INVESTIGACI

ON REVISTA MEXICANA DE F

ISICA 51 (1) 6470 FEBRERO 2005

Integraci on sensorial utilizando clasicaci on difusa
en tareas de ensamblado en rob otica
J.A. Garca Mu noz
a
, M.A. LLama Leal
b
y J.A. Padilla Medina
a
a
Instituto Tecnol ogico de Celaya,
Av. Tecnol ogico y A. Garca Cubas, 38010, Celaya, Gto.
b
Instituto Tecnol ogico de la Laguna,
Blvd. Revoluci on y Czda. Cuauht emoc, 27000, Torre on, Coah.
Recibido el 1 de abril de 2004; aceptado el 17 de mayo de 2004
Se han desarrollado algunas propuestas para la automatizaci on de tareas de ensamblado con robots. Sin embargo, casi todas enfrentan
el mismo problema: la necesidad de identicar la situaci on de contactos actual a partir de la informaci on sensorial. La conabilidad de
las tareas de ensamblado con manipuladores rob oticos es afectada por la incertidumbre. El conocimiento de las fuerzas de reacci on es
complemento natural de la informaci on de conguraci on geom etrica en presencia de incertidumbre, ya que implican una restricci on en
el espacio de conguraciones del robot. Las t ecnicas de integraci on sensorial tienen como objetivo combinar la informaci on de diversos
sensores para construir y actualizar un modelo del entorno que permita alcanzar una meta determinada. En este trabajo se presenta una
propuesta de integraci on sensorial, basada en t ecnicas de clasicaci on difusa, que utiliza el conocimiento de la conguraci on del robot y las
fuerzas generalizadas de reacci on, considerando la incertidumbre de modelado y sensado.
Descriptores: Identicaci on de estados; clasicaci on difusa; manipulaci on diestra.
Some approaches to the automation of assembly tasks with robots have been proposed. However, nearly all of them face the same problem:
the need of identifying the current contact situation from sensory data. The condence of assembly tasks with robotic manipulators is affected
by uncertainty. The knowledge of the generalized reaction force is the natural complement to conguration information in the presence of
geometric uncertainty, since a reaction force indicates a constraint in Conguration Space. Sensorial integration techniques have as objective
to use information provided for several sensors to build and update a world model in order to achieve a goal. In this paper we present an
approach to multisensory integration based on fuzzy c-means clustering algorithm for detection and identication of states during a dexterous
manipulation task in robotics, considering modeling and sensing uncertainties.
Keywords: State identication; fuzzy clustering; dexterous manipulation.
PACS: 07.07.Tw
1. Introducci on
En la actualidad los robots se programan para realizar tareas
especcas en ambientes altamente estructurados. Como se
prev en con anticipaci on todos los detalles, la realimentaci on
sensorial pr acticamente no es necesaria. Sin embargo, para
mantener la competitividad, las celdas de manufactura deben
tener capacidad de recongurarse seg un se requiera. Esto di-
culta el dise no de ambientes estructurados que soporten una
gran cantidad de tareas ecientemente.
El empleo de sensores permite a un sistema inteligente
obtener informaci on sobre s mismo y el ambiente que le
rodea, modicando su comportamiento de acuerdo a las ca-
ractersticas del estado percibido. Las t ecnicas de integraci on
sensorial tienen como objetivo combinar la informaci on pro-
cedente de diversos sensores para construir y actualizar un
modelo del entorno que permita alcanzar una meta determi-
nada. La adici on de t ecnicas de integraci on sensorial hacen al
sistema m as complejo, pero presenta grandes ventajas frente
al procesamiento individual de la informaci on de cada sen-
sor [1]. A partir de la combinaci on de datos sensoriales es
posible derivar informaci on que no podra obtenerse con el
an alisis de la lectura individual de cada sensor. Esta combina-
ci on de informaci on permite adem as reducir errores genera-
dos por la falla de alg un sensor, su operaci on fuera del campo
o la incorrecta interpretaci on de datos. Adem as, la redundan-
cia de la informaci on permite el empleo de procesamiento
paralelo, con lo que se consigue una extracci on m as r apida
de los datos [2].
Los primeros trabajos sobre t ecnicas de integraci on sen-
sorial datan de la d ecada de los ochenta. Henderson y Fai [3]
analizaron el empleo de sistemas multisensoriales en reco-
nocimiento de patrones, y Henderson y Shilcrat [4] propo-
nen la especicaci on de sensores l ogicos como una metodo-
loga para organizar sistemas multisensoriales de manera que
se consiga una integraci on correcta y adecuada de los datos.
Desde entonces se han propuesto una gran variedad de siste-
mas de integraci on sensorial basadas en pruebas de hip o te-
sis mediante modelos bayesianos [5], matriz de distancias de
conanza [6], estimaci on mediante criterios de costo y de-
sempe no, Zheng, [7], estimaci on de costo mediante la teora
de decisi on bayesiana [8] y mediante ltros de Kalman [9].
La mayora de estos sistemas est an basados en t ecnicas es-
tadsticas, por lo que los sensores trabajan adecuadamente en
ambientes est aticos. Basa nez [10] presenta una clasicaci on
general de estos m etodos.
Algunas otras t ecnicas se basan en m etodos heursticos,
inteligencia articial [13] o redes neuronales articiales [12]
que proporcionan un medio directo para la combinaci on de
INTEGRACI

