Tesis sobre Robots Móviles Autónomos
Cargado por
Osmel ReguieferosTesis sobre Robots Móviles Autónomos
Cargado por
Osmel Reguieferos1
UNIVERSIDAD DE SONORA
División de Ciencias Exactas y Naturales
Programa de en Matemáticas
Título de tesis
T E S I S
Que para obtener el título de:
en Ciencias (Matemáticas)
Presenta:
Nombre del alumno
Directores de tesis: Dr.(Dra.) Nombre director 1
Dr.(Dra.) Nombre director 2
Hermosillo, Sonora, México, 20 de septiembre de 2024
ii
SINODALES
Dr.
Universidad de Sonora, Hermosillo, México
Dr.
Universidad de Sonora, Hermosillo, México
Dr.
Universidad de Sonora, Hermosillo, México
Dr.
Universidad de Sonora, Hermosillo, México
texto texto. . .
Agradecimientos
texto texto
iii
Todo list
iv
Índice general
Agradecimientos iii
Índice general iv
1. Introducción 1
Introducción 1
1.0.1. Robots móviles super ciales . . . . . . . . . . . . . . . . . . . . . . 1
1.0.2. Robots submarinos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.0.3. Robots aerios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.0.4. Visión por computadora . . . . . . . . . . . . . . . . . . . . . . . . 7
1.0.5. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
[Link]. Objetivos particulares . . . . . . . . . . . . . . . . . . . . 8
1.0.6. Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2. Sistema de visión 10
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3. WMR Amigobot 22
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Robot móvil rodante Amigobot . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Características y Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4. Comunicación y conectividad . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5. Operación y manejo de Amigobot . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.1. ROS/ARIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.6. Modelo Cinemático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4. Esquema de navegación 32
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2. Campos potenciales de velocidad . . . . . . . . . . . . . . . . . . . . . . . 32
4.3. Estrategia de navegación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.1. Campo de evasión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4. Estrategia de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.5. Esquema experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
v
Índice general vi
4.5.1. Descripción del funcionamiento del sistema . . . . . . . . . . . . . . 39
4.6. Implementación en software . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6.1. Bloque: TrackableLocation . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.2. subsistema: vel_ eld_WMR . . . . . . . . . . . . . . . . . . . . . . 41
5. Resultados de validación 44
5.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6. Conclusión 48
6.0.1. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Appendices 50
A. Programa de inicialisacion de bibliotecas motive 50
B. Bloque TrackableLocation 52
B.0.1. Funcion TrackableLocation . . . . . . . . . . . . . . . . . . . . . . . 53
B.0.1.1. Bloque Yaw correction . . . . . . . . . . . . . . . . . . . . 54
B.0.2. Bloque derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
C. Programa de generacion de campos potenciales 57
D. Programa de control 60
Bibliografía 62
Capítulo 1
Introducción
En la actualidad se an popularizado los vehículos autónomos, los cuales se emplean
emplean en muchos ámbitos, algunos ejemplos son en el transporte personal [1], en la
logística y traslado de mercancías [2], la minería [3], exploración espacial [4],entre otros.
Para que un vehículo sea considerado autónomo, debe ser capaz de desplazarse en di-
ferentes lugares con poca o nula intervención humana. Para lograr esto, debe tener la
capacidad de decidir la ruta a tomar hacia la posición o trayectoria deseada, al mismo
tiempo que evita colisionar con obstáculos [5]. Este tipo de vehículos constan de perifé-
ricos, tales como sensores de ultrasonido, cámaras de video, radares, lidares y unidades
de posicionamiento global (GPS), y computadoras tales como microcontroladores y uni-
dades de procesamiento de alto rendimiento. Estos dispositivos son capaces de captar
información del mundo real, procesarla y tomar decisiones sobre hacia dónde orientarse
y dirigirse, teniendo en cuenta factores como obstáculos, orientación y posición.
Podemos catalogar los robots móviles, según su lugar de operación, es decir en tres
tipos, siendo estos vehículos terrestres,submarinos y aéreos.
1.0.1. Robots móviles super ciales
Como su nombre lo indica este tipo de robots operan en super cies como carreteras,
caminos, terrenos irregulares, en interiores como almacenes o fábricas o en la super cie
fuera del planeta ,como en la luna o marte. Estos a su vez se pueden clasi car según su
forma de desplazarse.
Robots móviles rodantes.
1
Introducción 2
Figura 1.1: Robot mobile rodante.
Figura 1.2: Robot cuadrúpedo.
Este tipo de robots se mueven en la tierra mediante el uso de ruedas. Estos diseños se
pre eren debido a que son mucho mas simples que los diseños con patas, consumen
menos energía y desde el punto de vista del control se requiere menos esfuerzo de
control, debido a su mecánica simple y a la reducción de problemas de estabilidad.
Robots de patas
Este tipo de robots están diseñados para moverse utilizando patas, imitando el
movimiento de animales cuadrúpedos o el movimiento propio del ser humano. Su
diseño y funcionalidad pueden variar considerablemente dependiendo del propósito
especí co y el movimiento a imitar.
Robots tipo oruga Los robot de este tipo se inspiran en el movimiento de los insectos,
reptiles o vehículos militares, entre otros. La similitud con los insector viene dada
por una serie de placas o ruedas dentadas interconectadas por una banda exible,
las cuales permiten que el robot se mueva de manera e ciente sobre una variedad
de terrenos, incluyendo super cies rugosas, terrenos irregulares, arena, barro, nieve,
escombros u otras super cies fuera del planeta.
Introducción 3
Figura 1.3: Robot tipo oruga.
Figura 1.4: Submarino remotamente operado.
1.0.2. Robots submarinos
Los robots submarinos se basan en los submarinos y sumergibles popularizados desde
la primera guerra mundial, los cuales son navíos capaces de navegar bajo la super cie del
agua. Existen distintos tipos de robots submarinos segun su tipo de operación.
ROVs (Remote Operated Vehicles) Son vehiculos operados de forma remota que
son controlados por un operador humano fuera del agua. Estos son equipados por
cámaras,manipuladores, sensores y herramientas especializadas para llevar acabo
distintas tareas sub-acuaticas.
AUVs (Autonomous Underwater Vehicles) Son robots submarinos autónomos, los
cuales están diseñados para operar de forma independiente, sin necesidad de control
humano en tiempo real.
Gliders( Planeadores submarinos) Son robots submarinos los cuales se mueven de
manera autónoma mediante cambios en su otabilidad y alerones, se emplean en
misiones de larga duración, recopilando datos de las condiciones del agua. tempe-
ratura, salinidad y la turbidez en áreas extensas del océano.
Introducción 4
Figura 1.5: Submarino autonomo.
Figura 1.6: Planeador submarino o glider.
1.0.3. Robots aerios
Mejor conocidos como drones, son robots aeronaves las cuales vuelan sin tripulantes
abordo, estos pueden ser controlados de forma remota por un operador, o de manera
autónoma. Se emplean en una variedad de aplicaciones, que van desde el entretenimiento
y la fotografía aérea hasta nes militares, industriales, agrícolas, de búsqueda y rescate,
y de vigilancia, entre otros. Estos se pueden clasi car según su tipo de helices o rotores,
algunos de ellos son:
Drones de ala ja Este tipo de drones tienen alas rigidas en el lugar de hélices,
planean y pueden ser alimentados por medio de energia solar para lograr tiempos
de vuelo y distancias mucho mayores en comparación con drones multirotor [6].
Figura 1.7: Dron de ala ja.
Drones multirotores Los drones multirotor tienen más de una hélice. Los tipos más
comunes de este tipo de aeronaves tienen 4 rotores, conocidos como quadcopteros.
El máximo número de motores que suelen tener los drones es de 6 u 8; cuanto
Introducción 5
mayor sea el número de rotores que tenga un dron, mayor será la carga útil que
podrá levantar. Todos los drones con 6 u 8 rotores se diseñan para tener aditamentos
como cámaras y tanques con pesticidas.
Figura 1.8: Dron multirotor.
Drones hibridos de despegue y aterrizaje vertical(VTOL)
Los tipos de drones híbridos VTOL combinan los bene cios de los diseños de ala
ja y basados en rotor. Este tipo de dron tiene rotores unidos a las alas jas, lo que
le permite mantenerse en el aire, despegar y aterrizar verticalmente. Esta nueva
categoría de híbridos es aún escasa en el mercado, pero a medida que avanza la
tecnología, esta opción podría volverse mucho más popular en los próximos años.
Un ejemplo de VTOL híbrido de ala ja es el dron de entrega Prime Air de Amazon
[7].
Figura 1.9: Dron hibridos de despegue y aterrizaje vertical.
Al desarrollar y trabajar con vehículos autónomos surgen problemas de estudio, fuera
del desarrollo del propio hardware, estos problemas son abordados tanto en el ámbito
académico como en el industrial. Algunos problemas de estudio son:
Plani cación de rutas
La plani cación de rutas implica encontrar una ruta geométrica desde una con -
guración inicial hasta una con guración dada de manera que cada con guración y
estado en la ruta sea factible (si se tiene en cuenta el tiempo) [8] .
Introducción 6
Detección y evasión de obstáculos
Es imprescindible que un vehículo autónomo sea capaz de detectar entidades me-
diante el uso de sensores, ya sea por medio de sensores ultrasónicos, ópticos o
radares, para esquivar y evitar colisiones con las mismas. Esta capacidad de evasión
y detección de obstáculos es fundamental para garantizar la seguridad tanto del
vehículo como de los objetos que puedan encontrarse en su entorno.
El estudio de este problema es fundamental en el desarrollo y la implementación de
vehículos autónomos.
Localización y mapeo SLAM (Simultaneous Localization and Mapping)
SLAM aborda el problema de percepción de un robot al navegar en un entorno
desconocido. Al navegar en el entorno, el robot busca adquirir un mapa del mismo y,
al mismo tiempo, desea localizarse utilizando un mapa. El problema de SLAM busca
generar modelos detallados del entorno del robot; por otro lado, busca mantener un
sentido preciso de la ubicación de un robot móvil [9].
Formación y colaboración entre múltiples agentes
Un sistema de robot multiagente (MARS, por sus siglas en inglés) es uno de los
temas más importantes en la actualidad. La tarea básica de este sistema se basa
en el trabajo distribuido y cooperativo entre agentes (robots). Combina dos siste-
mas importantes; sistema multiagente (MAS, por sus siglas en inglés) y sistema
de múltiples robots (MRS, por sus siglas en inglés). MARS se ha utilizado en mu-
chas aplicaciones como sistemas de navegación, plani cación de rutas, sistemas de
detección, protocolos de negociación y control cooperativo [10].
Navegacion en ambientes desconocidos dinámicos.
Generalmente fuera de los ambientes de laboratorio o industriales controlados, los
ambientes en los que operan robots móviles autónomos son desconocidos y dinámi-
cos, como puede ser el caso de los taxis autónomos, los cuales operan en vialidades
concurridas. El robot debe ser capaz de plani car rutas u trayectorias con informa-
ción incompleta, evitando entes cambiantes.
En este trabajo se aborda la generación de rutas en ambientes estáticos con evacion de
obstáculos, es decir se tiene información total del entorno en el cual se desarrolla el robot.
Hay diferentes técnicas para abordar la generación de rutas o trayectorias, una de las mas
populares por su simplicidad y elegancia matemática es la de campos potenciales [11] .
Los campos de velocidad para guiado de robots se han estudiado a través de ecuaciones
Introducción 7
de hidrodinámica. Una de las técnicas mas populares para evacion de obstáculos basada
en campos potenciales es la la función repulsiva convencional.
Varias alternativas han surgido para mejorar la función repulsiva convencional, la cual
es especialmente útil para implementación en tiempo real debido a su dependencia ex-
clusiva del gradiente local y la ausencia de necesidad de información global. No obstante,
una desventaja signi cativa de este enfoque radica en la presencia de mínimos locales, lo
que puede resultar en la incapacidad del vehículo para alcanzar la posición meta. Diversos
métodos basados en campos potenciales han sido desarrollados como mejoras al esquema
repulsivo básico. Ejemplos de estos incluyen el método de Objetivos No Alcanzables con
Obstáculos Cercanos (GNRON) [12], las Funciones Potenciales Harmónicas (HPF)[13], el
Campo Potencial Híbrido[14], los Campos Potenciales Arti ciales Evolucionarios [15], y
el Campo de Potencial Arti cial Mejorado [16]. Una forma de mitigar la principal des-
ventaja de los campos estáticos, es decir, la presencia de mínimos locales que puedan
obstaculizar la realización de la tarea, es mediante la adopción de campos potenciales de
velocidad.
