un grado de libertad (rotacional).

Molecubes (2005) es un sistema desarrollado por Zykov en la Universi-dad de Cornell (Zykov, 2007). Construido para demostrar físicamente ci-nemática de auto reproducción. Cada modulo pesa 0.65 Kg., una longitud de 100mm y un grado rotacional de libertad. El eje de rotación esta alinea-do con la diagonal más larga del cubo.

SuperBot esta desarrollado por Shen en la Universidad del Sur de Cali-fornia en el 2006, con la intención de desplegarse como robot autoconfigu-rable para aplicaciones en el mundo real fuera del laboratorio. Sus módu-los tienen una arquitectura hibrida tipo cadena y entramada (Salemi, 2006).

El sistema Miche en el 2006 ha sido desarrollado por Rus en el MIT. Es un sistema de tipo cadena capaz de auto-ensamblaje y desensamblaje y ha demostrados ser robusto al haber estado operando sobre cientos de expe-rimentos.

Las Partes Programables (2005) desarrollado por Klavins (Klavins, 2006) en la Universidad de Washington para explorar sectores de comuni-cación cuando las partes se unen. El objetivo es entender como programar auto-ensamblaje estocástico a todas las escalas.

Atendiendo al número de tipos de módulo que posee el robot modular se presentan dos categorías:

• Robots homogéneos: Existe un único tipo de módulo en el sistema. • Robot heterogéneos: Hay varias clases de módulos. Esto permite denominar a los robots modulares como n-modular, donde

n es el número de módulos distintos.

3 Arquitectura del RobMAT

El modelo diseñado para el RobMAT pretende obtener un equilibrio entre complejidad de diseño y funcionalidad, evitando la utilización de comple-jos elementos de transmisión. La idea es un diseño mecánico lo mas simple posible, con la capacidad de desplazarse de acuerdo a las referencias que


se perciben del exterior y la capacidad de manipulación para innumerables situaciones. El sistema modular RobMAT se sitúa en la categoría de arquitectura tipo cadena y puede definirse como heterogéneo, ya que los módulos disponen de diferentes tipos de sensores y actuadores. El RobMAT esta compuesto por módulos y moléculas. Los módulos son los componentes más simples, los cuales tienen capacidad propia de movimiento y comunicación. El mo-dulo consta de 3 grados de libertad de rotación (los ejes se cortan en un punto), y de un controlador propio. La configuración de los ejes crea un área de trabajo sobre una superficie esférica.

Fig. 1. Modulo con 3 grados de libertad.

Una molécula esta definida por dos o más módulos, generando una ca-

pacidad propia de desplazamiento, como también de manipulación. La mo-lécula más simple se denomina molécula base, está compuesta por la unión de 2 módulos. Esta molécula tiene posibilidad de manipulación gra-cias a sus 5 gdl y capacidades limitadas de desplazamiento. Su espacio de trabajo corresponde al volumen de una esfera, existiendo una pequeña re-gión en la que no puede trabajar ya que los módulos colisionan entre sí. La configuración de la molécula puede cambiar durante el transcurso de la ta-rea.

Por ultimo definimos como colonia al conjunto de todas las moléculas que intervienen durante la realización de tareas.

Cuando dos o más moléculas base se unen, dan lugar a una nueva es-tructura que se denomina molécula compleja. El número de grados de li-bertad de esta nueva molécula compleja son muy elevados (igual o mayor


a 10 grados de libertad) y esto le da grandes posibilidades, tanto para la manipulación de objetos como de movilidad, ya que pueden desplazarse por cualquier superficie con la condición de controlar adecuadamente el centro de gravedad de la molécula. Durante la ejecución de tareas, la fun-cionalidad alcanzada dependerá del número de módulos conectados.

Las comunicaciones de la molécula son gestionadas por el módulo maestro el cual se comunica vía CAN con el resto de los módulos y vía BlueTooth con el computador de control, con una arquitectura de control para el sistema RobMAT (Sanchez-Urán, 2007).

