Resumen

Este artículo presenta técnicas alternativas de localización y mapeo simultáneo del ambiente, que permiten a los robots móviles auto referenciarse en un ambiente de navegación de reducida accesibilidad al posicionamiento mediante medios externos, como Sistemas de Posicionamiento Global (o GPS por sus siglas en inglés). La metodología consiste en implementar cuatro algoritmos de aprendizaje de máquina no-supervisado. Utilizando conjuntos de datos que se generan en base a una nube de puntos de rango entregados por las mediciones de un sensor LiDAR (o Detección de Luz y Rango por sus siglas en inglés). El enfoque propuesto identifica las características del mapa de navegabilidad y un método adicional, basado en el Filtro de Kalman Extendido (o EKF por sus siglas en inglés). EKF permite encontrar el posicionamiento del robot que se conjuga con cada uno de los algoritmos propuestos. El primer método propuesto consiste en la estimación de las características del ambiente mediante métodos heurísticos y la conformación del mapa mediante principios geométricos. El segundo método implementado se basa en K-Means para incorporar la incertidumbre en la medición del sensor, mientras que la tercera solución utiliza el modelo de mezcla de Gaussianas. El cuarto método se enfoca en el agrupamiento espacial de datos basado en densidad de datos con ruido (o DBSCAN por sus siglas en inglés). Para incluir incertidumbre dentro del ambiente de prueba, se induce error de odometría en el robot, la misma que se propaga hacia las lecturas del posicionamiento. Los resultados muestran que DBSCAN presenta un mejor tiempo de ejecución del sistema de localización propuesto frente a los otros métodos de comparativa. Además, la localización del robot es más precisa con este método, mostrando una reducción del 5% del error frente al resultado obtenido de los otros algoritmos propuestos. Finalmente, con los resultados alcanzados se prevé que con la disminución de error de localización y mapeo automático se pueda disminuir el consumo de los recursos del robot.

INTRODUCCIÓN

En las últimas décadas, la introducción de las tecnologías de información, el aprendizaje de máquina, y la robótica han sido herramientas clave para mejorar la eficiencia de las operaciones mineras tales como la exploración, perforación, manejo de explosivos, y transporte de material. Por ejemplo, maquinaria terrestre no tripulada provee una herramienta efectiva en faena para la inspección, extracción y acarreo de minerales; sin embargo, las condiciones hostiles del ambiente y superficies cerradas deniegan la localización del vehículo mediante GPS, lo cual es parte fundamental para la navegabilidad autónoma. Es así como se han planteado alternativamente los Sistemas de Localización y Mapeo Simultáneo (o SLAM) [1], los cuales comprenden una estrategia clave para que robots móviles puedan navegar de manera autónoma a lo largo de trayectorias o caminos en ambientes desconocidos, donde la señal GPS puede estar ocluida por condiciones del robot o entorno [2]-[4]. 

• Materias:Aprendizaje automático Calibración de robots Navegación de robots Robot autónomo
• Subjects:Machine learning Robot calibration Robot navigation Robot autonomous
• Palabras claves:Localización y mapeo simultáneo; K-medias; Modelos de mezcla Gaussiana; Agrupamiento espacial basado en densidad de aplicaciones con ruido; Filtro de Kalman extendido; Robot móvil autónomo
• Keywords:Simultaneous localization and mapping (SLAM); K-means; Gaussian mixture models; Density-based spatial clustering of applications with noise (DBSCAN); Extended Kalman filter; Autonomous mobile robot