1.0.4. Visión por computadora
La visión por computadora, es un campo de estudio el cual busca desarrollar técnicas
con el objetivo de ayudar a las computadoras a ver.
La visión computación consiste en la extracción automatizada de imágenes y el pro-
cesamiento de las mismas para la obtención de información. Por información podemos
entender cualquier cosa en este contexto, como lo son: formas, colores, posición de las cá-
maras u objetos, reconocimiento de objetos, agrupación y búsqueda de contenido, también
las deformaciones de imágenes, eliminación de ruidos y la realidad aumentada [17].
Esta área de investigación tiene más de cuarenta años de investigación, con lo cual se
cuenta con diversas aplicaciones y técnicas desarrolladas.
Reconocimiento óptico de caracteres (OCR)
La tecnologias OCR engloban un conjunto de técnicas basadas en estadística, la
forma de los caracteres, transformadas y comparación, las cuales se complementan
entre si, se emplean para distinguir formas automáticamente entre los diferentes
caracteres alfanuméricos existentes [18].
Introducción 8
Inspección robotizada
Se emplean técnicas de reconocimiento de formar, procesamiento de imagenes u
inteligencia arti cial para automatizar y agilizar la inspección visual de piezas de
fabricacion insdustrial, con la nalidad de garantizar la calidad de fabricación [19].
Captura de movimiento
El proceso de captura de movimiento (MoCap por sus siglas en inglés) es el proceso
de rastrear y grabar digitalmente el movimiento de un objeto o sujeto en el espacio.
Se han desarrollado diferentes técnicas y tecnologías para llevar a cabo esta tarea.
Uno de los ejemplos más comunes son los sistemas con cámaras infrarrojas (IR), las
cuales se utilizan para triangular la ubicación de cuerpos rígidos retrore ectantes
adheridos al objeto de estudio [20].
Así como en el campo de la animación, en este trabajo se emplea la captura de movi-
miento para obtener la pose del móvil empleado.
1.0.5. Objetivos
El objetivo general de este trabajo es implementar un sistema de navegación para
robots móviles rodantes,mediante captura de movimiento".
[Link]. Objetivos particulares
Dentro de lo particulas se busca que el sistema sea implementado para la plataforma de
desarollo Amigobot, acontinuación se presentan los objetivos particulares de este trabajo.
Obtención de la pose del robot móvil rodante (WMR por sus siglas en ingles)
mediante el sistema de vision Optitrack.
Comunicación vía remota con el WMR.
Lograr la obtención de la pose y la comunicación de manera simultanea del WMR
en un entorno de desarollo MATLAB/SIMULINK.
Validar la integración de los elementos del sistema mediante la implementación de
una estrategia de navegación.
Introducción 9
1.0.6. Contenido
En el capitulo 2 se trata el sistema de visión empleado con la nalidad de exponer
tanto su instalación y su funcionamiento.
En el capitulo 3 se exponen las características de software y hardware, necesarias para
establecer comunicación y operar el WMR, ademas se expone el modelo cinematico el
cual es necesario para abordad problemas de navegación y control.
El capitulo 4 expone la estrategia de navegación y control empleada para validad el
funcionamiento de nuestro sistema, ademas se explica el esquema experimental empleado
para la validación del mismo.
Finalmente el los capítulos 5 y 6 exponen los resultados de validación y las conclusiones
de este trabajo.
Capítulo 2
Sistema de visión
2.1. Introducción
El objetivo de un sistema de visión o Machine vision system es crear un modelo
del mundo real, mediante imágenes. Un sistema de visión recoge información útil de
una escena a través de su proyección en dos dimensiones. Debido a que las imágenes
son proyecciones bidimensionales de un entorno tridimensional, es necesario recuperar la
información dentro de las mismas, debido a que ésta no está disponible directamente. Este
tipo de sistemas suelen utilizar cámaras u otros dispositivos de captura de imágenes, con el
n de obtener datos visuales, procesarlos mediante algoritmos y técnicas de procesamiento
de imágenes, para así analizar, extraer información y tomar decisiones basadas en dichos
datos.
Los sistemas de visión se utilizan en una gran variedad de campos con aplicaciones
diversas, algunos de los usos más importantes dentro de este trabajo son:
Seguimiento: Rastreo del movimiento de objetos a lo largo del tiempo en secuencias
de imágenes.
Medición: Cálculo de dimensiones, distancias, áreas y otros parámetros de interés
en una imagen.
Interpretación de escenas: Comprender y analizar la disposición espacial de los ob-
jetos en una imagen para extraer información más completa.
10
Sistema de visión 11
Navegación autónoma: Permitir a vehículos autónomos, como drones o vehículos
terrestres, interpretar su entorno y tomar decisiones de navegación.
En este trabajo se emplea uno de dichos sistemas con la nalidad de estimar la posición
de un vehículo terrestre y abordar la temática de la navegación autonoma.
Sistema de visión Optitrack
En este traabajo se emplea el sostema de vision Optitrack, esta es la marca mas
conocida de NaturalPoint Inc, empresa especializada en el desarrollo y fabricación de
sistemas de Motion Capture o captura de movimiento. Fue fundada en 1996, tiene sede
en Corvallis, Oregon, Estados Unidos de América.
Componentes del sistema Optitrack
El sistema de visión Optitrack se compone de distintos componentes, tanto de hardware
como de software, los cuales se presentan a continuación.
Camaras Flex 13
El sistema emplea 6 cámaras Flex 13, de la marca Optitrack, la Figura 2.1 muestra el
tipo de cámara empleada.
Las Flex 13, son cámaras de captura de movimiento de volumen medio. Funcionan
mediante luz infrarroja de 850nm, la cual es invisible a la vista. La Tabla 2.1 muestra las
características más importantes de estas cámaras.
Estas cámaras emiten luces infrarrojas por medio de un círculo de elementos ópticos,
esta luz se emite por medio del aire y rebota en marcadores re ejantes, una vez rebota en
los marcadores esta luz es captada por los sensores de las cámaras. También las cámaras
permiten visualizar las imágenes captadas en escala de grises, con la nalidad de orientar
la zona de visión de estas.
Para la colocación de cada una de las cámaras, estas son montadas en un trípode cada
una, la Figura 2.2 muestra una de las cámaras sobre su trípode.
Sistema de visión 12
Figura 2.1: Cámara Optitrack Flex 13.
Figura 2.2: Cámara Flex 13 colocada en su trípode.
Sistema de visión 13
Tabla 2.1: Características de Flex 13
Característica Valor
Resolución 1.3 MP
Latencia 8.3 ms
Precisión en 3D ±0.20 mm
Frecuencia de muestreo 120 FPS
Campo de visión 56°
Figura 2.3: Optihub 2
Optihub 2
Las cámaras se sincronizan y conectan mediante un Optihub 2, el cual es un hub que
sincroniza y alimenta cada una de las 6 cámaras con las que se cuenta.
Cada Optihub permite conectar 6 cámaras. La Figura 2.3 muestra la vista frontal del
HUB con sus conexiones USB para cada una de las cámaras.
En la Figura 2.4 podemos ver cómo espaciamos cada conector de cada una de las
cámaras. Debido a que se tienen 6 cámaras, dividiremos en grupos de 3, para así conectar
cada grupo a un HUB.
Sistema de visión 14
Figura 2.4: Vista frontal Optihub 2
1 2 3
Figura 2.5: Vista trasera Optihub 2
La Figura 2.5 muestra los cables y puertos necesarios para llevar a cabo la sincroniza-
ción entre los 2 hubs utilizados. Los números que aparecen en la gura hacen referencia
a las siguientes conexiones.
1. Conexión de voltaje: Cada HUB es alimentado por una fuente de voltaje de 24VCD.
2. Conexión de datos USB a la computadora: Este cable lleva la señal de salida de
cada HUB a nuestra computadora.
3. Cable de sincronización: Este cable nos permite sincronizar la señal entre dos HUB,
para que las cámaras funcionen al unísono.
Una vez se tengan colocadas las cámaras y conectadas a cada uno de los HUBS, será
necesario conectar a la computadora el cable USB de cada uno de los HUBS. También es
necesario emplear el Software Motive para realizar el SETUP del sistema de visión.
Sistema de visión 15
Figura 2.6: Logo Motive Optitrack.
Motive Optitrack
La misma marca Optitrack nos proporciona un software para realizar tanto la iniciación
del sistema de cámaras, como captura de movimiento, este siendo Motive. La Figura 2.6
muestra el logo del programa.
La versión utilizada de este software es la 1.10.1, con fecha de diciembre del 2016. Esta
se puede obtener a través del siguiente enlace: [Link]
software/Motive/Motive_1.10.1_Final_x64.exe
Este programa, requiere tanto de una clave serial, como de una llave sica usb para su
activación y uso.
La Figura 2.7 muestra la interfaz de motive con la cual contaremos al iniciar el pro-
grama.
Con guración y calibración del sistema de visión
Una vez que se han colocado las cámaras y se ha conectado todo el sistema, es in-
dispensable realizar el proceso de calibración. El proceso de calibración de una cámara
es necesario para la obtención de información 3D a partir de imágenes 2D de la escena.
Existen diferentes técnicas basadas en fotogrametría y auto-calibración. Como resultado
se obtienen los parámetros intrínsecos y extrínsecos de la cámara [21]. Asi, al calibrar,
logramos que el software estime la ubicación de las cámaras, además de de nir el origen
del sistema de referencia en ese momento. Con el origen establecido, Motive será capaz
de estimar la posición relativa de los objetos distinguidos mediante marcadores ópticos.
Sistema de visión 16
Figura 2.7: Interfaz de Motive Tracker.
Para realizar la calibración, es necesario crear un proyecto nuevo, es indispensable
tener tanto el nombre del proyecto como la ruta de este bien presentes.
Pasos para calibración
Para iniciar la calibración, es necesario retirar todos los marcadores y objetos que
re ejen la luz infraroja del área de trabajo, para evitar errores al momento de iniciar la
calibración.
1. Orientar las cámaras.
Es fundamental para el buen funcionalmiento del sistema que el campo visual de las
cámaras cubra todo el espacio de trabajo. Para ello en Motive hay que seleccionar
cada cámara en la ventana del lado izquierdo, como se ve en la Figura 2.7. En la
sección Preset se tiene que seleccionar la opción Aiming. Una vez echo lo anterior
se debed disminueir al mínimo el número de cuadros por segundos empleando la
barra deslizante etiquetada con FPS (frames per second), y asumentar al máximo
el valor de exposición con su correspondiente marcada con EXP.
La Figura 2.8 muestra la visualización del área de trabajo al momento de realizar el
acomodo de las cámaras una vez que se ha con gurado el software con las opociones
mencionadas anteriormente. Esta visualización permite orientar adecuadamente las
cámaras.
Sistema de visión 17
Figura 2.8: Visualización de área de trabajo Motive.
Figura 2.9: Bara de calibración Optiwand CW-500.
2. Calibración
La calibración es fundamental para estimar la posición del objeto marcado, para
llevar a cabo la calibración es necesario emplear una vara de calibración, conocida
como Optiwand, incluida en el paquete Optitrack.
La vara de calibración de la Figura 2.9 una estructura metalica en forma de T a la
que se le colocan tres marcadoreas con una distribución conocida.
Sistema de visión 18
Figura 2.10: Vista de cámaras durante la calibración.
Para iniciar la calibración es necesario presionar el botón Start Wanding, el cual
se encuentra en la pestaña de Camera Calibration ubicada en la sección del lado
derecho de la Figura 2.7. Es muy importante que no haya marcadores, dentro del
rango de visión de las cámaras, también es necesario subir el número de cuadros por
segundo al máximo y bajar el valor de exposición al mínimo, es decir lo opuesto a
lo mencionado en el punto anterior.
Una vez iniciada la calibración debemos mover la vara ensamblada, dentro del rango
de visión de las cámaras. Al momento de mover la vara a través del rango de
visión, se irán generando líneas en cada una de las vistas previas de las cámaras, la
Figura 2.10 muestra las líneas generadas por Motive al detectar la herramienta de
calibración.
