EIT I DavidGonzalezArjona

Máster en Ingeniería Informática y de Telecomunicación
Escuela Politécnica Superior - Universidad Autónoma de Madrid
MEMORIA DE ESTUDIO INDEPENDIENTE

TUTELADO I
CONFECCIÓN AUTOMÁTICA DE MAPAS EN ENTORNOS INDOOR
Estudiante: D. David González Arjona

Tutor: Dr. D. Ángel de Castro Martín
1º Cuatrimestre – Curso 2009/2010
Fecha: 12/01/2010
Resumen
Para todo tipo de sistemas móviles, como robots o nodos móviles en redes de
sensores inalámbricas (WSN: Wireless Sensor Networks), es fundamental conocer su
posición. Este conocimiento no se puede limitar sólo a la posición absoluta, tipo
coordenadas geográficas, sobre todo en entornos indoor, sino que es de vital
importancia conocer la posición relativa a otros elementos del entorno y obstáculos.
Por tanto, surge de forma natural la necesidad de disponer de un mapa del entorno
indoor por el que el sistema móvil circulará.
Una primera posibilidad sería tener un mapa conocido y preestablecido del

entorno. Sin embargo, esto no siempre es posible y, sobre todo, es costoso.
Normalmente no disponemos de mapas precisos de nuestro entorno, al menos en un
formato electrónico interpretable por el sistema que hará uso de él. Incluso teniéndolo,
el mapa no tendrá información de los obstáculos, como mobiliario, presentes en el
entorno. Por tanto, la opción ideal es que sea el propio sistema móvil (p. ej. robot) el
que genere de forma automática el mapa del entorno. Esto se puede hacer en una fase
previa a la de funcionamiento normal. Es decir, el sistema realiza una primera
operación de exploración/reconocimiento del entorno en la que genera el mapa del
entorno indoor en el que se moverá, incluyendo los obstáculos. Una vez realizado el
mapa, puede empezar el funcionamiento normal.
En este Estudio Independiente Tutelado I (EIT 1 desde ahora) se plantea

profundizar en las posibles técnicas de elaboración automática de mapas en entornos
indoor, haciendo especial hincapié en aquellas que requieran medios de bajo coste
económico y de procesamiento, de tal forma que no requieran de un ordenador externo
si es posible, para de este modo no hacerlos depender de ningún otro agente externo a
ellos.
Palabras Clave - WSN (Wireless Sensor Networks o Redes de Sensores Inalámbricas),

robots, exploración, reconocimiento, mapas de rejilla de ocupación (GridMap
Occupancy), mapas basados en características (Featured-Based maps),
mapping(cartografía, mapeo), indoor, outdoor, ultrasonidos, infrarrojos,
comunicaciones inalámbricas, extracción de características, robots colaborativos,
multirobots.
2
ÍNDICE DE CONTENIDOS
1. Introducción ........................................................................................... 4
1.1 Motivaciones y Objetivos .................................................................. 4
1.2 Material Seleccionado para el Estudio............................................... 5
2. Análisis individual detallado ................................................................... 6
2.1 Merging Occupancy Grid Maps From Multiple Robots ...................... 6
2.2 Map Generation By Cooperative Low-Cost Robots In Structured
Unknown Environments .......................................................................... 9
2.3 Simultaneous Localization And Map Building Of Skid-Steered Robots
.............................................................................................................. 12
2.4 Lost: Localization-Space Trails For Robot Teams ............................. 15
2.5 Using Occupancy Grids For Mobile Robot Perception And Navigation
.............................................................................................................. 18
2.6 Intelligent Control Of Mobile Robots With Fuzzy Perception .......... 21
2.7 Research On Map Building By Mobile Robots .................................. 25
2.8 Efficient Learning of Variable-Resolution Cognitive Maps for
Autonomous Indoor Navigation ............................................................ 27
2.9 Embedded Robotics: Mobile Robot Design And Applications With
Embedded Systems ............................................................................... 29
2.10 Mobile Robot Localization And Map Building – A Multisensor Fusion
Approach............................................................................................... 31
3. Análisis Global Crítico ........................................................................... 33
3.1 Comparación de Sistemas de Generación de Mapas Vistos ............. 34
4. Calendario y Dedicación ....................................................................... 36
3
1. Introducción
La construcción de mapas es la base de la navegación, planificación de rutas y
paso de obstáculos para los robots móviles. Por tanto, ha sido un área de investigación
activa en robótica durante las últimas dos décadas. El “Mapping” o cartografiado es
uno de los objetivos más importantes para lograr desarrollar robots móviles
verdaderamente autónomos, especialmente en aquellos destinados a trabajos
peligrosos, o acceso en áreas totalmente desconocidas, con el fin de poder esquivar
obstáculos, navegar por el entorno y configurar rutas de acuerdo con el mapa
autogenerado.
Para el cartografiado, los robots afrontan el problema adquiriendo una