ON SENSORIAL UTILIZANDO CLASIFICACI

ON DIFUSA EN TAREAS DE ENSAMBLADO EN ROB

OTICA 65
informaci on sin requerir de t ecnicas estadsticas, lo que los
hace apropiados para su aplicaci on en ambientes din amicos.
En el presente trabajo se presenta una propuesta de inte-
graci on sensorial para el reconocimiento de estados en una
tarea de ensamblado mediante la aplicaci on de la t ecnica
de agrupaci on de C-promedios difusos (Fuzzy c-means) uti-
lizando como funci on objetivo la distancia Euclidiana y la
distancia de Mahalanobis. Esta t ecnica de agrupaci on difu-
sa fue desarrollada por Bezdek en 1981 [11] y ha sido em-
pleada [14] para el procesamiento de im agenes de resonancia
magn etica, para segmentaci on de im agenes a color [15] para
clasicar se nales ac usticas provenientes de diferentes fuen-
tes [16], entre otros.
2. Informaci on de fuerzas de reacci on
En ausencia de incertidumbre, la informaci on sobre la con-
guraci on geom etrica del manipulador es suciente para plani-
car y ejecutar una tarea de ensamblado. Sin embargo, cuan-
do la incertidumbre geom etrica es relevante, esta informaci on
generalmente no es suciente, aunque sigue siendo funda-
mental. Algunas incertidumbres geom etricas pueden mode-
larse e incluirse en el proceso de dise no de planicaci on de
la tarea.
Las principales fuentes de incertidumbre geom etrica en
manipulaci on rob otica son:
a) Tolerancias en la forma y tama no de los objetos.
b) Imprecisiones en la ubicaci on de los objetos en el es-
pacio de trabajo.
c) Imprecisi on en la posici on y orientaci on del robot.
d) Imprecisi on en la posici on del objeto dentro de la pinza
del robot.
Todas estas fuentes de incertidumbre se combinan en el
espacio fsico y determinan regiones de incertidumbre donde
podran ubicarse los v ertices, bordes y caras de cada objeto.
El conocimiento de las fuerzas de reacci on generalizadas es
el complemento natural de la informaci on de conguraci on
geom etrica en presencia de incertidumbre, ya que las fuerzas
de reacci on implican una restricci on en el espacio de con-
guraciones del robot.
Como se muestra en la Fig. 1, es posible determinar una
situaci on de contacto con base en la observaci on de las fuer-
zas de reacci on. La direcci on de una fuerza generalizada
de reacci on se ve afectada por las fuentes de incertidumbre
geom etrica y por las imprecisiones del sensor de momen-
to/fuerza. La Fig. 2 muestra 6 de las 12 posibles congura-
ciones de contacto en un plano entre un v astago cilndrico y
un oricio.
Es posible asociar los datos de conguraci on geom etrica
con incertidumbre con los datos de las direcciones de las fuer-
zas generalizadas de reacci on. Este conjunto conformar a las
caractersticas que determinan el estado actual de la tarea. La
planicaci on de una tarea consistir a entonces en llegar al es-
tado nal, partiendo del estado actual percibido por los sen-
sores y pasando por una serie de estados intermedios.
FIGURA 1. Pinza y sensor de fuerza.
FIGURA 2. Algunas conguraciones de contactos.
Para realizar ecazmente una tarea de ensamblado en pre-
sencia de incertidumbre, el manipulador deber a realizar una
serie de movimientos tratando de acomodar las piezas para
su correcto ensamble. Estos movimientos de acomodaci on
estar an restringidos en el espacio por las fronteras entre los
objetos y ser an determinados por el estado caracterizado por
la informaci on sensorial. El empleo de t ecnicas de acomo-
daci on, ya sea pasiva o activa, permite realizar movimientos
restringidos en presencia de incertidumbre mediante un ma-
peo de las fuerzas de reacci on a movimientos de correcci on.
Algunos trabajos recientes en cuanto a la identicaci on
de contactos incluyen el empleo de redes neuronales para
integraci on de fuerza y medidas de posici on [18], fusi on de
fuerza y visi on mediante sistemas expertos [19], clasicaci on
mediante reglas difusas de patrones de momento/fuerza obte-
nidos de los sensores [20], entre otras t ecnicas.
Rev. Mex. Fs. 51 (1) (2005) 6470
66 J.A. GARC