Es necesario generar un número su ciente líneas, como las vistas en la Figura 2.10.
Cada cámara tomará muestras de la posición de los marcadores, mientras más
muestras se tomen, menor será el error de calibración, un buen rango de muestras
para cada cámara es de unas 4000.
La Figura 2.11 muestra el numero de muestras tomadas mediante el proceso de
calibración.
Una vez tengamos una cantidad de muestras su ciente, como se muestra en la Figura
2.11, presionaremos el botón Calculate. De esta manera, el programa calcula los
parámetros intrínsecos y extrínsecos de las cámaras, además de establecer el marco
de referencia y calcular el error de estimación tal como se muestra en la Figura 2.12.
En la Figura 2.12 podemos observar los errores obtenidos. La calibración tomará
Sistema de visión 19
Figura 2.11: Muestras tomadas durante calibración.
Figura 2.12: Error de calibración.
efecto al presionar el botón Apply dentro de la ventana mostrada en la misma
Figura.
3. Seleción del origen
Una vez nalizada la calibración será necesario seleccionar el punto de origen del
marco de referencia, dentro del área de trabajo. Para ello es necesaria la escuadra
con marcadores mostrada en la Figura 2.13.
Una vez que seleccionemos el origen de coordenadas en el área de trabajo, coloca-
remos la escuadra de la Figura 2.13 sobre el piso y la nivelaremos. Para nalizar,
Sistema de visión 20
daremos clic en el botón Set Ground Plate, el cual estará ubicado en la parte superior
de una ventana del lado derecho dentro de la interfaz de Motive.
Creación de Rigidbody
Una de las funciones del software Motive es que permite identi car y estimar las poses
de objetos de interés usando los marcadores que re efan la luz infraroja. Para lograr esto
es necesario colocar los marcadores sobre el cuerpo del vehículo a seguir. Una vez que se
han agregado al objeto de interés es necesario posicionar el robot en el área de trabajo.
Posteriormente, se procede a selecionar cada uno de los marcadores del objeto, para
ello dentro de la ventana Perspective View en Motive, se presiona el boton izquierdo del
ratón sobre cada marcador azul mientras se preciona la tecla Ctrl, seguido se presiona
el boton derecho y se selecciona la opción Create Rigidbody. La Figura 2.13 muestra
un ejemplo de los marcadores agrupados de un objeto creado siguiendo el procedimiento
descrito anteriormente.
Figura 2.13: Objeto rigido creado.
Una vez se ha de nido el objeto rígido, es necesario tomar en cuenta el nombre del
objeto, que se establece por defecto como Rigidbody1, este identi cador es necesario para
con gurar la adquisición de datos en las aplicaciones del sistema de visión.
Sistema de visión 21
Figura 2.14: Estimación de pose del objeto creado
Como se menciono anteriormente el software del sistema de visión estima la pose del
objeto que se ha de nido. En la Figura 2.14 se muestran los valores de pose estimados,
estos valores son accesibles atravez del menu view/project, esto abre la ventana de assest,
lo cual nos muestra los objetos creados, se selecciona el objeto creado, como se muestra
en la gura, nalmente se selecciona Real-Time Info, lo cual muestra los valores de pose.
Capítulo 3
WMR Amigobot
3.1. Introducción
Hay una gran cantidad de vehículos móviles empleados actualmente. Estos son usados
tanto en ambientes domésticos como en ambientes industriales, y se han vuelto indis-
pensables en campos como la exploración marítima, la fotografía aérea, la entrega de
mercancía, el manejo de mercancías en almacenes o la nueva moda de taxis autónomos,
la cual está en auge sobre todo en Estados Unidos.
Existen diferentes clases de vehículos autónomos, los podemos clasi car en vehículos
terrestres, aéreos y marítimos según su ambiente de trabajo. El sistema de navegación
propuesto en esta tesis se aplicó en vehículos terrestres, sin embargo, se puede aplicar en
diversos tipos de robots móviles.
El principal enfoque del sistema presentado en este trabajo es un vehículo móviles ro-
dantes o WMR(por sus siglas en ingles). El vehículo estudiado y puesto en operación para
validar el sistema de navegación es el robot Amigobot de la marca Adept MobileRobots.
3.2. Robot móvil rodante Amigobot
El robot móvil rodante Amigobot, es un vehículo terrestre tipo uni-ciclo de la familia
Pioneer. Es un robot pequeño desarrollado con nes de investigaciÓn y desarrollo. La
Figura 3.1 muestra el WMR Amigobot.
22
Capitulo 3 WMR Amigobot 23
Figura 3.1: Robot móvil rodante Amigobot
Este robot cuenta con dos ruedas de dirección y una tercera rueda de estabilidad. El
cuerpo del Amigobot está hecho de policarbonato, el cual es soportado por un chasis de
aluminio. La Figura 3.2 muestra las dimensiones y materiales en los cuales esta construido
el robot.
Cuerpo de policarbonato
Ruedas de goma Chasis de aluminio
Figura 3.2: Dimensiones y materiales del robot Amigobot [22].
3.3. Características y Hardware
La plataforma Amigobot basa su sistema en un microprocesador Hitachi H8 a 20
MHz. Este sistema incluye memoria FLASH de sólo lectura, donde se guarda el sistema
Capitulo 3 WMR Amigobot 24
operativo y todo el software necesario para la operación de los sensor.
Sistema Operativo: AmigOS
El sistema operativo AmigOS gestiona todos los sistemas y componentes de bajo nivel
del WMR, incluyendo la ejecución de sonares, motores y la lectura de los codi cadores
rotativos de las ruedas, por mencionar algunas tareas del SO. Al igual que muchos sistemas
operativos, AmigOS es invisible para la mayoría de los usuarios, realizando su trabajo
en segundo plano. Sin embargo, es una tecnología amigable al usuario, su interfaz está
disponible libremente para el comando y control a través de su propio software.
El paquete del robot incluye una serie de programas con los cuales el usuario puede
con gurar, probar y operar de manera autónoma el robot. Estos programas hacen funcio-
nar los motores y el sonar incorporados y permiten al robot moverse de manera inteligente
por sí mismo.
Sensores y actuadores
Al ser un robot para investigación y desarollo, Amigobot presenta una variedad de
sensores y actuadores los cuales serán descritos a continuación. La Figura 3.3 muestra los
componentes y controles en el cuerpo del robot.
El robot tiene dos llanantas sólidas de cuatro pulgadas. Cada una es controlada por un
motor reversible de CD. La potencia de conducción se modula diferencialmente en ancho
de pulso para un control preciso e independiente del movimiento de translación (adelante
y atrás) y el movimiento de rotación (en sentido horario y en sentido antihorario).
El robot cuenta con una tercera rueda la cual sirve de soporte trasero pasivo para el
equilibrio y, a diferencia de muchos otros robots, puede girar en su propio eje para no
quedarse atascado en las esquinas.
Cada motor incluye un codi cador de alta resolución, el cuál es utilizado por el micro-
controlador del robot para determinar las velocidades inmediatas de traslación y rotación
del robot. Las lecturas del codi cador también ayudan a determinar la distancia que el
robot ha recorrido y la dirección en la que se dirige.
El AmigoBot estándar viene equipado con ocho sonares, éstos se ubican en los seis
discos dorados perforados alrededor de la parte delantera y los dos en la parte trasera. La
Capitulo 3 WMR Amigobot 25
LEDs
indicadores Vista superior
Vista
lateral
Pulsadores
de control
Bahía de
expansión
Bocina
Llanta de equilibrio Llanta de dirección
Interruptor de encendido,
puerto de carga, puerto serial
del sistema. Llantas de
dirección Vista inferior
Llanta de equilibrio Serial
Ethernet
Figura 3.3: Amigobot componentes y controles [22].
Figura muestra la ubicación y ángulos de cada uno de los sonares. El microcontrolador
de AmigoBot utiliza los sonares de manera similar a un murciélago, no sólo para detectar
objetos en la parte delantera, los lados y la parte trasera, sino también para determinar
a qué distancia se encuentran (estimación de distancia).
Ajuste de
sensibilidad
Figura 3.4: Ubicación y orientación de los sonares en Amigobot[22].
Capitulo 3 WMR Amigobot 26
3.4. Comunicación y conectividad
El robot Amigobot no tiene comunicación wireless, cuenta únicamente con comunica-
ción serial mediante un puerto RS232. Este puerto se utiliza para con gurar parámetros
internos, como las velocidades máximas y las constantes de su controlador PID interno,
así como para recibir las velocidades necesarias para realizar la acción requerida.
Para solventar esta limitación, el robot cuenta con un módulo Lantronix WiBox2100E,
el cual es un módulo serial a WiFi. Este módulo permite acceder, controlar, monitorear
o compartir virtualmente cualquier dispositivo o equipo serial en una red inalámbrica
802.11b/g de forma remota.
Esta solución está bien integrada, ya que combina un sistema operativo, un servidor
web integrado, una pila completa de protocolo TCP/IP con un transceptor 802.11b/g
que admite seguridad WEP, WPA y 802.11i/WPA2-Personal, y dos puertos serie de alta
velocidad en un paquete compacto y pequeño [23].
3.5. Operación y manejo de Amigobot
En esta sección se plantea el método utilizado para la puesta en marcha y operación
del robot.
3.5.1. ROS/ARIA
El robot funciona mediante la interfaz de programación de aplicaciones (API por sus
siglas en ingles) ARIA (Adept MobileRobots Advanced Robotics Interface for Applica-
tions). ARIA es un interfaz de programación orientada a objetos para los los robots de
la línea intelligent mobile robots, de la marca Adept MobileRobots (y ActivMedia),
los cuales incluyen los robots móviles Pioneer 2/3 DX and AT, PeopleBot, PowerBot,
AmigoBot, PatrolBot/Guiabot, Seekur, SeekurJr y Pioneer LX.
Desarollado en C++, ARIA proporciona una forma de comunicarnos y administrar el
microcontrolador dentro del robot Amigobot, además de acceso a los sensores y actuadores
de la plataforma. ARIA se proporciona como software de código abierto bajo la Licencia
Pública General de GNU. Esto permite ver, modi car y reconstruir la biblioteca ARIA
Capitulo 3 WMR Amigobot 27
según se desee, siempre y cuando el software desarrollado con ARIA cumpla con los
requisitos de la licencia.
Por otra parte, el Sistema Operativo de Robots (ROS, por sus siglas en inglés) es
un conjunto de bibliotecas de software y herramientas de desarrollo para robots. Estas
bibliotecas incluyen desde controladores hasta algoritmos de última generación para de-
sarrolladores, siendo estas herramientas de código abierto.
El método para enviar consignas de control o parámetros de con guración al WMR
Amigobot fue la implementación ROS/ARIA. Este método requiere únicamente una
computadora con un SO Linux, el cual sea compatible con la versión 1 de ROS y el
paquete .deb de instalación de ARIA. En el caso de este trabajo se estableció la comu-
nicación empleando distribuciones de Debian y Ubuntu, tanto en versiones de escritorio
como en Raspberry Pi.
Existen distintas maneras en las cauales se pueden instalar las funciones de ROS/A-
RIA. En esta sección se describen dos métodos para su instalación, el primero en una
computadora monoplaca Raspberry pi 3 y el segundo en una computadora personal. En
ambos casos el primer paso es instalar el sistema ROS 1 en la versión selecionada de
Linux.
Para realizar la instalación del sistema operativo, consulta el sitio web de DEBIAN
10 en [Link] y para UBUNTU en Raspberry Pi,
visita [Link]
La forma más sencilla de instalación de ROS Noetic(la ultima versión de ROS 1)
en Raspberry pi, es descargando la imagen de Ubuntu 20.04 LTS + GDM3 desde la
página de Ubiquity Robotics, véase [Link]
pi_image_downloads, y grabar la imagen en una microSD para ser utilizada como sistema
de arranque por la Raspberry Pi, esto se puede hacer mediante el software Etcher, véase
[Link] tambien es posible hacerlo usando el software Raspberry
Pi Imager, véase [Link]
Por otra parte la instalación de Ros Noetic en versiones de escritorio de Linux requiere
una secuencia de pasos más extensa, a continuación se describe la misma, la cual fue
probada tanto en DEBIAN 10 como en UBUNTU 20.04.