representación interna del entorno dado por la información que obtienen del exterior
a través de sensores de distintos tipos en los robots móviles. Según el tipo de sensor, el
tratamiento de los datos es distinto y puede llevar a que sea más fácil una
representación interna del mapa del entorno u otra.
1.1 Motivaciones y Objetivos
El tema de la realización de mapas viene desarrollándose desde hace años,

pero según redacto, nos centramos en robots móviles en entornos cerrados debido a
la importancia que adquiere en estos y en su autonomía para realizar posterior o
paralelamente otras tareas de utilidad.
En este estudio se centra el enfoque en la obtención automática de los mapas,

con el fin de elaborar una importante capa de apoyo a los robots móviles para servirse
de ella en la realización de otro tipo de tareas que precisan de esa información y de la
autonomía que esa capa les proporciona.
Además, con el incremento en la actualidad del uso de protocolos de

comunicaciones inalámbricas se abren las perspectivas hacia robots colaborativos que
sean capaces de agilizar el proceso de cartografiado, y de nuevo se amplía y se re-
investiga su impacto en la temática planteada.
Los objetivos principales de la investigación son:
1) Estudio bibliográfico de las técnicas de confección automática de mapas en

entornos indoor.
2) Comparación de las mismas y estudio de aplicabilidad a pequeños robots.
Dentro de estos objetivos, se habrá de validar la información y conseguir la

información necesaria para posteriormente hacer un estudio sobre que técnicas serían
las más apropiadas sobre las que trabajar para una posible implementación en micro
robots móviles para entornos cerrados, siempre con el objetivo de minimizar recursos.
4
Las técnicas principales de extracción y almacenamiento de información sobre

las que se centrará el estudio son:
- Mapas de rejilla de ocupación

- Mapas basados en características
- Mapas de puntos
- Mapas Topológicos
- Mapas Híbridos
No hemos de olvidar tampoco en el estudio la evaluación de técnicas de los

sensores que captan la información del exterior, ya sea por cámara, sensores de
choque, ultrasonidos, infrarrojos, etc…centrando el estudio en los dos últimos citados.
Dentro de las técnicas a utilizar se aplicarán conceptos de probabilidad,

métodos de escaneo, modos de exploración, convergencia de los datos, post-
procesamiento de la información y la problemática que conlleven.
1.2 Material Seleccionado para el Estudio
Al comienzo del EIT 1 el tutor propuso una selección de artículos científicos, de

revista y capítulos de libros sobre los que comenzar el estudio. Tras las primeras
lecturas de estos documentos, y según las reuniones con el tutor y otros miembros del
grupo de investigación, se definieron líneas de exploración a seguir para recabar más
información con la que proceder a su estudio y evaluación, sugiriendo al alumno la
metodología oportuna para encontrar los artículos relevantes y la forma de
clasificarlos para su máximo aprovechamiento. Conforme el estudio fue
evolucionando, el propio alumno ha seleccionado la información apropiada para el
trabajo, gracias a la búsqueda en bases de datos de artículos científicos en Internet y el
estudio de las referencias citadas en cada uno de éstos, siempre bajo la supervisión del
tutor.
Inicialmente se estudian capítulos de tres libros distintos de las ediciones

Springer, centrados en la temática de los robots móviles, embebidos y con especial
hincapié en localización y cartografiado automáticos del entorno, dos técnicas que
suelen conllevar un estudio conjunto. Los artículos científicos iniciales se extrajeron de
la base de datos web del IEEE, prefiriéndose el estudio de los artículos de revista.
Posteriormente, una vez aclaradas las ideas de la línea de investigación a

seguir, se realizaron búsquedas de artículos sobre las referencias expuestas en los
papers iniciales más destacados para este estudio independiente. Al igual que el tema
de este EIT 1, los artículos referencian distintos métodos e investigaciones hechas
sobre el Mapping automático en robots, y los últimos títulos estudiados se centran en
el método de ocupación de rejilla (GridMaps Occupancy).
5
2. Análisis individual detallado