IA MU

NOZ, M.A. LLAMA LEAL Y J.A. PADILLA MEDINA

3. Modelado de los contactos
Representando una operaci on de ensamblado mediante la de
inserci on de un v astago cilndrico sin cha an en un oricio,
se observan tres diferentes etapas: la etapa de aproximaci on,
la de b usqueda y la de inserci on.
La fase de aproximaci on consiste en el movimiento libre
del manipulador, sin contacto con entidades de su ambiente,
por lo que solamente requiere del control convencional de po-
sici on. La fase de b usqueda se inicia en cuanto se detecta una
fuerza de reacci on en la punta de la herramienta. Es durante
esta fase que se toman medidas de fuerza y posici on que per-
miten determinar el estado de la tarea. La fase de inserci on es
la etapa nal de la tarea de ensamblado, y matem aticamente,
el aspecto m as complejo de la operaci on.
En un ensamble planar, los contactos entre el v astago y
el oricio tienen lugar en uno o dos puntos. El diagrama de-
cuerpo libre del plano Z-X para la conguraci on 5 mostrada
en la Fig. 2, se muestra en la Fig. 3. Para un v astago cilndri-
co y una tarea de ensamble tridimensional, puede obtenerse
un diagrama similar para el plano Z-Y.
Suponiendo que los cuerpos son innitamente rgidos y
de masa despreciable, se tiene en equilibrio cuasi-est atico pa-
ra esta posici on de dos contactos:

f
x
= 0 = f
x
+ f
1
cos f
1
sin f
2
,

f
z
= 0 = f
z
f
1
sin f
1
cos f
2
,

M = 0 = M f
x
L f
z
d
2
+ f
2
d + f
2
l. (1)
Combinando estas ecuaciones obtenemos
M
F
=sin
_
_
L
D(cos +sin ) +d
_

2
1
2
sin2cos 2
_
1(sincos )
2
_
_
+cos
_
d+D(sincos )
1(sincos )
2

d
2
_
. (2)
Para la conguraci on 3 de la Fig. 2, que se muestra en la
Fig. 4, se tiene:

f
x
= 0 = f
x
f
1
f
2
,

f
z
= 0 = f
z
f
1
+ f
2
,

M = 0 = M f
1
L f
1
_
d
2
l
1
_
f
2
d
2
f
2
(L l
2
, ) (3)
M
F
= sin
_
L + D
cos sin