Es necesario ejecutar las instrucciones listadas a continuación en la terminal del siste-
ma.
Capitulo 3 WMR Amigobot 28
1. Se agrega el repositorio de software ROS a la lista de fuentes apt en Linux usando
el comando sudo para ejecutar la instrucción como administrados, por lo cual sera
necesario autenti car la cuenda de administrador.
$ sudo sh -c 'echo "deb [Link] $(lsb_release -sc) "
\ > /etc/apt/[Link].d/[Link]'
2. Se agregan las rmas digitales para la identi cación de los paquetes.
$ sudo apt-key adv --keyserver hkp://[Link] \
--recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654
3. Se actualiza el sistema.
$ sudo apt update
4. Se instala ROS.
$ sudo apt install ros-noetic-desktop-full
5. Se incluye el ambiente de ejecución.
$ source /opt/ros/noetic/[Link]
6. Se instalan los paquetes de Python necesarios para ROS.
$ sudo apt install python3-rosdep python3-rosinstall python3-rosinstall- \
generator python3-wstool build-essential
$ sudo apt install python3 - rosdep
Finalizada la instalación de ROS se valida su correcto funcionamiento mediante las
siguientes instruciones ejecutadas en la terminal.
Se inicializa el sistema de gestión de dependencias rosdep
$ sudo rosdep init
Se actualiza el sistema de gestión de dependencias.
$ rosdep update
Una vez que ROS está funcionando adecuadamente, se procede con la instalación de
ARIA. Para ello se ejecutan los comandos listados a continuación.
Capitulo 3 WMR Amigobot 29
1. Se crea un entorno de trabajo Catkin, con la nalidad que la terminal acceda algunos
comandos especí cos de ROS.
$ mkdir -p ~/ catkin_ws / src
$ cd ~/ catkin_ws / src
$ catkin_init_workspace
$ cd ~/ catkin_ws
$ catkin_make
2. Cada vez que sea necesario copilar paquetes empleando el espacio Catkin, se debe
ejecutar el script especial devel/[Link].
$ cd catkin_ws
$ . devel/setup . bash
Teniendo ROS instalado se procede a instalar los paquetes necesarios para el uso de
ARIA, el proceso de instalaciòn es igual al anterior.
1. Se clona el repositorio de Aria mediante el comando git clone.
$ git clone [Link]
2. Se instala el paquete de ARIA empleando el comando dpkg.
$ sudo dpkg -i libaria_2.9.4+ubuntu16_amd64.deb # install Aria
3. Clonamos de github las bibliotecas necesarias para poder emplear Aria en ROS en
el espacio Catkin y copilamos el espacio de nuevo.
$ cd ~/catkin_ws/src
$ git clone [Link]
$ cd ~/catkin_ws
$ catkin_make --force-make
Para inicializar ROS/ARIA y conectarse al Amigobot se ejecutan los siguientes co-
mandos en una terminal.
$ roscore
$ rosrun rosaria RosAria _port:=[Link]:8101
Estos comandos inicializan ROS y seguido se llama al API de ARIA para conectar con
el robot. Nótese que el comando roscore no se debe ejecutar si se está emplendo la versión
Capitulo 3 WMR Amigobot 30
de Ubuntu desarollada por Ubiquity Robotics. Al momento de emplear el comando rosrun
rosaria para conectar con el robot se debe tener encuenta la ip y el puerto de red al cual
se va a llamar, esto varía según la con guraciòn del módulo de red Lantronix.
3.6. Modelo Cinemático
En el caso de los robots móviles de tipo uni-ciclo es de gran utilidad conocer el modelo
cinemático al momento de diseñar controladores o estrategias de navegación, por lo cual
a continuación se describe dicho modelo el cuál corresponde a la plataforma de pruebas
usada en este trabajo.
Figura 3.5: WMR Amigobot y sus marcos de referencia.
El modelo cinemático de un vehículo tipo uni-ciclo, bajo la restricción no holonómica
de rodadura pura y sin deslizamiento, se expresa de la siguiente manera
q̇ = S(q)v (3.1)
donde q(t), q̇(t) ∈ R3 se de nen como
h iT h iT
q = xc yc θ q̇ = ẋc ẏc θ̇ , (3.2)
denotando xc (t), yc (t) ∈ R la posición al centro de masa del vehículo con respecto de un
marco de referencia {I} en coordenadas cartesianas y θ(t) ∈ R representa la orientación
Capitulo 3 WMR Amigobot 31
del vehículo con relación al marco de referencia {B}, como se muestra en la Figura 3.5.
Las variables ẋc y ẏc denotan las componentes cartesianas de la velocidad lineal v(t) ∈ R1
y la velocidad angular ω(t) ∈ R, respectivamente, por lo que la matriz S(q) ∈ R2×3 se
de ne como
cos θ 0
S(q) = sin θ 0
(3.3)
0 1
y el vector de velocidad v(t) ∈ R2 se de ne como
h iT
v= v ω (3.4)
Nótese que se asume que el centro de rotación y el centro de masa coinciden.
Capítulo 4
Esquema de navegación
4.1. Introducción
En este trabajo, proponemos un sistema de navegación con el cual es posible aplicar
controladores y estrategias de navegación a la plataforma de pruebas Amigobot. El sistema
propuesto es adaptable a otras plataformas de prueba, como drones u otros robots móviles
en general.
Este capítulo describe el proceso a seguir para realizar la integración de los elementos
vistos en los capítulos anteriores, con el n obtener el sistema de navegación enfocado en
robots móviles rodantes.
4.2. Campos potenciales de velocidad
La generación de trayectorias es un problema fundamental dentro de la navegación au-
tónoma. El sistema de navegación propuesto en este trabajo permite abordar este y otros
problemas, tales como la evasión de obstaculos, la optimización de rutas, la navegación
en entornos dinamicos, entre otros.
El sistema propuesto aborda el problema de la generación de trayectorias y evasión de
obstaculos, por lo cual se empleó el algoritmo de capos potenciales de velocidad.
La idea básica detrás de los campos potenciales es tratar al robot como una partícula
puntual en el espacio Euclidiano bajo la in uencia de un campo potencial arti cial U. El
32
Capitulo 4: Esquema de navegación 33
campo U se construye de tal manera que el robot es atraído a su posición deseada mientras
es repelido por los obstáculos. Este método requiere únicamente información de gradiente
local, es decir, sólo hace uso de la posición actual del vehículo. Su matemática es sencilla
y elegante, por lo cual es adecuado para implementarse en tiempo real. No obstante,
este método presenta el problema de mínimos locales. En la Figura 4.1 se muestra un
campo potencial, donde la partícula, en cierta con guración, puede quedar atrapada en
un mínimo local, es decir una barrera, que le impida llegar a la posición meta.
En la mayoría de los plani cadores de ruta por campos potenciales, el campo U se
construye como un campo aditivo, que consta de un componente que atrae al robot a su
posición deseada y un segundo componente que repele al robot de los obstáculos.
La plani cación de ruta puede verse como un problema de optimización, a saber, el
problema de encontrar el mínimo global de U empezando desde una condición inicial,
y a menudo se utilizan métodos de descenso del gradiente para encontrar una solución.
En física, un campo de fuerza conservador se puede escribir como el gradiente negativo
de una función potencial. Por lo tanto, podemos interpretar el gradiente en descenso
análogamente como una partícula que se mueve bajo la in uencia de la fuerza F = −∇U .
Figura 4.1: a) Campo potencial con la presencia de una barrera, b) Contorno del
campo potencial con la presencia de una barrera [24].
4.3. Estrategia de navegación
La estrategia de navegación presentada a continuación está basada en la teoría de
campos de velocidad, los cuales se encargan de generar una trayectoria deseada, y que
al seguirla el vehículo evada obstáculos. La ruta deseada propuesta en este trabajo es
Capitulo 4: Esquema de navegación 34
una ruta circular. Para generar un campo de velocidad en una ruta circular, es necesario
calcular dos campos vectoriales: uno de aproximación Vac y otro tangencial. El campo de
aproximación está de nido por el vector que apunta derectamente a la ruta, y se obtiene
mediante la sustracción normalizada del punto más cercano a la trayectoria, como se
describe en [25].Se desea seguir una ruta circular con radio rtr y con centro localizado en
el punto (ox , oy ), el cual está de nido por
(x − ox )2 + (y − oy )2 = rtr
2
(4.1)
Para obtener el campo de aproximación es necesario calcular el punto más cercano
desde la posición del vehículo al círculo que describe la ruta deseada. Este punto es
calculado por
p
mı́n (x − xtr )2 + (y − ytr )2 (4.2)
donde xtr y ytr son todos los puntos que conforman la ruta circular, es decir, el grupo de
puntos que satisfacen la ecuación (4.1). Ahora, de namos los vectores
" # " #
x̄ x − ox
ξ¯ = = (4.3)
ȳ y − oy
donde x̄ y ȳ denotan la diferencia entre cualquier punto del área de trabajo y el centro
de la ruta circular. A su vez, x̃ y ỹ son los errores de posición desde cualquier punto
del espacio de trabajo hasta su punto más cercano dentro de la trayectoria deseada. Las
coordenadas del punto más cercano a la trayectoria se obtienen como
xcl = ox + rtr cos(αcl ) (4.4)
ycl = oy + rtr sin(αcl ) (4.5)
donde αcl denota el vector formado por la posición actual y el punto más cercano a la ruta.
Tomando las ecuaciones (4.4)-(4.5) para calcular xcl y ycl , podemos de nir la distancia
entre la posición actual y el punto más cercano a la ruta como
˜ =
p
∥ξ∥ x̃2 + ỹ 2 (4.6)
El ángulo αcl se obtiene mediante
αcl = atan2(y, x) (4.7)
Capitulo 4: Esquema de navegación 35
El campo de aproximación se de ne como
ξ˜
Vac = (4.8)
˜
∥ξ∥
Denotamos el vector de las derivadas parciales de xcl e ycl como vc = [Vxc Vyc ]T ,
entonces el campo tangencial es de nido por
vc
Vtg = (4.9)
∥vc ∥
El campo de velocidad se obtiene mediante la suma ponderada normalizada del campo
de aproximación y tangencial obtenidos en (4.8) y (4.9), respectivamente.
F1 Vac + F2 Vtg
V= (4.10)
∥F1 Vac + F2 Vtg ∥
donde F1 y F2 son funciones de la distancia euclidiana entre un punto en el espacio y la
trayectoria deseada, que vienen dadas por
2
F1 = − 1, F2 = 1 − F1 (4.11)
1 + e−γ∥ξ̃∥
4.3.1. Campo de evasión
Figura 4.2: Flujo ideal alrededor de un cilindro.
Capitulo 4: Esquema de navegación 36
El método de evasión de obstáculos se basa en el uso de la teoría hidrodinámica,
especí camente mediante el ujo ideal generado alrededor de un cilindro, como se muestra
en la Figura 4.2.
El ujo plano en estado estacionario se de ne mediante un campo de velocidad
" #
u(x, y)
v(p) = (4.12)
v(x, y)
en el punto
" #
x
p= ∈Ω (4.13)
y
donde Ω ⊂ R2 es el dominio ocupado por el uido.
Se propone utilizar un obstáculo circular, el cual inter ere con el campo de ujo vec-
torial, donde (xo , yo ) es la posición central del obstáculo, con radio ro . De nimos el error
de posición con respecto del centro del obstáculo como
" # " #
x − xo x̃o
ξ̃ e = = (4.14)
y − yo ỹo
La función potencial de velocidad propuesta para un uido ideal alrededor de un obstáculo
circular es
r2
ϕ(ξ̃ o ) = 1+ 2 o 2 (x̃o cos β + ỹo sin β) (4.15)
x̃o + ỹo
donde
β = atan2(Vy , Vx ) (4.16)
es el ángulo del vector de campo de velocidad en ese punto. La velocidad de ujo alrededor
del cilindro está de nida como el gradiente de la función ϕ, es decir, Vev = ∇ϕ. Entonces,
la componente x del campo vectorial de velocidad es
ro2 ro2
Vevx = − (x˜o cos β + y
˜o sin β)x˜o + (1 + ) cos β (4.17)
x̃2o + ỹo2 x̃2o + ỹo2
La función de velocidad en la coordenada y es
ro2 ro2
Vevy = − (x˜o cos β + y
˜o sin β)y˜o + (1 + ) sin β (4.18)
x̃2o + ỹo2 x̃2o + ỹo2
Capitulo 4: Esquema de navegación 37
Entonces, el vector velocidad para la maniobra evasiva es
" #
Vevx
Vev = (4.19)
Vevy
Para visualizar el efecto del campo evasivo, se puede decir que éste redirige la dirección
del vector del campo atractivo, modi cando la referencia de velocidad para intentar evitar
el obstáculo. Por lo tanto, el vector de velocidad evasiva se reemplaza por el vector de
velocidad anterior y también se normaliza
Vev
V= (4.20)
∥Vev ∥
Este vector de velocidad se de nió mediante coordenadas rectangulares x e y ; sin embargo,
para dar dichas referencias de velocidad al vehículo, se necesita el vector de velocidad en
componentes polares de magnitud y ángulo.