Fig. 2. Molécula base

La interfaz de teleoperación permite al operador actuar sobre toda la co-

lonia y le realimenta información del estado de la tarea. El operador actúa a diferentes niveles sobre la colonia de robots. Los comandos generados por el operador dependen de la información que se disponga del entorno de trabajo y de la tarea a realizar. Todos los equipos que componen la interfaz de teleoperación se encuentran integrados en la estación de control; por tanto, la información intercambiada por el operador y los módulos se hace vía BlueTooth, excepto el vídeo que se transmite vía RF.

El operador puede actuar sobre la colonia en diferentes niveles, que van desde la actuación directa sobre una articulación hasta una orden de recon-figuración de la colonia.

4 Ejecución de Tareas con el RobMAT

A diferencia de los robots especializados, los sistemas modulares son ver-sátiles, multiusos, adaptables a la situación que se les asigne. El sistema RobMAT es un conjunto de robots que colaboran como equipo para des-arrollar una tarea, pero tiene la capacidad de unirse entre ellos mismos,


formando diferentes estructuras para desplazarse en entornos semi-estructurados e incrementar la manipulación para la ejecución de tareas más complejas.

4.1 Manipulación y Desplazamiento de la molécula ba se

Actualmente la molécula base cuenta con electroimanes como sujetador en sus extremidades finales. Esto le permite la manipulación de elementos metálicos (paneles, bloques, etc.) y un desplazamiento limitado. Tiene la capacidad de sujetarse con una extremidad en la superficie metálica y po-der manipular al robot teniendo 5 grados de libertad. En la Fig. 3 se mues-tra una secuencia de desplazamiento.

Fig. 5. Molécula base en secuencia de

desplazamiento sobre superficie metálica.

El guiado de este movimiento se realiza con el joystick a nivel de módu-lo. La estación de control captura los comandos que el usuario realiza so-bre el joystick, y los envía al módulo maestro a través del enlace Blue-tooth. El usuario controla independiente los 3 grados de libertad de cada módulo y mediante los pulsadores del joystick selecciona el módulo a guiar dentro de cada molécula. También hace uso de los selectores del joystick para la activación y desactivación de los electroimanes. La reali-mentación de información que se realiza al operador son imágenes de ví-deo y reflexión de fuerza proporcional a la corriente de los motores. Este


tipo de reflexión informa sobre el par que se está ejerciendo. En caso de alcanzar el límite articular se le realimenta un gran par para evitar que fuerce dicha articulación.

4.2 Reconfiguración de moléculas

La condición de desplazarse únicamente en una superficie férrea es elimi-nada, cuando una segunda molécula base se conecta a la primera, creando una molécula compleja. Esta opción es la reconfiguración. Como se mues-tra en la Fig. 4, dos moléculas base pueden aproximarse hasta que se pro-duzca el contacto entre sus conectores de tal forma que puedan acoplarse. Actualmente se están usando electroimanes para el acoplamiento entre mo-léculas base, los cuales están siempre activos durante la modalidad de mo-lécula compleja.

Esto genera una gran capacidad de desplazamiento en casi cualquier su-perficie sin la necesidad de los electroimanes. En esta modalidad, los gra-dos de libertad son mayores, creando una capacidad de manipulación apta para realizar diferente tareas. Si la tarea requiere de más apoyo es posible incorporarle una tercera molécula base, creando una molécula compleja compuesta de 6 módulos, como muestra en la Fig. 4.

Fig. 4. La opción de acoplamiento entre moléculas, permite desplazarse por ca-

si cualquier superficie y ofrece apoyo al realizar una tarea al tener mayor capaci-dad de manipulación.