2
+ 1
_
+ cos
_

d
2
+ D
cos sin

2
+ 1
_
. (4)
El an alisis geom etrico para las conguraciones con un solo
contacto es similar; sin embargo, algunas de estas congura-
ciones pueden quedar indeterminadas debido a la imposibili-
dad de ubicar con exactitud el punto de contacto. No obstante,
presentan una caracterstica com un con la que es posible dis-
tinguirlas: su raz on momento/fuerza es m as grande que para
las conguraciones de dos contactos.
4. Agrupaciones
El agrupamiento (clustering) es una metodologa para encon-
trar estructuras naturales en un conjunto de datos muestrea-
dos. La colecci on de muestras con caractersticas similares se
agrupan formando clases.
Cuando ocurre un traslape entre clases es posible obte-
ner una mejor descripci on de los datos mediante t ecnicas de
clasicaci on difusa, como podra ocurrir con los datos repor-
tados por los sensores de fuerza y conguraci on geom etrica
en tareas de ensamblado con incertidumbre.
Las propiedades de los datos muestreados se identican
num ericamente mediante un conjunto de caractersticas que
forman el espacio de las mismas. Si identicamos los eventos
y caractersticas que distinguen a cada estado en una tarea de
manipulaci on, podremos construir un espacio de caractersti-
cas para cada estado.
Una caracterstica F es un conjunto de n umeros reales f
que corresponden a todos los valores posibles para esa carac-
terstica y representar a el estado actual en una tarea de ma-
nipulaci on. Denimos un espacio euclidiano p-dimensional
que corresponde al producto cartesiano de la familia de ca-
ractersticas observadas durante ese estado y lo denotamos
como
F
p

= F
1
F
2
. . . F
p
. (5)
En cualquier momento durante un estado tendremos una
ptupla (f
1
, f
2
,. . . , f
p
) que corresponde a los valores de la
caracterstica actual y dene una posici on en el espacio de
caractersticas de dimensi on p. Dentro de este espacio ha-
br a cierto n umero de regiones que corresponden a los p
posibles eventos que pueden ocurrir durante el estado.
Los puntos o muestras se conocen como vectores patr on,
o simplemente patrones. La colecci on de todos los patrones
Rev. Mex. Fs. 51 (1) (2005) 6470
INTEGRACI

ON SENSORIAL UTILIZANDO CLASIFICACI

ON DIFUSA EN TAREAS DE ENSAMBLADO EN ROB

OTICA 67
FIGURA 3. Diagrama de cuerpo libre para la conguraci on 5 de la
Fig. 2.
FIGURA 4. Diagrama de cuerpo libre para la conguraci on 3 de la
Fig. 2.
observados conforma el universo denotado por X. Los ele-
mentos individuales de este universo se denotan como x
k
,
(k= 1, 2,. . . , n), donde n es el n umero total de elementos.
5. C-promedios difusos
Consiste en un m etodo de agrupaci on iterativo que separa el
conjunto de datos X={x
1
, x
2
,. . . , x
n
} en c subconjuntos di-
fusos u
i
, donde u
i
(x
k
), es una funci on de membresa de x
k
en la clase i. Los valores u
i
(x
k
) son arreglados en una matriz
U. El m etodo consiste en minimizar la suma de la funci on
cuadrada del error denida como
J
m
(U, z) =
c

i=1
n

k=1
u
m
ik
d
2
ik
, (6)
donde u
ik
es el valor de la i- esima funci on de membresa pa-
ra el k esimo dato x
k
, U M
fcn
es una partici on difusa c
de X y el espacio M
fcn
contiene todas las particiones difusas
posibles para X:
M
fcn
=
_
U R
cn
|0 u
ik
1i, k;
c

i=1
u
ik
= 1, k; 0 <
n

k=1
u
ik
< ni
_
(7)
z = {z
1
, z
2
,. . . , z
c
} R
cp
, con z
i
R
p
, es el centro de la
agrupaci on o prototipo de la i esima clase; d
ik
= ||x
k
z
i
||
2
.
Empleando la funci on de distancia euclidiana, m es un expo-
nente de ponderaci on o exponente difuso tal que m (1, )
y afecta la difusividad de u.
d
ik
=