Cabe aclarar que el vector de velocidad V dado por (4.10), es obtenida en ausencia de
obstáculos en el ambiente de trabajo. Posteriormente, el vector de velocidad es actualizado
de manera iterativa empleando (4.16)(4.20) por cada obstáculo en el ambiente.
4.4. Estrategia de control
En el capítulo anterior se describió el modelo cinemático del WMR. En las ecuaciones
(3.1), las velocidades del robot móvil están relacionadas con el vector de velocidad lineal y
angular [v, ω]. En este modelo, las variables v y ω son las entradas o consignas de control.
A partir del campo de velocidad V generado, la entrada de velocidad lineal se obtiene
mediante la norma euclidiana del vector de velocidad V, es decir
q
v= Vx2 + Vy2 (4.21)
El ángulo asociado con el vector de velocidad V determina el ángulo de dirección deseado
θd ,
θd = atan2(Vx , Vy ) (4.22)
por lo que, para hacer un control de seguimiento de velocidad angular, se debe obtener
primero la derivada del vector V , mediante lo cual se puede calcular la velocidad angular
Capitulo 4: Esquema de navegación 38
deseada
Vx V̇y − Vy V̇x
ωd = (4.23)
||V ||2
Finalmente, la velocidad angular usada como entrada de control está dada por
ω = kp (θd − θ) + ωd + ki (ei ) (4.24)
donde kp es la ganancia proporcional positiva. ki es la ganancia integradora y ei es el
error integral.
La ruta propuesta para validad el sistema de navegación es una ruta circular con centro
un centro prede nido y la evación de un obstáculo circular jo, es decir no se mueve y
se toma encuenta al momento de de nir la ruta a partir de los campos potenciales de
velocidad.
4.5. Esquema experimental
El sistema de navegación implementado en este trabajo está compuesto del hardware
y software que se menciona a continuación.
En cuestión de hardware se requiere:
Sistema de visión Optitrack.
Raspberry Pi 4
Plataforma de pruebas Amigobot.
Router
El software necesario es el siguiente:
Optitrack Motive
MATLAB R2015 (es posible emplear hasta la versión R2017)
ROS/ARIA
La Figura 4.3 muestra el esquema de navegación experimental propuesto en este tra-
bajo.
Capitulo 4: Esquema de navegación 39
Figura 4.3: Esquema experimental de navegación.
4.5.1. Descripción del funcionamiento del sistema
El esquema de navegación implementado se compone principalmente de dos partes,
el sistema de visión presentado en el Capitulo 2 y la plataforma de pruebas Amigobot.
El primero sirve para la obtención de la posición del robot, mientras que el segundo
proporciona una plataforma de prueba en la cual es posible validar los algoritmos de
control y navegación desarrollados.
En el esquema de navegación experimental propuesto, existen distintos componentes
que interactúan para alcanzar el objetivo establecido. En la Figura 4.3 se pueden observar
de manera sencilla los distintos elementos que componen el esquema, tanto componentes
de software como de hardware. Se puede observar que el esquema de control corre en
una computadora con sistema operativo Windows. Dentro de este sistema se estima la
posición del robot por medio del software Motive y se realiza el cálculo de las entradas
de control del sistema.
La implementación del controlador y el esquema de navegación se realizó en el entorno
Simulink de MATLAB. El controlador en MATLAB obtiene la posición del robot vía
bibliotecas dinámicas .dll y bibliotecas estáticas .lib proporcionada por el software de
desrrollo de Optitrack. Una vez que se tiene la posición del robot, ésta se usa en el
cáculo de los campos de velocidad dentro de la estrategia de navegación implementada
en Simulink. Posteriormente, el algoritmo de navegación genera las consignas de control
y éstas se comparten, usando los bloques de ROS en simulink, a la estación intermedia
que permite establecer la comunicación con el robot. Cabe mencionar que esta estación
intermedia corresponde a la computadora Raspberry Pi, en la cual se tiene instaladas
Capitulo 4: Esquema de navegación 40
las herremientas de ROS/ARIA. Finalmente, la estación intermedia envía al robot las
consignas calculadas para realizar la tarea establecida.
4.6. Implementación en software
La implementación de la estrategia de navegación fue desarrollada en MATLAB/Si-
mulink, como se explico en la sección anterior. La Figura 4.4 muestra el programa de
bloques con el cual se implementó la estrategia de navegación y control.
x x
tiempo From1 Vx Vx
Vx
Clock
To Workspace2 Goto
y y
ROS
From2 To workspace
1 no need to
initilaze optittrack1 v v
Goto3
x
z
w w
yaw
Goto2
pitch
Trackable_index
1 ??? roll
Trackable_index TrackableLocation
Constant4 time stamp
teta_d teta_ d
Delta Time
To Workspace13
dx/dt
dy/dt
dz/dt
Trackable_Location1 Constant yaw yaw
e_teta e_ teta
ex ex From
To Workspace14
-0.5 x_obs
Real-Time Goto1
Sync 1
Constant7 4.5 kp [int_ e]
s
Display5
Real-Time Constant5 Integrator Goto8
Synchronization1 0 y_obs
teta_dp teta_ dp
Constant8 .2 ki
ey To Workspace6
ey
Constant6
.30 r_obs Goto7 Control
Constant9
Referencia
ex In1
From8 Out1
ey In2 Error de trayectoria
From9
Error
Figura 4.4: Modelo en Simulink para la implementación de la estrategia de navegación.
Esta implementación se compone de diversos bloques, los cuales realizan tareas nece-
sarias para la correcta generación y aplicación de la estrategia de navegación y control. A
continuación se presenta el funcionamiento de cada uno de los bloques empleados. Como
se observa en la Figura 4.4 tenemos 4 bloques o subsistemas principales, los cuales se
explican a continuación.
Capitulo 4: Esquema de navegación 41
4.6.1. Bloque: TrackableLocation
Este subsistema se basa en el program Natural Point Motive (Optitrack) API interface
to Matlab and Simulink 64bit by Or Hirshfeld, desarollado por [26]. Este programa permite
inicializar la comunicación con el software Motive, empleando sus bibliotecas dinámicas
y estáticas con el n de estimar la posición y velocidad del robot aparir de los datos
proporcionados por Motive.
El subsistema realiza 3 funciones principales:
Estimar la posición del robot por medio del sistema de visión.
Corrige el sistema de referencia y transforma el formato del angulo yaw de giro, el
cual es de -180° a 180°, al formato de 0° a 360°.
Calcula la velocidad estimada del robot por medio de la posición estimada por el
sistema de visión.
Para mas información acerca de este bloque y sus subsistemas y funciones vease el Apen-
dice B.
4.6.2. subsistema: vel_ eld_WMR
Este bloque contiene las funciones que calculan los campos potenciales de velocidad y
la ruta a seguir por el robot tomando en cuenta:
Una velocidad lineal Kv .
Las coordenadas (xobs , yobs ) del obstáculo y el radio robs del mismo.
Las coordenadas (xc , yc ) y radio rc de la ruta circular a seguir.
La poderación gama, la cual se utiliza para calcular el campo de velocidad V,
empleado la Ecuación (4.10).
Para mas información acerca de este bloque y sus subsistemas y funciones vease el Apen-
dice C.
Capitulo 4: Esquema de navegación 42
Subsistema: Control
Este bloque o subsistema es el encargado de generar las consignas de control, las
cuales nalmente son enviadas al robot mediante el sistema ROS, este bloque basicamente
contiene a la función de control y toma en cuenta:
Las velocidades Vx y Vy calculadas a partir del campo de velocidad, es decir la
referencia de velocidad calculada por el bloque vel_ eld_WMR.
Las derivadas temporales de las velocidades, siendo estas Vxp y Vyp .
El angulo de giro yaw.
La constante proporcional Kp y la constante integral ki .
Note que la entrada de control asociada con la velocidad angular ω pasa por un bloque
de saturación antes de ser aplicada al robot. Esto debido a que las ganancias kp y ki
del controlador fueron selecionadas para optimizar el desempeño en erores pequeños de
orientación, por lo cual errores grandes generan velocidades angulares de alta magnitud
causando inestabilidad al sistema.
Para mas información acerca de este bloque y sus subsistemas y funciones vease el
Apendice D.
Subsistema: ROS
Este subsistema contiene las funciones necesarias para enviar las consignas de control
al intermediario, es decir, el sistema que ejecuta ROS/ARIA. Este subsistema realiza las
siguientes funciones:
Se genera el mensaje a enviar vía ROS, seleccionando el tipo de mensaje. Para
enviar las consignas, se emplea el mensaje de tipo geometry_msgs/Twist.
Se incluyen las consignas de control y el tipo de mensaje a enviar mediante un
bloque Bus Assignment.
Finalmente, se envía el mensaje seleccionando el módulo de software de ROS, el cual
será encargado de enviar las consignas y que estas sean ejecutadas por el robot. Este
módulo es RosAria/cmd_vel.
Capitulo 4: Esquema de navegación 43
Ejecución del programa
Antes de ejecutar el programa y asegurarse de que el robot cumpla con la tarea pro-
puesta, es necesario seguir los siguientes pasos para ejecutar el programa sin errores. A
continuación, se presentan los pasos:
1. Ejecutar en Matlab el script initlaze_startup_parametres_setup_motive_1_5.m
que se encuentra en el directorio del proyecto. Nótese que la llave física USB del pro-
grama Motive debe estar conectada para tener acceso a las bibliotecas del mismo.
Véase el Apéndice para obtener más información sobre el script.
2. Ejecutar el script script_optitrack.m también en el mismo directorio. Este script
veri cará que se haya inicializado de manera correcta el sistema de visión. Véase el
Apéndice para más detalles.
3. Finalmente, se debe ejecutar el programa en Simulink que contiene los subsistemas
ya mencionados. En el caso de este trabajo, el programa en Simulink es Con-
trol_cp_WMR.slx y se encuentra en el directorio de ejecución de los scripts men-
cionados anteriormente. Este directorio también incluye las bibliotecas, archivos de
inclusión del programa base propuesto por [26], además del proyecto con el Rigidbody
y la calibración explicada en el Capítulo 2.
Capítulo 5
Resultados de validación
El controlador de orientación propuesto y llevado acabo en Matlab/simulink fue pro-
bado bajo las condiciones de prueba propuestas en el capitulo anterior.
Como se menciono con anterioridad la ruta propuesta para validad el correcto funcio-
namiento del sistema propuesto, fue una ruta circular con las siguientes características:
Obstáculo circular a esquivar en las cordenadas (x, y) = (−0.5, 0.1), con un radio
r = .30m.
Trayectoria circular a cumplir en las cordenadas (x, y) = (1, 0), con un radio r=
.50m.
La velocidad Lineal del robot fue de .1m/s al momento de realizar pruebas experi-
mentales.
El controlador fue diseñado para mantener el robot en movimiento, es decir una vez
iniciado el programa el robot no se detendrá hasta que sus baterías se descarguen. A
continuación se presentan los resultados obtenidos durante la validación del sistema.
5.1. Resultados
La Figura 5.1 muestra la ruta seguida por el Amigobot. La linea azul muestra la ruta
44
Capitulo 5: Resultados de validación 45
Ruta del WMR (X,Y)
0.5
Posición en Y [m]
-0.5
-1
-1.5 -1 -0.5 0 0.5 1 1.5
Posición en X [m]
Figura 5.1: Ruta seguida por el robot.
seguida por el robot, mientras que en verde tenemos el obstáculo circular y en rojo el
circulo el cual marca los puntos sobre los cuales marcan la ruta circular deseada. Como
podemos observar en la ruta seguida por el robot
El robot esquiva perfectamente el obstáculo, pasa un poco cerca debido a que no se
generaron campos de repulsión.
