Академический Документы
Профессиональный Документы
Культура Документы
ALGORITHM FOR MOBILE ROBOT TRAJECTORY PLANNING USING SWARMS OF BROWNIAN PARTICLES
Resumen:
En este documento se presenta la propuesta de un algoritmo para la planea-
ción de trayectorias empleando un modelo de partículas activas Brownianas.
Existen varios métodos para la planeación de trayectorias en robótica móvil,
siendo de los más populares el basado en campos potenciales artificiales, sin
embargo, este método tiene la desventaja de presentar mínimos locales, lo
cual puede hacer que el robot no logre llegar al punto destino. Aunque ya se
han realizado aplicaciones de partículas para evadir mínimos locales, en la
propuesta aquí presentada se busca emplear un modelo compacto que per-
mita la planeación de trayectorias evadiendo mínimos locales.
1 Ingeniero Electróni-
co-Mecatrónico, Es-
Palabras clave: local minima, the proposal presented here is
pecialista en Tele- aimed at employing a more compact model
Robótica móvil, planeación trayectorias, en-
comunicaciones that allows trajectory planning avoiding lo-
Móviles, Magister
jambres, partículas activas brownianas.
cal minima.
en Ingeniería Indus-
trial, Universidad
Distrital Francisco
Abstract: Key Words:
José de Caldas. This paper presents the proposal of an al- Mobile robotics, Path Planning, Active
Correo: heespi-
gorithm for path planning using a model of Brownian Particles.
tiac@unal.edu.co
active Brownian particles. There are seve-
2 Ingeniero Eléctrico, ral path planning methods in mobile robo-
M.Sc. en Sistemas
de Control, Ph.D.
tics, the most popular being the one based 1. Introducción
en Sistemas de on artificial potential fields. However, the
Control, Universi- drawback to this method is the local mi- El comportamiento de muchos seres vivos
dad Nacional de nima, which may lead the robot to failure está sujeto a la interacción que se presenta
Colombia. Correo:
jsofronye@unal. when reaching its target. Although particle con sus vecinos, lo cual es útil para búsque-
edu.co applications have been developed to avoid da de alimento como también para evadir
r
Donde R corresponde al centro de masa La fuerza sobre cada partícula que se produ-
r 1 N r ce por el potencial U esp es:
del enjambre: R = ∑rj
N j =1 r r
La información de los obstáculos y la meta Fesp ,i = −k f ∇ iU esp (ri ) (9)
se encuentra contenida en el campo poten-
cial U esp , donde se puede emplear cualquier Donde k f es una constante que pondera
tipo de funciones potenciales para su im- la influencia que tienen los obstáculos y la
plementación, aunque en esta propuesta se meta.
emplean potenciales parabólicos U obj para
la meta, y barrera de potencial exponencial Finalmente,
r r se tiene la fuerza estocástica
para los obstáculos U obs ; las expresiones de Fest ,i = x i (t ), la cual, según [25], evita el co-
estos potenciales son: lapso de los individuos, de tal forma que se
puede omitir la interacción de repulsión de
r r r
U obj (r ) = kobj dis(r , robj ) 2 (5) corto rango. Adicionalmente r en [7] y [25] se
muestra que el término x (t ) permite tener
r r r
U obs (r ) = kobs dis(r , robs ) −1 (6) una transición entre un movimiento trasla-
cional a uno rotacional cuando se tienen las
r r mismas condiciones iniciales en la posición
Donde robj es la posición de la meta y robs la
posición del obstáculo. La función de distan- y la velocidad. Para efectos prácticos, esta
cia en coordenadas rectangulares es: fuerza se calcula mediante una distribución
normal de media cero y varianza D .
r r
dis(r , ra ) = ( x − xa ) 2 + ( y − ya ) 2 (7)
4. Simulación del modelo
Considerando M obstáculos, el potencial to-
tal se puede calcular como: Considerando Fdis = − F pro en la Figura 1,
M se puede apreciar su comportamiento para
r r
U esp = U obj (r ) + ∑U obs ,m (r ) (8) diferentes valores de α y β, donde la parte
m =1
negativa representa la fuerza de propulsión
α = α0 + αe (11)
0 ≤ α e ≤ α max (12)
Considerando que las partículas presentan [7] Udo Erdmann, Werner Ebeling y Al-
movimientos circulares se propone en un exander S. Mikhailov. “Noise-Induced
trabajo futuro incorporar un procesamiento Transition from Translational to Ro-
que permita descartar estos movimientos en tational Motion of Swarms”. Physical
la trayectoria final del robot. Review E, 2005.
[15] Nora H. Sleumer y Nadine Tschichold [22] C. I. Connolly y J. B. Burns. Path Plan-
Gürman. Exact Cell Decomposition of ning using Laplace’s equation. IEEE
Arrangements used for Path Planning Conference on Robotics and Automa-
in Robotics. Swiss Federal Institute of tion, 1994.
Technology, 1999.
[23] J. O. Kim y P. K. Khosla. Real-time
[16] Jérome Barraquand, Bruno Langlois obstacle avoidance using harmonic po-
y Jean-Claude Latombe. Numerical tential functions. IEEE Conference on
Potential Field Techniques for Robot Robotics and Automation, Sacramen-
Path Planning. IEEE Transactions on to, 1991, pp. 790-796.
Systems, Man and Cybernetics, 1992.
[24] S. S. Gey y Y. J. Cui. New potential
[17] Lydia E. Kavraki y Jean-Claude La- functions for mobile robot path plan-
tombe. “Probablistic Roadmaps for ning. IEEE Transactions on Robotics
Robot”. En Practical Motion Planning and Automation, 16(5) (2000): 615.
in Robotics: Current Approaches and
Future Directions. John Wiley, 1998. [25] Alexander S. Mikhailov y Damián
H. Zanette. “Noise-induced break-
[18] Mark H. Overmars y Petr Svestka. A
down of coherent collective motion
probabilistic learning approach to mo-
in swarms”. Physical Review E, 60(44)
tion planning. Proceding in Workshop
(1999): 4571-4575.
on Algorithmic Foundations of Robot-
ics, 1994. [26] Omid Esmaeili, Sai Tang, Ismail Nap-
siah. “Development of a new minimum
[19] Stephen R. Lindemann y Steven M.
avoidance system for a behavior-based
LaValle. Steps Toward Derandomiz-
mobile robot”. Fuzzy Sets and Systems,
ing RRTs. IEEE Fourth International
Workshop on Robot Motion and Con- 160, 2009.
trol, 2004.
[28] A. J. Arriaza Gómez et al. Estadística
[20] O. Khatib. “Real-time obstacle avoid- básica con R y R-Commander. Servicio
ance for manipulators and mobile ro- de Publicaciones de la Universidad de
bots”. International Journal of Robotic Cádiz, 2008.
Research, 5(1) (1986): 90.
[29] Cagnina Leticia Cecilia. “Optimización
[21] P. Khosla y R. Volpe. Superquadric ar- mono y multiobjetivo a través de una
tificial potentials for obstacle avoidance heurística de inteligencia colectiva”.
and approach. IEEE Internaitional Con- Tesis de Doctorado en Ciencias de la
ference on Robotics and Automation, Computación, Universidad Nacional
Philadelphia, 26-28 de abril de 1988. de San Luis, Argentina, 2010.