_
p

j=1
(x
kj
z
ij
)
2
, (i = 1, 2, . . . , c). (8)
Este concepto de proximidad puede ser empleado para de-
terminar los valores de membresa. Las funciones de mem-
bresa u
1
(), u
2
(). . . se calculan mediante una relaci on de
similaridad basada en la distancia entre las muestras x
k
y los
prototipos z
i
:
h
i
(x
k
) =
1
1 + d
2
ik
, i {1, 2, . . .} . (9)
Los valores de h
i
() est an normalizados para cada mues-
tra, de tal manera que

i
u
i
(x
k
) = 1, k, (10)
u
i
(x
k
) =
h
i
(x
k
)

j{1,2}
h
j
(x
k
)
, i {1, 2} , k. (11)
Si no se conocen los prototipos de las clases con antici-
paci on, se emplea un algoritmo de clasicaci on difusa para
estimar las funciones de membresa y los prototipos. El ob-
jetivo es encontrar una matriz de partici on difusa U* y un
conjunto de prototipos z* que consigan minimizar J
m
. Las
condiciones necesarias para minimizar J
m
se obtienen como
se muestra en el Ap endice en la Ref. 17, y son
u
ik
=
1
c

j=1
_
d
ik
d
jk
_ 2
m1
(12)
y
z
i
=
n

k=1
u
m
ik
x
k
n

k=1
u
m
ik
, i, (13)
Rev. Mex. Fs. 51 (1) (2005) 6470
68 J.A. GARC

IA MU

NOZ, M.A. LLAMA LEAL Y J.A. PADILLA MEDINA

FIGURA 5. Ubicaci on de datos en escala normalizada utilizando a) distancia de Mahalanobis y b) distancia Euclidiana. Los angulos y
est an normalizados en grados/grados.
donde m 1 es el coeciente que dene el grado de di-
fusividad de los conjuntos. Si m = 1 las fronteras entre
agrupaciones est an bien denidas. A continuaci on se mues-
tra el algoritmo escrito en pseudoc odigo:
begin
Establecer c, 2 c n;
Elegir una norma m etrica de producto interno para R
P
.
Establecer m, 1 m ;
Inicializar U M
fcn
;
for l := 0 step 1 until maxiter-1 do
Calcular los centros de los c grupos {z
i
} con (13) y
U;
Utilizando (11) y {z
i
} obtener U
new
;
if ||U
new
-U||

then stop;
U := U
new
;
end
end.
Es posible utilizar otras funciones de distancia para obte-
ner los grados de membresa. Una funci on tpicamente em-
pleada, adem as de la distancia euclideana es la distancia de
Mahalanobis, que se basa en la suposici on de que las distribu-
ciones de probabilidad siguen distribuciones normales multi-
variadas. Estas funciones de densidad describen hiper elip-
soides para las cuales existe el lugar geom etrico de los pun-
tos cuya funci on de densidad es la misma y tienen un car acter
normalizador de los datos.
6. Pruebas y resultados
Se realizaron pruebas en simulaci on empleando las ecuacio-
nes obtenidas del an alisis de fuerzas y momentos presentado
en la Sec. 3.
Considerando una barra cilndrica rgida e indeformable
de 8 0.040 cm de longitud por 2 0.010 cm de di ametro a
insertarse en un oricio de 2.2 0.011 cm de di ametro, y un
sensor de momento/fuerza con una incertidumbre del 10 %
Rev. Mex. Fs. 51 (1) (2005) 6470
INTEGRACI

ON SENSORIAL UTILIZANDO CLASIFICACI

ON DIFUSA EN TAREAS DE ENSAMBLADO EN ROB

OTICA 69
FIGURA 6. Ubicaci on de datos y prototipos para las conguraciones 1, 2, 4, 5 y 6 con escala especial utilizando a) distancia de Mahalanobis
y b) distancia Euclidiana. Los angulos y est an expresados en grados.
del valor medido con un error en la orientaci on de la barra
de 5