El robot se mantiene cercano a la ruta propuesta, sin embargo tenemos sonás donde
el error el mayor y sonás donde se pega mejor a la ruta deseada.
La Figura 5.2 muestra la grá ca de las consignas de control enviadas al robot. Podemos
observar cómo la velocidad lineal se mantiene en 0.1 m/s, mientras que la velocidad
angular permanece constante. Una vez que el robot comienza a girar sobre la ruta circular,
su velocidad angular se mantiene por debajo de los 10 grados.
En la Figura 5.3 podemos observar los errores de posición del robot en (x, y, θ). En
la grá ca del error de posición podemos observar como este error se comporta de forma
sinusoidal, de manera que el error oscila entre −2cm y 2.5cm como máximo, lo cual es
aceptable para una ruta de 1m de diámetro.
Capitulo 5: Resultados de validación 46
Entrada de control: Velocidad lineal
Velocidad Lineal (m/s) 0.2
0.15
0.1
0.05
0
0 50 100 150 200 250
Tiempo (s)
Entrada de control: Velocidad Angular
Velocidad Angular (°/s)
20
10
-10
-20
-30
0 50 100 150 200 250
Tiempo (s)
Figura 5.2: Entradas de control.
La segunda grá ca presentada en la Figura 5.3, muestra el error de posición en el eje
y de nuestra ruta realizada, podemos ver como este decrece, siendo que al esquivar el
obstáculo se vuelve muy alto para después ser corregido y mantenerse entre −2.3cm y
2.7cm de error.
En la tercera grá ca tenemos el error angular de la ruta completada por el robot, la
cual se mantiene generalmente por debajo de los 2°. Todas las grá cas obtenidas se ven
ruidosas, esto debido a que la señal procesada de las camaras contiene ruido derivado a
la propia conversión analógica a digital realizada por las cámaras, en esta ultima gra ca
se nota mucho mas el ruido de la señal, debido a que el robot tiene un comportamiento
oscilatorio al momento de seguir la ruta, esto se debe a que el control de direccional del
robot esta dado por 2 ruedas equidistantes. S
Capitulo 5: Resultados de validación 47
Error en (x)
Metros (m)
0.05
-0.05
0 50 100 150 200 250 300 350 400
Tiempo (s)
Error en (y)
Metros (m)
0.2
0.1
0
-0.1
0 50 100 150 200 250
Tiempo (s)
Error en (theta)
Grados (°)
10
5
0
-5
0 50 100 150 200 250 300 350 400
Tiempo (s)
Figura 5.3: Grá cas de error de posición.
Capítulo 6
Conclusión
El sistema implementado en este trabajo es capaz de:
Obtener la pose del WMR empleado de manera precisa.
Para lograr obtener la pose se empleó el programa Motive y sus bibliotecas di-
námicas. El mayor reto que hubo al realizar la integración con MATLAB fue la
falta de información. Generalmente, se emplean las bibliotecas del kit de desarrollo
NatNetSDK, las cuales son proporcionadas por OptiTrack. Derivado de la falta de
información, se optó por emplear las propias bibliotecas dinámicas del programa
empleado, además del programa modi cado basado en [26].
Se logro la comunicación con el robot mediante ROS/Aria
Este fue el mayor reto de este trabajo. El API de desarrollo ARIA es antiguo, ya que
el robot Amigobot salió al mercado en 2004. Por lo tanto, al momento del desarrollo
de este trabajo, no fue posible compilarlo y hacerlo funcionar en MATLAB 2015.
Ahora bien, la versión de ROS Noetic en la cual es posible ejecutar ARIA está
descontinuada, por lo cual se requiere una versión desactualizada de Linux en la
cual sea ejecutable. Por lo tanto, hubo la necesidad de emplear un sistema Linux
como intermediario para lograr la comunicación con el robot.
Se logro integrar el sistema en matlab con lo es posible provar controladores.
La integración del sistema se logró mediante el uso de una versión anterior a la
actual de MATLAB/Simulink, donde es posible ejecutar tanto el programa de las
cámaras con el sistema ROS. El inconveniente de las versiones actuales radica en que
ROS funciona en un modo de simulación en tiempo real, mientras que no es posible
48
Capitulo 6: Conclusión 49
ejecutar el programa de adquisición de datos en este modo de operación. Por lo tan-
to, fue necesaria una versión donde pudieran convivir ambos programas. El reto de
actualizar el programa para funcionar en versiones actuales de MATLAB/Simulink
queda propuesto como trabajo futuro.
Al validad el sistema mediante la estrategia de control basada en campos potenciales
de velocidad podemos concluir lo siguiente:
el controlador PI empleado hace que el robot logre seguir de manera adecuada la ruta
calculada, con el defecto de seguirla con una velocidad de 10cm/s devido a que unicamente
se toma encuenta la cinemática del robot y no la dinamica del mismo.
6.0.1. Trabajo futuro
Como trabajo futuro se propone lo siguiente:
Actualizar el programa desarollado para funcionar en versiones actuales de matlab
tales como R2021 o R2024.
Copilar ROS noetic para funcionar en la version actual de UBUNTU, siendo esta
la version 22.04.4 al año de redacion de este texto.
Copilar aria de forma que se pueda emplear en Matlab, quitando asi la necesidad
de linux como intermediario entre MATLAB y la misma biblioteca.
Abordar el problema de navegación en ambientes cambiantes dinamicos, mediante
campos potenciales u otras tecnicas. Tambien se propone abordar el problema de
mapeo mensionado en el capitulo 1 de este trabajo con la nalidad de emplear el
hardware interno del robot.
Apéndice A
Programa de inicialisacion de
bibliotecas motive
A continuación se presenta el programa encargado de inicializar y con gurar el acceso
a las bibliotecas de Motive.
1 % Limpiar todo el espacio de trabajo
2 clear all;
3
4 %Agregar la ruta para los iconos de los bloques
5
addpath('D:\Projectos\Vehiculos_terrestres\Amigobot\campos_potenciales_GR\original\');
6
7 % Archivo de proyecto Motiove que contiene la calibraci\`{o}n de la c\'{a}mara y la
configuraci\`{o}n de los marcadores
8 project_file =
'D:\Projectos\Vehiculos_terrestres\Amigobot\campos_potenciales_GR\original\';
9
10 % Ubicaci\`{o}n que contiene archivos .dll (bibliotecas din\`{a}micas) y .lib
(bibliotecas est\`{a}ticas)
11 inc_location =
'D:\Projectos\Vehiculos_terrestres\Amigobot\campos_potenciales_GR\original\inc\';
12
13 % Ubicaci\`{o}n que contiene archivos .h (encabezados) fijos
14 lib_location =
'D:\Projectos\Vehiculos_terrestres\Amigobot\campos_potenciales_GR\original\lib\';
15
16 % Inicializaci\`{o}n de ROS
17 rosinit('[Link]')
50
Apendice A: Programa de inicializacion de bibliotecas motive 51
Apéndice B
Bloque TrackableLocation
El subsitema TrackableLocation, se muestra en la Figura B.1 podemos observar 3
bloques principales, ademas de varios bloques goto, los cuales sirven para enviar variables
a otros subsistemas y un bloque Gain el cual se emplea para volver invertir z segun nuestro
sistema de referencia.
52
Apendice B: Programa de inicializacion de bibliotecas motive 53
x
Goto
x x
dx_dt xp
Goto2
y y
y dy_dt
Terminator2
Goto1
z -1 z
Gain
dz_dt yp
Goto3
1 Trackable_index roll roll
Trackable_index TrackableLocation
roll droll_dt
Terminator
pitch pitch Yaw_correction yaw pitch
fcn
yaw Goto4
dpitch_dt
MATLAB Function1
yaw yaw Terminator1
dyaw_dt dyaw_dt
Current_Time_Stamp Current_Time_Stamp
To Workspace2
MATLAB Function Derivadas
Figura B.1: Subsistema: Trackable Location.
B.0.1. Funcion TrackableLocation
EL siguiente programa es el encargado de obtener la pose de Amigobot mediante las
bibliotecas de Motive iniciadas mediante el programa del Apendice A.
1 function [x,y,z,roll,pitch,yaw,Current_Time_Stamp]= TrackableLocation(Trackable_index)
2
3 [Link]('calllib') % Define funci\`{o}n de MATLAB en Simulink
4
5 % Actualiza el frame
6 calllib('NPTrackingTools', 'TT_Update'); % Actualiza los datos
7
8 % Define los tipos de salida de la funci\`{o}n TT_TrackableLocation
9 % Se necesita que sea de tipo de datos \`{u}nico para la funci\`{o}n
10 X=single(0); Y=single(0); Z=single(0);
11 YAW=single(0); PITCH=single(0); ROLL=single(0);
12 qx=single(0); qy=single(0); qz=single(0); qw=single(0);
Apendice B: Programa de inicializacion de bibliotecas motive 54
13 Current_Time=double(0);
14
15 % Encuentra los componentes de pose del objeto a rastear
16 [X,Y,Z,qx,qy,qz,qw,YAW,PITCH,ROLL] = calllib('NPTrackingTools',
'TT_RigidBodyLocation',(Trackable_index-1),X,Y,Z,qx,qy,qz,qw,YAW,PITCH,ROLL);
17
18 % Obtiene la marca de tiempo
19 Current_Time = calllib('NPTrackingTools', 'TT_FrameTimeStamp');
20
21 % Calcula la diferencia de tiempo entre las capturas de dato
22
23 % Simulink acepta solo tipo de datos double
24 x=double(X); y=double(Y); z=double(Z);
25 yaw=double(YAW); pitch=double(PITCH); roll=double(ROLL);
26
27 Current_Time_Stamp=double(Current_Time);
28
29 end
B.0.1.1. Bloque Yaw correction
Este bloque cambia el formato del angulo de giro yaw, de −180 a 180 lo convierte a
grados, ademas de corregir la discontinuidad presente cuando el robot pasa del segundo
al tercer cuadrante.
1 function Yaw_correction = fcn(roll,pitch,yaw) % Sirve para corregir el \`{a}ngulo
cuando pasa por la discontinuidad (cuando pasa del segundo al tercer cuadrante)
2 if abs(roll)>90 && abs(pitch)>90 % Comprueba si los valores absolutos de roll y
pitch son mayores que 90
3 if yaw>=0
4 Yaw_correction=180-yaw; % Correcci\`{o}n si yaw es mayor o igual a 0
5 else
6 Yaw_correction=-180-yaw; % Correcci\`{o}n si yaw es menor que 0
7 end
8 else
9 Yaw_correction=yaw; % Si no se cumplen las condiciones anteriores, no hay
correcci\`{o}n
10 end
11 end
Apendice B: Programa de inicializacion de bibliotecas motive 55
B.0.2. Bloque derivadas
Este bloque calcula las derivadas temporales necesarias, se usaron las derivada de x,
z (notece que la llamamos y en nuestro sistema de referencia) y yaw, la Figura B.2 muestra
el diagrama de bloques de este subsistema.
1
1 dx_dt
x
2 dx_dt
y
3 2
dy_dt
z
4 Data dy_dt
roll
5 3
pitch dz_dt
6 dz_dt
yaw
7 4
Current_Time_Stamp
Mux
fcn droll_dt
droll_dt
5
dpitch_dt
Previous_Data dpitch_dt
Memory
6
dyaw_dt
dyaw_dt
Mux1 MATLAB Function
Figura B.2: Subsistema: Derivadas.
El siguiente programa es el encargado de calcular las derivadas.
