Estimación de distancia con sensores ópticos reflectantes mediante redes neuronales con funciones de base radial para aplicaciones integradas

Distance Estimation with Reflective Optical Sensors Using Neural Networks with Radial Basis Functions for Embedded Applications

Los sensores de reflexión ópticos para medir distancia se caracterizan por la no linealidad de la salida. Esta condición deben asumirla las unidades de procesamiento donde son utilizados. El presente artículo tiene por objeto reducir el costo computacional, en términos de espacio de memoria y tiempo de procesamiento, en la linealización de la salida de los sensores para ser usados en sistemas embebidos de bajo costo. Los resultados de dos diferentes sensores indican que la curva exponencial estimada se puede ajustar usando redes neuronales con funciones de base radial con una reducción de más del 50% en el tiempo de procesamiento. Para el diseño de la red se estudió la eficiencia respecto al tamaño de la red y a la distribución de los centroides con resultados importantes. La reducción del tiempo y de espacio lograda permite aprovechar los recursos del sistema en otras tareas, al mismo tiempo que posibilita aumentar la frecuencia de muestreo en la adquisición.

INTRODUCCIÓN

Diferentes procesos industriales de los sectores manufacturero, automotor, aeronáutico, médico, entre otros, requieren desarrollar sistemas embebidos dentro de sus soluciones tecnológicas. Estos sistemas especializados contienen unidades centrales de procesamiento (CPU) específicas, de acuerdo con los requisitos del problema, que demandan algoritmos extensos que cumplen, pero ocupan completamente su memoria. Por lo tanto, la interacción con los procesos en el entorno debe llevarse a cabo de manera eficiente, haciendo la caracterización de medición una tarea bien importante.

Los sensores transforman cualquier tipo de señal a señales eléctricas que un sistema basado en microcomputadores emplea para monitorear y controlar. La salida de los sensores, muchas veces no lineal, puede ser acondicionada con hardware adicional como en (Khachab e Ismail, 1991; Volpi, Nizza y Bruschi, 2007); sin embargo, esto puede traer más dificultades. Una solución interna es usar tablas de búsqueda, pero la memoria requerida llega a ser considerable (Boris, Hocenski y Cvitas, 2006). Por otra parte, las no linealidades pueden tratarse mediante operaciones aritméticas, pues tienen un modelo preciso del sensor. En ausencia de modelos teóricos, las redes neuronales muestran una alternativa para la aproximación de funciones (Sánchez y Alanís, 2006).