1 %, se tienen las gr acas que se muestran en las

Figs. 5 y 6 para las conguraciones 1, 2, 4, 5 y 6 mostra-
das en la Fig. 2. Para movimientos planares la ubicaci on del
punto de referencia en el extremo del manipulador queda de-
terminado por (x
o
, y
o
) con orientaci on
o
.
La magnitud de las dimensiones en que se expresan los
datos es importante para la adecuada clasicaci on. En la
Fig. 5 se muestra una gr aca con valores normalizados de
momento/fuerza y angulos y . En la Fig. 6 se muestra el
resultado de la clasicaci on empleando un escalado de los da-
tos. Se realizaron pruebas utilizando como funci on objetivo
la distancia de Mahalanobis para la identicaci on de estados
(Figs. 5a y 6a), no obstante, bajo las condiciones que se men-
cionan, se observ o una mejor identicaci on en las pruebas
realizadas con la funci on de distancia Euclidiana (Figs. 5b
y 6b).
Se han representado con peque nos crculos las posiciones
en el espacio de caractersticas obtenidas de las ecuaciones
del sensor de momento/fuerza y de la orientaci on con incer-
tidumbre
0
para cada estado de la tarea de ensamblado. Las
cruces dentro de cada crculo indican el conjunto para el cual
ese dato obtuvo el mayor grado de membresa utilizando el
algoritmo de clasicaci on difusa. Los rombos indican la ubi-
caci on del prototipo para cada clase.
La conguraci on 3 no se muestra en las Figs. 5 y 6, ya
que puede diferenciarse con m as facilidad, porque requiere
que el angulo sea mayor o igual a 24.6 grados con los datos
TABLA I. Prototipos para las conguraciones 1-2, 4, 5 y 6.
Conguraci on M/F
1-2 -0.010177 0.0129