1 function [dx_dt,dy_dt,dz_dt,droll_dt,dpitch_dt,dyaw_dt] = fcn(Data,Previous_Data)
2 % Calcula la diferencia de tiempo entre muestras consecutivas
3 Delta_Time = Data(7) - Previous_Data(7);
4 % Calcula la norma de la diferencia entre los datos actuales y los anteriores
5 norm_delta = norm(Data(1:6) - Previous_Data(1:6));
6
7 % Comprueba si la norma es distinta de cero y si el tiempo transcurrido es
positivo
8 if ~((norm_delta == 0) && (Delta_Time <= 0))
9 % Calcula las derivadas temporales de las coordenadas espaciales
Apendice B: Programa de inicializacion de bibliotecas motive 56
10 dx_dt = (Data(1) - Previous_Data(1)) / Delta_Time;
11 dy_dt = (Data(2) - Previous_Data(2)) / Delta_Time;
12 dz_dt = (Data(3) - Previous_Data(3)) / Delta_Time;
13 dyaw_dt = (Data(6) - Previous_Data(6)) / Delta_Time;
14
15 % Corrige las derivadas temporales de yaw si supera los l\`{i}mites de -180 a
180 grados
16 if ((Data(6) - Previous_Data(6)) > 180)
17 dyaw_dt = ((Data(6) - Previous_Data(6)) - 360) / Delta_Time;
18 elseif ((Data(6) - Previous_Data(6)) < -180)
19 dyaw_dt = ((Data(6) - Previous_Data(6)) + 360) / Delta_Time;
20 end
21
22 % Calcula las derivadas temporales de los \`{a}ngulos de orientaci\`{o}n
23 dpitch_dt = (Data(5) - Previous_Data(5)) / Delta_Time;
24 droll_dt = (Data(4) - Previous_Data(4)) / Delta_Time;
25 else
26 % Si la norma es cero o el tiempo transcurrido es negativo, se usan los
valores anteriores
27 dx_dt = Previous_Data(8);
28 dy_dt = Previous_Data(9);
29 dz_dt = Previous_Data(10);
30 dyaw_dt = Previous_Data(13);
31 dpitch_dt = Previous_Data(12);
32 droll_dt = Previous_Data(11);
33 end
34 end
Apéndice C
Programa de generacion de campos
potenciales
El siguiente programa es el encargado de generar la referencia para ser empleada en el
controlador, se basa en la teoria revisada en la Sección 4.2.
1 function [Vx, Vy, Vxp, Vyp, ex, ey] = vel_field_WMR(x, y, xp, yp, xc, yc, rc, gama,
Kv, x_obs, y_obs, r_obs)
2 %------------------------------------------------------------------
3 % Entradas: x, y, xp, yp, xc, yc, rc
4 % Salidas: [xpd, ypd, xppd, yppd]
5 % g = 9.81;
6 % x = in(1); % Posici\`{o}n actual del veh\`{i}culo en x
7 % y = in(2); % Posici\`{o}n actual del veh\`{i}culo en y
8 % xp = in(3); % Posici\`{o}n actual del veh\`{i}culo en x
9 % yp = in(4); % Posici\`{o}n actual del veh\`{i}culo en y
10 % xc = in(5);
11 % yc = in(6);
12 % rc = in(7);
13
14 hp = [xp; yp];
15
16
17 %-------------------------------------------------------------------------
18 % C\`{a}lculo de teta_cl := qcl y sus derivadas
19 xt = x - xc;
20 yt = y - yc;
21 ht = [xt; yt];
22 qcl = atan2(yt, xt); % Theta_closer
23 qp_cl = cruz(ht, hp) / (ht' * ht); % (xt * yp - yt * xp) / d_cl^2;
57
Apendice C: Programa de generacion de campos potenciales 58
24
25 % C\`{a}lculo de derivadas de Vdes
26 [x_cl, y_cl] = TrayecCirculo(qcl, xc, yc, rc);
27 ex = x_cl - x;
28 ey = y_cl - y;
29 he = [ex; ey];
30 Vap = he / norm(he); % Vap
31
32 Vxc = -rc * sin(qcl);
33 Vyc = rc * cos(qcl);
34 Vc = [Vxc; Vyc];
35 dist_Vc = norm(Vc);
36 Vtg = Vc / dist_Vc; % Vtg
37
38 % V
39 gg = -gama * norm(he);
40 f = exp(gg);
41 F1 = (2 / (1 + f)) - 1;
42 F2 = 1 - F1;
43 Vnum = F1 * Vap + F2 * Vtg;
44 Vvf = Vnum / norm(Vnum);
45 % norm(Vnum)
46
47 % Primera derivada -----1-----------1---------------1------------1------
48 xp_cl = qp_cl * Vxc;
49 yp_cl = qp_cl * Vyc;
50 e_xp = xp_cl - xp;
51 e_yp = yp_cl - yp;
52 hep = [e_xp; e_yp];
53 Vp_ap = Vp(Vap, he, hep);
54
55 Vp_xc = -qp_cl * Vyc; % -10*qp_cl * cos(qcl);
56 Vp_yc = qp_cl * Vxc;
57 Vp_c = [Vp_xc; Vp_yc];
58 Vp_tg = Vp(Vtg, Vc, Vp_c); % (Vp_c - (Vtg' * Vp_c) * Vtg) / dist_Vc;
59
60 % Vp
61 gp = -gama * (Vap' * hep);
62 fp = f * gp;
63 F1p = -2 * fp / (1 + f)^2;
64 F2p = -F1p;
65
66 Vp_num = F1 * Vp_ap + F2 * Vp_tg + F1p * Vap + F2p * Vtg;
67 Vp_vf = Vp(Vvf, Vnum, Vp_num);
Apendice C: Programa de generacion de campos potenciales 59
68
69
70 Vxa = Vvf(1);
71 Vya = Vvf(2);
72 Vxpa = Vp_vf(1);
73 Vypa = Vp_vf(2);
74
75
76 in = [x; y; xp; yp; Vxa; Vya; Vxpa; Vypa; x_obs; y_obs; r_obs];
77 out = vel_ev(in);
78 Vx = Kv * out(1);
79 Vy = Kv * out(2);
80 Vxp = Kv * out(3);
81 Vyp = Kv * out(4);
82 end
83
84 function [x, y] = TrayecCirculo(q, xc, yc, rc)
85 x = xc + rc * cos(q);
86 y = yc + rc * sin(q);
87 end
88
89 function [out] = cruz(a, b)
90 % Producto cruzado
91 R = [0 1; -1 0];
92 out = a' * R * b;
93 end
94
95 function [out] = Vp(V, v1, v1p)
96 out = (v1p - (V' * v1p) * V) / norm(v1);
97 end
Apéndice D
Programa de control
El siguiente programa corresponde al bloque de control y es el encargado de controlar
la orientación del robot.
1 % Calcula la velocidad lineal del robot
2 v = sqrt(Vx^2 + Vy^2);
3
4 % Calcula el \`{a}ngulo deseado de orientaci\`{o}n
5 teta_d = atan2(Vy, Vx);
6
7 % Convierte el \`{a}ngulo actual de yaw a radianes
8 teta = yaw * pi / 180;
9
10 % Calcula el error de orientaci\`{o}n
11 e_teta = teta_d - teta;
12
13 % Corrige el error de orientaci\`{o}n si est\`{a} fuera del rango [-pi, pi]
14 if (e_teta < -pi)
15 e_teta = 2 * pi + e_teta;
16 elseif (e_teta > pi)
17 e_teta = -2 * pi + e_teta;
18 end
19 % Calcula la derivada del \`{a}ngulo de orientaci\`{o}n deseado
20
21 if (v == 0)
22 teta_dp = atan2(Vyp, Vxp);
23 else
24 teta_dp = (Vxp * Vy - Vyp * Vx) / v^2;
25 end
26
60
Apendice D: Programa de control 61
27 % Calcula la velocidad angular de control utilizando un controlador PI
28 w = kp * e_teta + teta_dp + ki * int_e;
29 end
Bibliografía 62
Bibliografía
[1] S. Tucker, Self-driving cars: Everything you need to know - kelley blue book, 2024.
[2] S. User, Amazon warehouse robots. 1
[3] MiX Telematics, The rise of autonomous trucks in the mining industry - mix tele-
matics north america. 1
[4] El rover perseverance de la NASA 'al volante' - NASA ciencia. 1
[5] L. A. García, R. Pérez Alcocer, and G. Ramos, Tracking control of a wheeled mo-
bile robot in a velocity eld with obstacle avoidance, REVISTA DE CIENCIAS
TECNOLÓGICAS, vol. 6, no. 4, p. e266, 2023. 1
[6] B. Shepperd, Types of drones. My Drone Professional - Best drones for beginners,
Good drones with cameras, Best drones for commercial use, recommended drone
cameras, drone reviews buying guides, Sin fecha. 4
[7] J. Rennie, Drone types: Multi-rotor, xed-wing, single rotor, hybrid vtol, 2024.
Accedido el 24 de febrero de 2024. 5
[8] P. Ryabchuk, How does path planning for autonomous vehicles work, 2018. 5
[9] C. Stachniss, J. J. Leonard, and S. Thrun, Simultaneous localization and mapping,
in Springer Handbook of Robotics, pp. 11531176, Springer, 2016. 6
[10] A. A. A. Rasheed, M. N. Abdullah, and A. S. Al-Araji, A review of multi-agent
mobile robot systems applications., International Journal of Electrical & Computer
Engineering (2088-8708), vol. 12, no. 4, 2022. 6
[11] P. Lin, J. H. Yang, Y. S. Quan, and C. C. Chung, Potential eld-based path planning
for emergency collision avoidance with a clothoid curve in waypoint tracking, Asian
Journal of Control, vol. 24, no. 3, pp. 10741087, 2022. 6
[12] S. H. A. Wahab, A. Saudi, N. Saad, and A. Chekia, Uav path planning using rotated
tor in structured environment, in2022 IEEE International Conference on Arti cial
Intelligence in Engineering and Technology (IICAIET), pp. 16, September 2022. 7
Bibliografía 63
[13] S. Ionita, Autonomous vehicles: from paradigms to technology, in IOP Conference
Series: Materials Science and Engineering, vol. 252, p. 012098, October 2017. 7
[14] X. Chen, Z. Huang, Y. Sun, Y. Zhong, R. Gu, and L. Bai, Online on-road mo-
tion planning based on hybrid potential eld model for car-like robot, Journal of
Intelligent & Robotic Systems, vol. 105, no. 1, p. 7, 2022. 7
[15] P. Vadakkepat, K. C. Tan, and W. Ming-Liang, Evolutionary arti cial potential
elds and their application in real-time robot path planning, in Proceedings of the
2000 Congress on Evolutionary Computation, CEC00, vol. 1, pp. 256263, July 2000.
7
[16] R. D. Puriyanto, O. Wahyunggoro, and A. I. Cahyadi, Implementation of improved
arti cial potential eld path planning algorithm in dierential drive mobile robot, in
14th International Conference on Information Technology and Electrical Engineering
(ICITEE), pp. 1823, October 2022. 7
[17] IAAR, Visión por computadora - libro online de iaar, s.f. 7
[18] S. Fernández, C. Javier, and V. S. Consuegra, Reconocimiento óptico de caracteres
(ocr), Univ. Carlo, vol. 3, no. 7, p. 2008, 2008. 7
[19] J. Sánchez Diez et al., Control de calidad del acabado super cial de bobinas de
alambrón mediante inspección robotizada asistida por visión arti cial, 2016. 8
[20] M. Menolotto, D.-S. Komaris, S. Tedesco, B. O'Flynn, and M. Walsh, Motion cap-
ture technology in industrial applications: A systematic review, Sensors, vol. 20,
no. 19, p. 5687, 2020. 8
[21] C. R. Viala and A. J. S. Salmerón, Procedimiento completo para el calibrado de
cámaras utilizando una plantilla plana, Revista Iberoamericana de Automática e
Informática Industrial RIAI, vol. 5, no. 1, pp. 93101, 2008. 15
[22] ActiveMedia ROBOTICS, Amigo User Guide. 23, 25
[23] Lantronix, Inc., WIBOX x 2100E Device Server User Guide. Lantronix, Inc., De-
cember 2017. Document Revision: December 2017. 26
[24] H. E. Espitia Cuchango and J. I. Sofrony Esmeral, Algoritmo para planear trayec-
torias de robots móviles, empleando campos potenciales y enjambres de partículas
activas brownianas, Ciencia e Ingeniería Neogranadina, vol. 22, no. 2, pp. 7596,
2012. 33
Bibliografía 64
[25] C. Pérez-D'Arpino, W. Medina-Meléndez, L. Fermín, J. Guzmán, G. Fernández-
López, and J. C. Grieco, Dynamic velocity eld angle generation for obstacle avoi-
dance in mobile robots using hydrodynamics, in Ibero-American Conference on Ar-
ti cial Intelligence, pp. 372381, Springer, 2008. 34
[26] O. Hirshfeld, Natural point motive (optitrack) api interface to
matlab and simulink 64bit. [Link]
Motive-API-interface-to-Matlab-and-simulink-in-Real-time, 2023. GitHub.