4.3 Patrones de movimiento

La figura anterior muestra una molécula compuesta por cuatro módulos permitiendo el desplazamiento por casi cualquier superficie sin la necesi-dad de los electroimanes. Sin embargo, el control de la molécula se com-plica. Una vez que se obtiene la molécula de cuatro módulos el control es diferente. Para el movimiento de una molécula compleja de 4 módulos, se utilizan patrones de movimiento para cada uno de los módulos, dichos pa-trones contienen tablas con la referencia angular de cada eje que describen secuencias de movimiento compuesto como: avanzar, retroceder o girar. Con el joystick se gobierna la dirección y velocidad del movimiento de la molécula.

Fig. 5 Molécula compuesta de 4

módulos simulando una forma de avance.

Para la obtención de los patrones de movimiento se cuenta con un simu-lador donde el usuario prueba diferentes estrategias de movimiento hasta que alcanza el movimiento deseado. Entonces se guarda el patrón que se utilizará cuando se tenga una configuración para cierta aplicación. Como se observa en la Fig. 5, se simula el movimiento de acuerdo a la configura-ción de la molécula, tratando siempre de lograr estabilidad durante la eje-cución de una tarea. Un punto crítico para el correcto funcionamiento es la sincronización de los módulos.

Se puede usar una misma configuración de molécula y realizar diferen-tes formas de avance. Esto permite el desplazamiento del robot por dife-


rentes entornos irregulares. En la Fig. 5 muestra un patrón de desplaza-miento uniforme, en el paso 3 se apoya en todas sus extremidades para ge-nerar el desplazamiento con fuerza. Posibles aplicaciones, para desplazarse en edificios en construcción, barcos, aviones, terrenos semi-uniformes. En la Fig. 6 se muestra un patrón diferente el cual permite a la molécula des-plazarse por terrenos irregulares. En ambos casos se busca siempre la esta-bilidad.

Fig. 6. Los variados patrones de movimiento se pueden simular y aplicar al ro-

bot para la ejecución de tareas.

4.4 Estabilidad en movimientos de avance

Existen dos puntos a tratar cuando se piensa en un movimiento de la molé-cula compleja. Se debe determinar el modo de andar y conseguir que en cada instante la molécula permanezca estable durante su avance. Durante las pruebas realizadas se tomaron algunas consideraciones para realizar los movimientos de cada una de las patas (modulo). Una de estas considera-ciones es la movilidad del modulo dentro de un área de trabajo correspon-diente, esto para mantener la estabilidad estática del robot evitando que és-te caiga como consecuencia de una inestabilidad al caminar. Estudiando el modo de caminar de la molécula desde el punto de vista estático se requie-re que en todo momento de avance de las patas soporten el cuerpo.

La proyección del centro de gravedad del cuerpo dentro del polígono de apoyo que forman las patas apoyadas juega un papel muy importante de-ntro de la estabilidad de la molécula. El número de patas mínimas conside-radas que aseguran una buena estabilidad son tres, que al ser apoyadas en la superficie generan un triángulo donde el robot esta soportado, si se apo-yan cuatro se tiene un polígono de cuatro lados, y cinco lados se tiene en el

1 2 3

4 5 6


caso que solamente una de las patas esté en movimiento o fuera del contac-to de la superficie.

Independientemente del número de patas que estén realizando contacto con la superficie, la proyección del centro de gravedad debe estar dentro del área del polígono que se forma con las patas que están soportando el cuerpo del robot. Ésta es la condición indispensable que evita que el robot caiga.

4.5 Sincronización de movimientos

El principal problema a resolver por las moléculas es la sincronización de movimientos entre módulos. Esta sincronización es necesaria para que to-das las articulaciones realicen sus movimientos de forma coordinada, ya que en caso contrario el movimiento realizado por la molécula tendría mu-cha incertidumbre e incluso podrían dañarse los objetos que se manipulan. Así pues, se precisa un mecanismo que garantice que todas las articulacio-nes comienzan y finalizan sus movimientos de forma coordinada. Existen diferentes posibilidades para generar el reloj dentro de la molécula nor-malmente basada en el paso de mensajes (Chow y Johnson, 1997; y Xu, 1990).