4.9494

4 -0.005275 0.0150

4.9182

5 -0.018863 0.0058

4.7544

6 0.009997 0.0142

4.9227

Rev. Mex. Fs. 51 (1) (2005) 6470

70 J.A. GARC

IA MU

NOZ, M.A. LLAMA LEAL Y J.A. PADILLA MEDINA

mencionados anteriormente. Los puntos de fuerza, momento
y angulos y para las conguraciones 1 y 2 son difciles de
separar, ya que las diferencias entre ellos son muy peque nas,
como se muestra en las Figs. 5 y 6. La Tabla I muestra las
coordenadas de los prototipos calculados por el algoritmo de
clasicaci on.
7. Conclusiones
En este trabajo se propone la aplicaci on del m etodo de cla-
sicaci on difusa fuzzy c-means para la identicaci on del es-
tado de una tarea de manipulaci on utilizando la informaci on
sensorial de conguraci on y fuerzas generalizadas de reac-
ci on. En este caso las caractersticas que identican los di-
ferentes estados de la tarea consisten del conjunto de datos
sobre conguraci on geom etrica y la informaci on sensorial de
las fuerzas/momentos generalizadas de reacci on entre las dos
entidades en contacto.
Para la adecuada clasicaci on de los datos, es recomen-
dable que sus dimensiones sean similares en magnitud. En
la Fig. 5 se muestra una gr aca con valores normalizados de
momento/fuerza y angulos y , sin embargo, se observa
un mejor resultado multiplicando la relaci on momento/fuerza
por 100, y divide el angulo entre 3, como se muestra en la
Fig. 6. La elecci on adecuada de las escalas es importante para
una mejor diferenciaci on en la clasicaci on de datos.
La clasicaci on difusa de los datos permite modelar la
incertidumbre geom etrica y sensorial e identicar los esta-
dos de la tarea de una manera r apida y eciente. Una ventaja
respecto a los modelos bayesianos, ltros de Kalman y dem as
an alisis estadsticos reportados en la literatura, es su facilidad
de adaptaci on en ambientes din amicos y complejos. Por otra
parte, el tiempo requerido para el entrenamiento inicial resul-
ta ser menor que el requerido por una red neuronal para el
mismo conjunto de datos. Los resultados obtenidos muestran
que es posible aplicar esta metodologa a tareas en tiempo
real, simplicando el conjunto de caractersticas, con buenos
resultados.
Agradecimientos
Este proyecto ha sido nanciado por el Consejo del Sistema
Nacional de Educaci on Tecnol ogica CoSNET seg un conve-
nio CoSNET 664.02-P.
1. R. Bajcsy y P. Allen, Robotics Research Second Int. Sympo-
sium, ed. H. Hanafusa y H. Inoue, MIT Press (1985) 81.
2. D. Pagac, E.M. Nebot y H.F. Durrant-Whyte, Reasoning with
Uncertainty in Robotics 1995, 164.
3. T.W. Henderson y W.S. Fai,MKS: A Multisensor Kernel Sys-
tem, IEEE Transaction on System, Man and Cybernetics. 14
(1984) 784.
4. T.W. Henderson y E. Shilcrat, Journal on Robotics Systems 1
(1984) 169.
5. H.F. Durrant-Whyte, International Journal on Robotics Resear-
ch 7 (1988) 97.
6. R.C. Luo y M-H. Lin, Robot multisensor fusion and integra-
tion: optimum estimation of fused sensor data, Proc. IEEE Int.
Conf. on Robotics and Automation (1988).
7. Y.F. Zheng, Integration of multiple sensors into a robotic sys-
tem and its performance evaluation. IEEE Transactions on Ro-
botics and Automation 5 (1989) 658.
8. J.M. Richardson y K.A. Marsh, International Journal on Robo-
tics Research 6 (1988) 78.
9. Y. Nakamura y Y. Xu, Geometrical fusion method for multi-
sensor robotics system, Proc. IEEE International Conference
on Robotics and Automation, (1989) 668.
10. L. Basa nez, Multisensor Integration in Robotics, First
Workshop on Robotics and CIM. Lisboa, Portugal (1988).
11. J.C. Bezdek, Pattern Recognition with Fuzzy Objective Func-
tion Algorithms (Plenum Press, New York 1981).
12. J.C. Pearson, J.J. Gelfand, R.M. Peterson y C.D. Spence, Pro-
ceedings of SPIE 931, Sensor Fusion, Orlando, FL. USA(1988)
p. 103
13. L. Pau, Automatica 25 (1989) 207. Pergamon Press
14. H.-K. Tu, D.B. Goldgof, and E. Backer, Medical Imaging
1994: Physiology and Function from Multidimensional Images,
SPIE 2168 Newport Beach, CA, (February 1994) p. 218.
15. Y.W. Lim y S.U. Lee, On the Color Image Segmentation Al-
gorithm Based on the Thresholding and the Fuzzy C-Means Al-
gorithm. Pattern Recognition, 1990.
16. S.L. Omkar, S. Suresh, T.R. Raghavendra y V. Mani, Procee-
dings of the 9
th
International Conference on Neural Informa-
tion Processing ICONIP02, 4 (Singapur, November 18-22) p.
1827.
17. F. H opner, F. Klawonn, R. Kruse y T. Runkler Fuzzy Culster
Analysis: Methods for Classication, Data Analysis and Image
Recognition. John Wiley and Sons LTD. Bafns Lane Chiches-
ter, West Sussex, PO12 1UD, England, 1999.
18. G.E.Hovland y B.J. McCarragher, Combining Force and Po-
sition Measurements for the Monitoring of Robotic Assembly
IEEE/RSJ International Conference on Intelligent Robots and
Systems, Grenoble, France, Sept. 1997
19. R.J. Thien y S.D. Hill , Fusion of Force and Vision Data for
Intelligent Assembly IEEE Region 10 Conference Tencon 92,
Melbourne Australia, 11-13 Nov. 1992
20. Skubic M., Volz R.A. Fuzzy Classication of Contact For-
mations from Sensor Patterns, Proceedings of the 1996 U.S.-
Japan Graduate Student Forum, Osaka, Japan, Nov., 1996.
Rev. Mex. Fs. 51 (1) (2005) 6470