A continuación se listan los títulos de investigación a analizar, realizando un
estudio para cada artículo/capítulo de manera independiente en el que se muestran
las características de cada uno y los resultados de las implementaciones que proponen.
Para cada uno de los artículos de estudio, la estructura consistirá en un

resumen de las características principales de cada uno, enfocando las aportaciones de
estas investigaciones, y seguidamente, sub-apartados correspondientes al sistema de
mapeo empleado, así como la arquitectura de los autómatas o procesos
computacionales llevados a cabo. Dentro de cada artículo individualmente variaran el
resto de sub-apartados según la temática de cada artículo se centre en uno u otro
aspecto de las diferentes técnicas posibles.
2.1 MERGING OCCUPANCY GRID MAPS FROM MULTIPLE ROBOTS
Andreas Birk, and Stefano Carpin.

Proceedings of the IEEE, Vol. 94, No. 7.
Julio 2006.
Este artículo presenta la problemática del cartografiado automático mediante

el uso de múltiples robots explorando diferentes partes en paralelo con tipos de
sensores distintos, con el fin de acelerar la tarea. Se presenta entonces una dificultad
añadida que radica en la elección de cómo integrar la información que cada robot
extrae de su entorno para confeccionar así un único mapa global. Investigaciones
previas hechas en el campo del cartografiado mediante multirobots se centran en
tratar de estimar las posiciones relativas de cada uno de los robots, ya sea al inicio o
durante el proceso de extracción de información para la posterior unión de los mapas,
sin embargo, en esta investigación, el enfoque trata en la mezcla de los mapas con el
único requerimiento de la existencia de solapamiento entre ellos para estimar su unión,
de manera que se libere la tarea propia de cada robot para generar sus mapas
individualmente sin la necesidad de tener conocimiento de la posición de ningún otro
de los robots.
Por tanto, centran la resolución del problema en combinar eficientemente los

mapas que cada robot genera, mediante la identificación de regiones de solapamiento.
Sistema de Generación de Mapas
Cabe comentar como principales tareas de reconocimiento de terrenos

desconocidos la problemática de localización y mapeo del entorno. En multitud de
investigaciones se muestran soluciones para cada una de estas actividades en las que
se da por supuesto una de las dos tareas como resuelta o dada previamente, esto es, si
tratamos de cartografiar el entorno, lo hacemos conociendo a priori la localización del
6
autómata, y si tratamos de localizar la máquina, es conociendo previamente el mapa

del lugar. Pero resolver ambos problemas a la vez es bastante más complicado. A esta
tarea conjunta se le conoce como SLAM (Simultaneous Localization And Mapping).
SLAM puede ser resuelto mediante aproximaciones basadas en filtro de Kalman,

donde el mapa que se genera muestra la probabilidad posterior de localización de
alguna característica o baliza que puede ser detectada por el robot mientras explora el
entorno. También se usan algoritmos basados en la técnica de Extimation-Maximation
(EM), pero ambas dos aproximaciones tienen sus desventajas, sobre todo en el hecho
de tener que conocer posiciones relativas.
En este caso, se emplea una aproximación totalmente distinta, que asegura el

desconocimiento entre robots de sus posiciones. Así, los robots individualmente
generan sus propios mapas en una primera fase de exploración, y posteriormente, al
acabar su tarea, se procede a la estimación de combinación de los mapas de cada
autómata para generar uno global.
Los mapas individuales que crea cada autómata están basados en rejillas de
ocupación (vector/matriz de métricas cuyo valor para cada célula representa si la
localización relativa se considera como un espacio libre o parte de un obstáculo). El
mapa de rejilla se puede ver como una imagen donde cada color denota un espacio
libre u ocupado. Para la mezcla de los mapas, se utilizan medidas de similitud entre dos
imágenes de dos mapas distintas para buscar la alineación entre ellas mediante
solapamiento de información.
El mapa se define como una matriz NxM de números enteros que representan
la medida de creencia de ocupación del punto en el mapa. Un valor positivo indica que
dicha celda se corresponde con un espacio libre, mientras que un valor negativo
expresa lo contrario, la existencia de un obstáculo. Si el valor es cero, no se tiene
información de esa localización. El valor absoluto de cada celda indica el grado de
creencia.
Múltiples Robots
El uso de múltiples agentes proporciona robustez al sistema puesto que el fallo