La solución adoptada en el caso del RobMAT utiliza mensajes pero no para generar la señal de reloj sino para marcar puntos de control del mis-mo. Es decir, todos los módulos tienen un reloj interno que es reajustado cuando se recibe el mensaje de sincronismo del módulo maestro.

Este es un mensaje corto y de alta prioridad dentro del bus CAN. La so-lución adoptada ha dado muy buenos resultados, ya que la desviación que se produce entre los relojes internos de los módulos es del orden del mili-segundo lo cual da muy buenos resultados para el seguimiento de trayecto-rias y la coordinación de movimientos dentro de una misma molécula. En la Fig. 7 se muestran los resultados de la sincronización de los relojes in-ternos de los módulos.


Fig. 7. Señales para la sincronización de los relojes internos de los módulos. El pulso de sincronismo es generado por el módulo maestro y los demás ajustan

sus contadores.

4.6 Desplazamiento y manipulación del RobMAT en exteriores.

La combinación de acciones simples como las que se han descrito ante-riormente permiten la realización de tareas más complejas. Además, la ar-quitectura implementada permite que varias moléculas puedan cooperar en la realización de tareas. El experimento que se presenta a continuación in-volucra tres moléculas base. Inicialmente (Fig. 8, 1), las tres forman parte de una misma molécula configurándose como un hexápodo (6 módulos). Bajo esta forma se desplazan para aproximarse al entorno de trabajo (Fig. 8, 2). La molécula es guiada con la referencia de la imagen que envía las mini-cámaras que tiene la molécula base a la cabeza del hexápodo. Una vez allí, esta molécula base se separa y el usuario la dirige hacía un lugar desde donde pueda captar el entorno remoto convenientemente. La molé-cula restante queda pues configurada con cuatro módulos (Fig. 8, 3).

Al igual que antes el usuario la dirige al lugar de trabajo donde se sepa-ra las dos moléculas base (Fig. 8, 4) y comienza el desarrollo de la tarea de manipulación (Fig. 8, 5). Ambas moléculas base se encuentran sobre una superficie metálica donde colaboran en una tarea sencilla basada en pasar-se una chapa metálica (Fig. 8, 6). Hay que resaltar que la tarea esta tele-operada haciendo uso de la estación de control y el interfaz con el maestro para manejar la molécula. Para el desarrollo es imprescindible que los co-


mandos de joystick se refieran al movimiento de la molécula, ya que en caso contrario se precisaría un joystick por módulo, lo cual complicaría la ejecución de las tareas y el puesto de control (Fig. 8, 7-8). Una vez que se concluye una etapa de la tarea y requiere desplazarse sobre otra superficie, el RobMAT se vuelve a unir para formar una molécula compleja y cambiar de lugar (Fig. 8, 9) y continuar con su tarea.

Fig. 8. RobMAT ejecutando tareas individuales y colectivas en el exterior.

Los resultados de los experimentos realizados ponen de manifiesto el in-

terés que tiene que la actuación del operador sea relativa a la molécula y no al módulo. A su vez, conviene destacar que el control a nivel de molé-cula implica que exista una correcta coordinación entre los módulos. La sencilla tarea demuestra la capacidad de desarrollar tareas individuales con buen rango de manipulación y al mismo tiempo la colaboración en equipo para lograr el objetivo. También demuestra la habilidad que tiene de des-plazamiento al poder unirse con otras moléculas base y moverse sobre di-ferentes superficies.

4.7 RobMAT en diferentes entornos

El RobMAT requiere de herramientas para elaboración de múltiples tareas y brindar versatilidad en los diferentes entornos semi-estructurados. Hay

1 3 2

4 5 6

7 8 9


que mencionar que para cada entorno de trabajo se han construidos dife-rentes robots especializados y de diferentes tamaños y es aquí donde un robot modular puede brindar grandes ventajas.