Retrieved December 20, 2023. 41, 43, 48
También podría gustarte
- Robot Móvil Hexápodo: Diseño y ConstrucciónAún no hay calificacionesRobot Móvil Hexápodo: Diseño y Construcción39 páginas
- Modos de marcha de robot hexápodoAún no hay calificacionesModos de marcha de robot hexápodo137 páginas
- Tipos de Locomoción en Robótica MóvilAún no hay calificacionesTipos de Locomoción en Robótica Móvil27 páginas
- Robots Colaborativos para Transporte AutónomoAún no hay calificacionesRobots Colaborativos para Transporte Autónomo114 páginas
- Características de la Robótica MóvilAún no hay calificacionesCaracterísticas de la Robótica Móvil35 páginas
- TesisTT MauDanAbiNao DAMN UPIITA Meca RoverAún no hay calificacionesTesisTT MauDanAbiNao DAMN UPIITA Meca Rover71 páginas
- Diseño de Robots Hexápodos EstablesAún no hay calificacionesDiseño de Robots Hexápodos Estables4 páginas
- Robot cuadrúpedo y ciclos de marchaAún no hay calificacionesRobot cuadrúpedo y ciclos de marcha181 páginas
- Estrategias de Búsqueda con Robots HeterogéneosAún no hay calificacionesEstrategias de Búsqueda con Robots Heterogéneos63 páginas
- Robot híbrido-nómada: Versatilidad y AdaptabilidadAún no hay calificacionesRobot híbrido-nómada: Versatilidad y Adaptabilidad2 páginas
- Robots Aereos Origen Funcionamiento y Su Impacto en La SociedadAún no hay calificacionesRobots Aereos Origen Funcionamiento y Su Impacto en La Sociedad10 páginas
- Cuadrúpedo Robótico con Funciones BípedasAún no hay calificacionesCuadrúpedo Robótico con Funciones Bípedas89 páginas
- Control de Cuadricóptero con PID y EvoluciónAún no hay calificacionesControl de Cuadricóptero con PID y Evolución102 páginas
- Dispositivo Autónomo de Transporte CargaAún no hay calificacionesDispositivo Autónomo de Transporte Carga41 páginas
- Tipos de Robots Móviles y Sus UsosAún no hay calificacionesTipos de Robots Móviles y Sus Usos14 páginas
- Drone para Inspección y MantenimientoAún no hay calificacionesDrone para Inspección y Mantenimiento214 páginas
- Introducción a Robots Aéreos y DronesAún no hay calificacionesIntroducción a Robots Aéreos y Drones37 páginas
- Robot Autónomo para Transporte de ObjetosAún no hay calificacionesRobot Autónomo para Transporte de Objetos51 páginas
- Algoritmo Reactivo para Evitar ObstáculosAún no hay calificacionesAlgoritmo Reactivo para Evitar Obstáculos109 páginas
- Simulación de Rutas para Robots MóvilesAún no hay calificacionesSimulación de Rutas para Robots Móviles95 páginas
- Plataforma robótica móvil de bajo costoAún no hay calificacionesPlataforma robótica móvil de bajo costo4 páginas
- Aplicaciones de la Robótica en Diversos CamposAún no hay calificacionesAplicaciones de la Robótica en Diversos Campos116 páginas
- Guía de Implementación de AMR AAEONAún no hay calificacionesGuía de Implementación de AMR AAEON30 páginas
- Morfología de Robots: Estructura y TiposAún no hay calificacionesMorfología de Robots: Estructura y Tipos7 páginas
- Robótica Modular Libre: Diseño y AplicacionesAún no hay calificacionesRobótica Modular Libre: Diseño y Aplicaciones43 páginas
- Evolución y Clasificación de RobotsAún no hay calificacionesEvolución y Clasificación de Robots11 páginas
- Robótica Educativa: Ejemplos de RobotsAún no hay calificacionesRobótica Educativa: Ejemplos de Robots9 páginas
- Robot Móvil para Recolección de SedimentosAún no hay calificacionesRobot Móvil para Recolección de Sedimentos9 páginas
- Robots Escaladores: Estado del ArteAún no hay calificacionesRobots Escaladores: Estado del Arte9 páginas
- Control de Trayectoria en Robots MóvilesAún no hay calificacionesControl de Trayectoria en Robots Móviles19 páginas
- Control de Detección con UAVs en EmergenciasAún no hay calificacionesControl de Detección con UAVs en Emergencias11 páginas
- Introducción a la Robótica InfantilAún no hay calificacionesIntroducción a la Robótica Infantil33 páginas
- Proyecto de Robot Hexápodo: Diseño y ProgramaciónAún no hay calificacionesProyecto de Robot Hexápodo: Diseño y Programación23 páginas
- Implementación de ArduPilot en QuadrotorAún no hay calificacionesImplementación de ArduPilot en Quadrotor84 páginas
- Control y Diseño de Robots MóvilesAún no hay calificacionesControl y Diseño de Robots Móviles7 páginas
- Sistema de Navegación para Robot OmnidireccionalAún no hay calificacionesSistema de Navegación para Robot Omnidireccional6 páginas
- Prototipo de Robot Acuático K-222Aún no hay calificacionesPrototipo de Robot Acuático K-222156 páginas
- Drones en Topografía: Uso y AplicacionesAún no hay calificacionesDrones en Topografía: Uso y Aplicaciones16 páginas
- Modelado de Robot Bípedo con 6 GradosAún no hay calificacionesModelado de Robot Bípedo con 6 Grados91 páginas
- Control ON-OFF en Robot Evasor de ObstáculosAún no hay calificacionesControl ON-OFF en Robot Evasor de Obstáculos4 páginas
- Modelamiento de Robots Móviles AutónomosAún no hay calificacionesModelamiento de Robots Móviles Autónomos40 páginas
- Informe sobre Robot Móvil Evitador de ObstáculosAún no hay calificacionesInforme sobre Robot Móvil Evitador de Obstáculos14 páginas
- Tipos y características de robots móvilesAún no hay calificacionesTipos y características de robots móviles22 páginas
- Problemas de Sistemas Lineales y MatricesAún no hay calificacionesProblemas de Sistemas Lineales y Matrices5 páginas
- Curso Básico de Scilab: Programación y GráficasAún no hay calificacionesCurso Básico de Scilab: Programación y Gráficas140 páginas
- Metamateriales THz en Imágenes BiomédicasAún no hay calificacionesMetamateriales THz en Imágenes Biomédicas7 páginas
- Control de Robots Manipuladores: Notas de ClaseAún no hay calificacionesControl de Robots Manipuladores: Notas de Clase265 páginas
- Metamateriales THz en Imágenes BiomédicasAún no hay calificacionesMetamateriales THz en Imágenes Biomédicas7 páginas
- Problemas de Sistemas de Control LinealAún no hay calificacionesProblemas de Sistemas de Control Lineal6 páginas
- Sonar y SLAM en Amigobot: ImplementaciónAún no hay calificacionesSonar y SLAM en Amigobot: Implementación1 página
- Tesis en Matemáticas - Universidad de SonoraAún no hay calificacionesTesis en Matemáticas - Universidad de Sonora1 página
- SLAM en Robots Móviles: Implementación y AlgoritmosAún no hay calificacionesSLAM en Robots Móviles: Implementación y Algoritmos11 páginas
- Modelos de Ecuaciones de Estado en ControlAún no hay calificacionesModelos de Ecuaciones de Estado en Control3 páginas
- Detección de fallas en FPGAs con IAAún no hay calificacionesDetección de fallas en FPGAs con IA9 páginas
- Intersección Ecuación 7.91 en JupyterAún no hay calificacionesIntersección Ecuación 7.91 en Jupyter6 páginas
- Cinemática Directa de Manipuladores DHAún no hay calificacionesCinemática Directa de Manipuladores DH20 páginas
- Derivada parcial de matriz R respecto a φAún no hay calificacionesDerivada parcial de matriz R respecto a φ2 páginas
- Análisis de Circuitos Electrónicos y SimulacionesAún no hay calificacionesAnálisis de Circuitos Electrónicos y Simulaciones19 páginas
- Diagnóstico de Fallas en Motores BLDCAún no hay calificacionesDiagnóstico de Fallas en Motores BLDC4 páginas
- Matrices de Transformación HomogéneasAún no hay calificacionesMatrices de Transformación Homogéneas16 páginas
- Control No Lineal: Números Complejos y CuaternionesAún no hay calificacionesControl No Lineal: Números Complejos y Cuaterniones11 páginas
- Proceso de Reclamación ContractualAún no hay calificacionesProceso de Reclamación Contractual1 página
- Control Tolerante a Fallos en Micro-redesAún no hay calificacionesControl Tolerante a Fallos en Micro-redes29 páginas
- Vocabulario de Aves en Inglés y EspañolAún no hay calificacionesVocabulario de Aves en Inglés y Español2 páginas
- Cálculo de Jacobiana en Manipulador 3EslabonesAún no hay calificacionesCálculo de Jacobiana en Manipulador 3Eslabones2 páginas
- Matriz de rotación para 120° en 3DAún no hay calificacionesMatriz de rotación para 120° en 3D2 páginas
- Partes del Cuerpo en Inglés y EspañolAún no hay calificacionesPartes del Cuerpo en Inglés y Español3 páginas
- Detección de Fallas con PCA en ProcesosAún no hay calificacionesDetección de Fallas con PCA en Procesos6 páginas
- Ejercicios de Flotabilidad con Barcos de PapelAún no hay calificacionesEjercicios de Flotabilidad con Barcos de Papel6 páginas
- Clase Creativa sobre "La Casa de Bernarda Alba"Aún no hay calificacionesClase Creativa sobre "La Casa de Bernarda Alba"3 páginas
- Producción y Secado de Heno EficienteAún no hay calificacionesProducción y Secado de Heno Eficiente41 páginas
- Procedimiento de Inspección con Líquidos Penetrantes50% (2)Procedimiento de Inspección con Líquidos Penetrantes21 páginas
- Análisis Psicológico de "Preciosa" según FreudAún no hay calificacionesAnálisis Psicológico de "Preciosa" según Freud23 páginas
- Dimensionamiento y Diseño de TuberíasAún no hay calificacionesDimensionamiento y Diseño de Tuberías47 páginas
- Alejandro Zaera Polo: Arquitectura InnovadoraAún no hay calificacionesAlejandro Zaera Polo: Arquitectura Innovadora7 páginas
- Chris Pratt y su experiencia en "Mercy"Aún no hay calificacionesChris Pratt y su experiencia en "Mercy"370 páginas
- Sucesiones Convergentes en MatemáticasAún no hay calificacionesSucesiones Convergentes en Matemáticas4 páginas
- Desempeños Motrices en Quinto GradoAún no hay calificacionesDesempeños Motrices en Quinto Grado13 páginas
- Presupuesto Sistema de Facturación Cinag@sAún no hay calificacionesPresupuesto Sistema de Facturación Cinag@s2 páginas
- Estándares Internacionales en SaludAún no hay calificacionesEstándares Internacionales en Salud11 páginas
- Seguridad en Instalaciones EléctricasAún no hay calificacionesSeguridad en Instalaciones Eléctricas3 páginas
- Taller sobre Lateralidad en NiñosAún no hay calificacionesTaller sobre Lateralidad en Niños2 páginas
- Análisis de Seguridad en Fábrica QuímicaAún no hay calificacionesAnálisis de Seguridad en Fábrica Química2 páginas
- Cuestionario de Evaluación Integral CISAAún no hay calificacionesCuestionario de Evaluación Integral CISA42 páginas
- Volkswagen Tera 2026: Ficha Técnica y ModelosAún no hay calificacionesVolkswagen Tera 2026: Ficha Técnica y Modelos30 páginas
- Evaluación de Atención Comunitaria IIAún no hay calificacionesEvaluación de Atención Comunitaria II6 páginas
- Proyectos de Reciclaje en Clase 6Aún no hay calificacionesProyectos de Reciclaje en Clase 624 páginas
- Precios y Productos de Envases y UtensiliosAún no hay calificacionesPrecios y Productos de Envases y Utensilios4 páginas