de uno de los robots no implica la imposibilidad de completar la tarea de mapeo. Es
necesario que ninguno de los autómatas ejecute tareas críticas para el éxito del trabajo,
si no, esta robustez se estaría rompiendo debido a esa dependencia. Del mismo modo,
uno de los puntos clave de este método es la escalabilidad, para ser capaces de añadir
robots al sistema sin necesidad de modificar la organización, algoritmo de combinación
de mapas, ni la arquitectura del diseño.
Combinación de Mapas
Dados dos mapas parciales, provenientes de distintos autómatas, se busca

obtener una transformación con la que se pueda conseguir la mejor unión posible.
Para obtener el valor de combinación entre los mapas se recurre a una función que
7
devuelva la medida de solapamiento entre dos mapas. Gracias a la representación de

las matrices como imágenes de distinto color, es posible aplicar técnicas de
registración y similitud entre imágenes aplicando rotaciones y translaciones sobre
éstas.
Se utiliza una métrica presentada antes por Birk como medida de similitud
entre imágenes, combinada con una heurística para indentificar regiones de
solapamiento (Registración= guiar un algoritmo de búsqueda para encontrar una cierta
estructura en una imagen). Para el algoritmo de búsqueda se utiliza el Carpin’s
Gaussian Random Walk para minimizar la función heurística de búsqueda de regiones
de solapamiento reportando cierta información de la dirección de búsqueda que el
algoritmo debe seguir.
Una vez definido el método de combinación de dos mapas, se debe escalar al

caso real de unir la información de k mapas (k>2). Se calcula una buena aproximación
para la cual se realizan combinaciones iterativamente para los mapas de dos en dos.
Esto es, si se tienen 4 mapas parciales, se combinarían el 1y2 y el 3y4, para por último
mezclar estos dos nuevos mapas parciales.
Arquitectura Empleada
La combinación de los mapas se implementa en el lenguaje C++, ejecutándose

bajo un pc Pentium 4 a 2.2 GHz en un sistema operativo Linux. Los mapas han sido
generados en un simulador basado en el Unreal Game Engine, que incluye un motor
físico y un modelo de ruido realísticos.
En la combinación de dos mapas, se toma como origen de coordenadas el

centro de uno de los mapas, y se miden con la heurística de búsqueda anterior, 576
posiciones del segundo mapa sobre el primero.
8
2.2 MAP GENERATION BY COOPERATIVE LOW-COST ROBOTS IN

STRUCTURED UNKNOWN ENVIRONMENTS
M. Lopez-Sanchez, F. Esteva, R. Lopez De Mantaras and C. Sierra.

Autonomous Robots 5, 53–61.
Año 1998.
Los autores definen un método de generación de mapas mediante el uso de

múltiples robots de bajo coste que colaboran explorando entornos desconocidos que
estén ortogonalmente estructurados. Cada robot es capaz de transferir a cualquier
otro al encontrarse, la información parcial que ha percibido del entorno, proveyendo
así robustez al sistema de forma que la pérdida de uno de los robots incapaz de
regresar al host central pueda ser compensada al transmitir la información a algún otro
de los autómatas (siempre y cuando hayan coincidido durante la fase de
cartografiado). Este método funciona a modo de copia de seguridad (backup).
Al regresar al punto de destino, cada robot proporciona al ordenador central,

su parte del mapa percibida y comunicada por otros robots para que sea éste el que se
encargue de generar el mapa global más probable de una manera incremental. Para la
generación del mapa global, el host utiliza procesos de fusión, complementación y
alineamiento de la información parcial de cada autómata, basados en técnicas difusas.
Cada uno de los robots implementa un comportamiento distinto para recorrer

incrementalmente la cobertura del entorno. Este comportamiento se inicia de manera
parcialmente aleatoria y especifica si recorrerá el lugar según a tres modos distintos:
rutina, normal o ansioso; y también proporciona una distinta probabilidad de giro y
dirección de éste (derecha o izquierda).
Teniendo en cuenta la asunción de ortogonalidad del entorno (esto es, 90º

entre dos muros), la información se almacena como vectores de puntos coordenados
que representan segmentos del mapa que se corresponden con las paredes o con los
obstáculos (también ortogonales) como un conjunto de segmentos difusos con cierta
imprecisión calculada experimentalmente. Ésta técnica de cartografiado propuesto, se
engloba bajo las representaciones basadas en características, y para este caso
concreto, sólo consideran almacenar los segmentos verticales y horizontales (entorno
ortogonal). Sin esta asunción de ortogonalidad, una aproximación basada en
representación por rejillas/celdas sería mucho más apropiada.
Esta implementación se basa en segmentos de imprecisión que representan