El sistema RobMAT puede aplicarse en la realización de tareas de dife-rentes entornos de trabajo, por ejemplo, en el sector de Inspección; La ma-yoría de robots que desarrollan en este sector, requieren de un sistema de visión como una cámara, otros tienen sensores de ultrasonido, etc. En la actualidad, una de las moléculas base cuenta con dos cámaras de video, las cuales envían por medio de RF las imágenes y puede clasificarse como ro-bot de inspección al poder desplazarse y mandar imágenes a un ordenador. En el sector de Construcción; Cada molécula base tiene la capacidad de manipulación y colocación de paneles. Podrían desplazarse por medio de las vigas para soldar e inclusive realizar inspecciones ultrasónicas. Los ro-bots modulares están hechos para trabajar en equipo, por lo que es posible levantar objetos pesados al usar varios robots modulares, e individualmen-te pueden estar realizando actividades cuando no se requiere un conjunto de moléculas.

La Agricultura es un sector en el cual el tamaño de un robot importa, por que se requiere que el equipo no dañe la materia prima, por lo que pe-queños robots tienen gran oportunidad de desplazarse en lugares estrechos y al final unirse para formar una estructura capaz de colectar, mientras otros pueden estar agregando fertilizante en ciertas zonas de algún cultivo, inspeccionando sistemas de riego, etc. El RobMAT tiene la capacidad de poder moverse entre estos lugares y con las apropiadas herramientas que lleva consigo poder ejecutar su tarea.

El RobMAT como opción para enviarlo al Espacio. El poder mandar una colonia de robots modulares capaces de realizar diferentes tareas, tanto en el exterior de la nave espacial para dar mantenimiento, construir una es-tructura, etc., evita que se ponga en peligro al astronauta ya que pueden ser teleoperador por la tripulación de la nave, así como en la exploración de un planeta donde el entorno es desconocido. El factor Multitareas-peso es una característica que lo hace ser ideal para el espacio. En caso de falla de una molécula en una estructura, es fácil su reemplazo por el tamaño de la colo-nia.

En el sector de Defensa, RobMAT puede cambiar su sistema de loco-moción de acuerdo a la complejidad de la molécula y poder avanzar en te-rrenos no estructurados y la posible herramienta con ruedas incrementaría su velocidad para detectar minas, bombas, y reconfigurarse para poder desactivar el dispositivo.

Como último ejemplo tenemos el sector de Rescate, queda de más men-cionar que la molécula compleja puede estar equipada con cámaras, para la búsqueda de personas entre escombros y lugares muy estrechos. Se recon-


figura dependiendo de la situación para que siga siempre adelante. Depen-diendo del numero de módulos seria posible hasta de ayudar a una persona a levantar algún objeto que lo encuentra sujetando.

5 Conclusiones

Es posible usar el RobMAT para la ejecución de tareas con cierto nivel de complejidad en diferentes entornos donde robots especializados no podrían operar. RobMAT ofrece capacidad de desplazamiento múltiple en entornos semi-estructurados al variar su estructura y con ello su locomoción. Capa-cidad de manipulación, al tener cada modulo tres grados de libertad y la posibilidad de incrementarlos al unirse con otro modulo. Posibilidad de ser teleoperado para desplazarse, así como también para manipular. El poder realizar tareas sencillas en equipo con un conjunto de robots modulares y al ser requerido autoreconfigurarse para formar una estructura con mayores habilidades para ejecutar una tarea más compleja, es una de las ventajas que brinda el RobMAT.

Referencias

Fukuda T., Nakagawa S., Kawauchi Y., y Buss M., 1998, “Self organizing robots based on cell structures-CEBOT,” in Proc. IEEE/RSJ Int. Conf. In-telligent Robots and Systems (IROS), pp. 145-150.