segmentos/porciones de muros (u obstáculos) detectados por los robots, como
rectángulos alrededor de la posición calculada que contienen una probabilidad de
pertenecer al segmento dado según a un error estimado de posicionamiento y cálculo
de distancia.
9
Para la navegación, cada robot calcula su trayectoria y el error de su posición,

para llegado a un valor de error mayor que un umbral, el robot regrese al punto de
inicio invirtiendo el orden de su trayectoria y eliminando bucles, para asegurar lo
máximo posible la posibilidad de regreso.
Múltiples Robots
La idea básica está tomada de la exploración de las hormigas, que barren el

terreno con distinta funcionalidad cada una, y luego se transmiten la información unas
a otras para obtener la trayectoria final hasta el hormiguero. Sin embargo, no se utiliza
ninguna aproximación biológica para la implementación. Cada uno de los robots
explora de diferente manera el entorno (hasta 6 posibles combinaciones entre giros y
comportamiento), obtienen sus mapas individualmente y de regreso al punto de
encuentro, es un ordenador central el que se encarga de fusionar los mapas parciales
para obtener uno global. Como se ha mencionado antes, los robots se transmiten unos
a otros, durante la fase de exploración, la información parcial que captan del entorno,
para tener mayor robustez frente a fallos de alguno de ellos que no les permita volver
al host. Mediante su sensor de Infrarrojos de 100º de ámbito de emisión/recepción,
captan los vecinos cercanos e inician comunicación en su caso. Si dos autómatas
estuviesen transmitiéndose información y apareciese un tercero, éste último obviaría a
los dos vecinos y giraría hacia su izquierda hasta que su sensor no detectase a los
robots, continuando su exploración.
Combinación de Mapas
Las técnicas de fusión y complementación usadas, dependen completamente

de la presunción de ortogonalidad del entorno. Ambos procesos se llevan a cabo en un
ordenador central, que incrementalmente fusiona los mapas parciales entregados por
cada robot.
La generación del mapa global tiene lugar en el host, en tres fases. La primera
consiste en unir el mapa actual del ordenador central con mapas parciales entregados
por un robot, esto es, la unión de conjuntos de segmentos. La segunda fase fusiona
segmentos de diferentes detecciones que se consideran como el mismo obstáculo. Y
por último se completan los resultados probabilísticamente.
Los segmentos de la posición de las paredes tienen imprecisiones debido a los

errores de posicionamiento de los robots, así que dados dos segmentos de muros u
obstáculos, se decide, teniendo en cuenta sus imprecisiones representadas por
posiciones relativas y distancia al objeto, según un umbral que denote si pertenecen o
no al mismo segmento, y se procede a su fusión, seguido de un proceso de
completamiento basándose en una hipótesis sobre regiones no observadas.
Para la fusión de dos segmentos se crea una función que identifica con
probabilidad entre 0 y 1 si el punto (x,y) pertenece al segmento S y se almacena una
lista con puntos singulares que se han detectado como por ejemplo finales de muro,
10
esquinas, huecos….etc. Con toda esta información se crean rectángulos de segmentos

imprecisos basados en las coordenadas (x,y) sumando y restando el error de
imprecisión (e1,e2) para obtener así el rectángulo. Posteriormente se toman los
rectángulos S y S’ a evaluar, y se calcula su solapamiento y posible fusión.
Ya que los rectángulos solo tendrán dos posiciones, horizontal o vertical, se

centra el esfuerzo en uno de los ejes axiales solamente. Para el eje perpendicular al
rectángulo (vertical) se toma la posición del X nuevo segmento resultante de la fusión,
como |x-x’I| y la posición Y como el min(|y1-y2’|,|y2-y1’|) o como Cero si se
comprueba que (y1-y2’)*( y2-y1’) <0 .
En la fase de completado, se utiliza una aproximación heurística basada en

conocimiento sobre un conjunto de reglas cubriendo las diferentes situaciones
posibles a utilizar como son: extensión de segmentos simples, unión de dos segmentos
enfrentados, completado de esquinas en forma de L y T, y completado de huecos de
puerta.
Para la medida usada para obtener la información del entorno con la que
generar los mapas, se utilizan sensores de IR, los mismos que usan para comunicarse
con otro de los robots y transmitirle la información propia. Se utilizan 5 sensores
infrarrojos de proximidad para detectar obstáculos y paredes frontalmente, 1 sensor
de proximidad para detectar discontinuidades horizontales del terreno, 1 sensor
emisor/receptor de infrarrojos omnidireccional para detectar otro robot y transmitirse
la información (señal FSK modulada que transmite a 9.600 bits/s) y 1 receptor de
infrarrojos con ámbito de 100 grados desde el frente hasta su lado derecho para situar
los robots vecinos.
La estructura de los autómatas sigue la base de los micro-robots insecto

(Alami,Brooks) buscando pequeño tamaño y bajo coste. Miden 21 cm de largo y 15 cm
de ancho, constan de 3 ruedas, alcanzando una velocidad máxima de 0.6 m/s. La
batería tiene 1 hora de atonomía que proporciona 2000m de exploración a cada robot.
Cada robot acarrea 3 módulos hardware de procesamiento. Para el modulo de

control de navegación que genera las trayectorias a seguir, utilizan un
microprocesador AMD 80C186 con 1 MB de memoria RAM para almacenar la
información de su mapa y de los transmitidos por otros robots. El segundo módulo
controla la dirección del robot, gestiona los motores para seguir la trayectoria
generada, valiéndose de un microprocesador AMD 80C552 que opera con alta
resolución, donde cada encoder corresponde un desplazamiento de 2 mm. El último
módulo se encarga de las medidas de los sensores de Infrarrojos.
11
2.3 SIMULTANEOUS LOCALIZATION AND MAP BUILDING OF SKID-

STEERED ROBOTS
Georgia C. Anousaki and Konstantinos J. Kyriakopoulos.

IEEE Robotics & Automation Magazine.
Marzo 2007.
Problemas SLAM, son tratados normalmente mediante aproximaciones basadas

en filtros Kalman extendidos (EKF), ya que ofrecen una solución recursiva lineal óptima
para condiciones de perfecta asociación de los datos, modelos de locomoción lineales,
expresiones de medida también lineales y un modelo de distribución de error
Gaussiano. EKF mantiene un sistema de estado de vectores que incluye tanto la
posición del robo como las características del entorno en forma de mapa manteniendo
una correlación entre ambos. El inconveniente de este método es su alto coste
computacional para cada actualización de una nueva observación sobre la totalidad de
la matriz de covarianzas. En este artículo proponen una variación del filtro de Kalman
para obtener una aproximación sub-óptima basada en un filtro de intersección de
covarianza que permita no tener la necesidad de mantener la pesada matriz con la
correlación entre las características. Así, el vector de estados simplemente mantiene la
posición del robot y el mapa se basa en segmentos lineales basados en características.
El entorno sobre el que se desarrolla esta investigación es outdoor (exterior),

pero ambos autores participaron anteriormente en investigaciones indoor basadas en
mapas de rejillas de ocupación, planteando también un método SLAM que en este
artículo perfeccionan y amplían a entornos más extensos. El ambiente a cartografiar se
presenta como semi-estructurado y se sume que las medidas que se pudieran tomar
mediante GPS (Global Positioning System) no son significativas o no están disponibles,
necesitando por tanto apoyo tanto para la localización como para el mapeo, que hacen
que el problema se acerque a las técnicas desarrolladas en entornos indoor pero con el
inconveniente de procesar mucha más información debido a largas distancias,
problemas de la inclinación y superficie irregular del suelo, la existencia de vegetación
y otros elementos que dificultan la navegación y cartografiado ayudando a la
generación de errores.
Debido a las restricciones del entorno, el uso de matrices de puntos o rejillas de

ocupación para la generación de mapas, resultan inadecuados en este caso debido al
gran espacio en memoria que se debería almacenar. En lugar de estas aproximaciones,
se implementa mapeo basado en características, en forma de segmentos lineales. Esta
representación es mucho menos costosa, y se basa en obtener la posición del robot
desde dos fuentes de sensores distintas, fusionar la información en un filtro de
intersección de covarianza para minimizar la incertidumbre, y hacerlos coincidir con el
mapa mediante otro algoritmo de matching generándose así el mapa global
iterativamente.
12
Pasos para generar el mapa:
1. Extracción de características: Mediante un sensor láser se obtiene una vista