Klavins E., Burden S. y Napp N., 2006, “Optimal rules for programmed stochastic self-assembly,” in Proc. Robotics: Science Systems´ 06.

Murata S., Yoshida E., Kamimura A., Kurokawa H., Tomita K. y Kokaji S., 2002, “M-TRAN: Self-reconfigurable modular robotic system,” IEEE/ASME Trans. Mech., vol. 7, no. 4, pp.431-441.

Sánchez-Urán M.A., Escalera J.A., Aracil R., Ferre M. y Saltarén R.J., 2007, Arquitectura de control para sistemas de robots modulares: sistema RobMAT, Workshop Arquitecturas de Control para Robots.


Salemi B., Moll M. y Shen W.M., 2006, “SUPERBOT: A deployable, multi-functional, and modular self-reconfigurable robotic system,” in Proc. 2006 IEEE/RSJ Int. Conf. Intelligent Robots Systems, pp. 3636-3641.

Yim M., Shen W.M., Salemi B., Rus D., Moll M., Lipson H., Klavins E. y Chirikjian G.S., 2007, “Modular Self-Reconfigurable Robot Systems,” IEEE Robotics & Automation Magazine, pp.43-52. Yim M., Zhang Y., y Duff D.G., 2002, “Modular Robots,” IEEE Spectr., vol. 39, no. 2, pp. 30-34. Zykov V., Mytilinaios E., Desnoyer M. y Lipson H., 2007, “Evolved and designed modular robotics systems capable of self-reproduction,” IEEE Trans. Robotics, en prensa.

Índice de Autores

A Agüero, C 33-46 Alonso, J. 23-32 Álvarez, C. 205-226

103-120, 205-226,

Aracil, R.

229-244 3-102,

139-156, Armada, M.

157-174 B Baca, J. 229-244 Banfield, I. 103-120 Barea, R. 1-22 Barrera, P. 33-46 Barrientos, A. 121-138 Bergasa, L. 1-22 Blanco, D. 47-66 Burgos-Artizzu, X. 175-186 C Campos, A. 103-120 Cañas, J. 33-46 Castejón, C. 47-66 D Del Cerro, J. 121-138 De Pedro, T. 23-32 E Ealo, J. 67-82 Escalera, J.A. 229-244

F Ferré, M. 103-120,

229-244

G García, E. 139-156

175-186, García-Alegre, M. 187-206

García-Pérez, L. 187-206 García, R. 23-32 González, C. 23-32

139-156, González de Santos, P. 157-174

Gómez, V. 33-46 Guevara, J. 67-82 Guinea, D. 187-206 Gutiérrez, P. 121-138 J Jiménez, A. 67-82 K Koutsou, K. 67-82 L López, E. 1-22 M Martín, D. 187-206 Martín, F. 33-46 Martínez, A. 121-138 Matellán, V. 33-46 Moreno, L. 47-66


N Nabulsi, S. 83-102 Naranjo, J. 23-32 Nuevo, J. 1-22 O Ocaña, M. 1-22 P Pajares, G. 175-186 Ponticelli, R. 83-102, 139-156 Prieto, C. 67-82 Q Quintero, J. 103-120 R Ramos, F 67-82 Ribeiro, A. 175-186, 187-206 Roa, J. 67-82 Rossi, C. 121-138 S Salinas, C. 157-174 Saltarén, R. 205-226 Sancho, M. 205-226 San Martín, R. 121-138 Sarria, J. 83-102 Schleicher, D. 1-22 Seco, F. 67-82 T Tellaeche, A. 175-186 Y Yime, E. 205-226

Instituto

de

Automática Industrial

Consejo Superior de Investigaciones Científicas

Robots de exteriorescar.upm-csic.es/fsr/Documents_PDF/Robocity_2030_Avila... · 2014. 2. 12. ·...

Documents

Transcript of Robots de exteriorescar.upm-csic.es/fsr/Documents_PDF/Robocity_2030_Avila... · 2014. 2. 12. ·...