general de 360º alrededor del robot, obteniéndose los puntos que son
identificados para agrupar como puntos vecinos. Se analiza cada grupo de
puntos vecinos con el fin de detectar los segmentos lineales más probables
conformados por dichos puntos, y por último se determinan los vértices de
cada línea.
2. Estimación de la posición. Desde el modelo de navegación a ojo (dead-
reckoning), el codificador de rueda y las lecturas INS (Inertial Navigation
System) de los sensores acelerómetros y giroscopio, se calcula la posición
estimada de localización del autómata.
3. Mapa global posible: Se forma un mapa local de segmentos lineales con las
lecturas láser aplicadas a cada posición estimada, y con estos datos se obtiene
el posible mapa global.
4. Coincidir/Unir el Mapa (map matching): Al detectarse un nuevo objeto
mediante las medidas del láser, se aplican rotaciones y translaciones para
estimar si el nuevo objeto puede asociarse, alinearse, con las correspondientes
características del mapa local generado anteriormente, usando para ello el
cálculo de la distancia de Mahalanobis.
Combinación de Características
Los segmentos lineales extraídos de la lectura láser tomados desde distintas

posiciones del robot e inicialmente almacenados en el mapa local se mezclan con las
líneas encontradas en los segmentos visibles del mapa global siguiendo 4 pasos de
combinación:
1. Transformación de los pares de segmentos lineales candidatos dentro de un

marco de referencia común.
2. Prueba de similitud de las líneas usando el test estadístico Chi-cuadrado.
3. Se determina la mejor estimación para la combinación usando el máximo ratio
de similitud.
4. Se proyectan los puntos de fin de recta de cada par de segmentos para calculas
los nuevos puntos vértice.
Es usado un único robot para concluir la tarea, de este modo no se necesita un

algoritmo específico de combinación de distintos mapas locales. El robot utilizado es
del tipo patín deslizante en cuanto a su locomoción, este tipo de robots presentan
dificultades de codificación de desplazamiento en ruedas y por ello no han sido muy
utilizados en investigaciones anteriores. Las pruebas realizadas se llevan a cabo sobre
13
un robot Activmedia Pioneer 2-AT móvil, con cuatro ruedas, teniendo el par de ruedas
de cada uno de los lados la misma velocidad.
En cuanto al tipo de sensores utilizados para la toma de medidas y extracción

de características se cuenta con codificadores de rueda, medidas de láser, sistema INS
con acelerómetro y giroscopio para la cabeza, y GPS. Se precisan dos codificadores
ópticos para medir la rotación de las ruedas de cada uno de los lados del robot. El INS
usado es tridimensional y se corresponde con el DMU-HDX de Crossbow, basado en
MEMS, incorporando 3 acelerómetros de +-2Gs de rango de aceleración y 4 3 sensores
de ratio de ángulo de 200º/s de rango giroscópico tridimensional. La frecuencia de
actualización de medidas de los codificadores y la interpolación de las lecturas
provistas por el INS es de 16.67 Hz, obteniéndose por tanto una medida cada 0.06
segundos. Para las medidas de los láseres se posicionan en lo alto del robot, espalda
con espalda, dos SICK LMS-200 que cubren la totalidad del área alrededor del
autómata operando a una frecuencia de 2.5 Hz, conectados en serie con el controlador
de la placa. Se incluyen además dos ruedas pivote para medir la odometría del
experimento y comunicarlo con la placa responsable de reunir los datos junto con los
de los sensores ópticos y transmitir esta información a través del puerto serie a la
placa
La unidad computacional de la placa radica en un procesador de placa simple

de Octagon ejecutando un sistema Linux con 6 puertos series y comunicación wireless
LAN para comunicación con el usuario. El sistema incorpora GPS pero debido a
problemas de cobertura de la señal en el lugar de la experimentación, no se
consideran para mejorar o apoyar el sistema. La energía del robot viene dada por 3
baterías, evidenciándose la corta duración en tiempo para la ejecución de la tarea.
14
2.4 LOST: LOCALIZATION-SPACE TRAILS FOR ROBOT TEAMS
Richard T. Vaughan, Kasper Støy, Gaurav S. Sukhatme, and Maja J. Mataric.

IEEE Transactions On Robotics And Automation, Vol. 18, No. 5.
Octubre 2002.
LOST describe un método para permitir navegar o atravesar rutas a un grupo de

robots entre sitios de interés en un entorno inicialmente desconocido usando pistas de
hitos en el espacio. Los hitos no son físicos sino que son coordenadas de puntos del
camino generados online (en línea, durante la exploración) por cada uno de los
autómatas y compartiéndolos con los robots del equipo mediante comunicación
wireless basada en redes de radio. Los robots tomarán el mejor camino conocido,
convergiendo la información tomada por cada uno de ellos, compartiendo datos de la
trayectoria entre sí mediante sistemas de coordenadas usando características
relevantes de la tarea como puntos de referencia comunes, generando un sistema
robusto frente a errores individuales de los autómatas.
El grupo de robots conseguirá por tanto seguir un sendero común entre dos
localizaciones predeterminadas, usando un algoritmo emulador del sistema de
navegación de las hormigas y comunicación de las abejas. Las hormigas trazan
senderos marcándolos químicamente para poder ser detectados por otras hormigas,
en diversos experimentos se ha tratado de recrear literalmente este compartimiento
marcando el espacio inspeccionado por los robots pero no tiene mucho sentido, por
ello la aplicación propuesta en esta investigación modifica este aspecto hacia la
comunicación wireless de ancho de banda mínimo para compartir la información del
sendero seguido. Las abejas comparten información de localizaciones de interés
mediante bailes y zumbidos, asemejándose más a este método de radio inalámbrico
para comunicación de los autómatas. El éxito de las hormigas para encontrar el camino
al hormiguero radica en la tarea multiagente que realizan, no teniendo el mismo éxito
si individualmente tratasen de resolver el mismo problema, y eso es lo que se
pretende imitar en este artículo.
Aunque este artículo no especifica expresamente un método de mapeo del

entorno total, tiene importancia en este campo, además de la obvia solución de
navegación entre dos puntos y la difícil tarea de compartición de información en
sistemas multirobots, ya que plantea que los autómatas compartan entre sí
coordenadas de hitos espacialmente localizados del que extraen características
comúnmente detectables, lo que unido a la tarea de almacenamiento de dicha
información del sendero a seguir, se enmarcaría en el campo de las técnicas de mapeo
basadas en características, ofreciendo así una visión de cuáles de éstas podrían ser
óptimas para generar un mapa verosímil a la realidad y fácilmente identificable por
otros robots a la hora posterior de su navegación.
15
En contraposición a otros métodos de mapeo más convencionales, en LOST la

generación de mapas es sobre un espacio parcial, generando únicamente un mapa con
los lugares de interés para la ruta a seguir hasta la localización final, desechando por
tanto los puntos del entorno que no convienen para la tarea que se precisa, aligerando
computacionalmente y en cuanto a cantidad de datos en memoria a guardar, la carga
del proceso de cartografiado. En este artículo nombran esta técnica como Esquema de
Seguidor de Senderos, que resuelve el problema SLAM que estudiamos.
No se mantiene un mapa global común, sino que se generan puntos de

referencias en un entorno parcial, almacenando las características (claramente
identificables por otros robots) de estos hitos, y definiendo pistas de localización para
llegar a esos puntos coordenados, además del tiempo estimado en alcanzarlo,
tomando como referencia un punto anterior conocido por todos los robots. Esto
elimina la dependencia de un sistema de coordenadas global según se explica en el
apartado siguiente.
Múltiples Robots
Las ventajas de este sistema es que el método de localización de cada robot

puede ser independiente, no alterando la tarea final. Debido a la compartición de
información vía radio de los robots, el mapeo de una ruta hasta el objetivo es
dinámicamente adaptativo, pudiendo así actualizar rutas debido a cambios en el
entorno, sin necesidad de recalcular toda la matriz del espacio, o necesitar actualizar el
mapa cada cierto intervalo de tiempo para permitir la navegación, puesto que las fases
de mapeo y navegación se realizan conjuntamente.
En el instante inicial, los robots parten de la misma posición, así sus sistemas de
coordenadas están alineados. Utilizan sus sistemas de odometría para calcular su
localización relativa, pudiendo de este modo compartir las coordenadas de los puntos
de interés entre los autómatas. Sin embargo, los errores individuales en los cálculos de
la localización relativa pueden llegar a ocasionar la caída del sistema al no coincidir,
llegados a un punto temporal de ejecución, las coordenadas mantenidas por cada
robot para los puntos característicos del sendero.
Para evitar este problema, se crean puntos del sendero, migas de pan a seguir,
para converger puntos de coordenadas entre los robots a la hora de seguir el sendero.
Inicialmente sólo contaban con dos puntos de referencia, el inicial y el final, en cambio
ahora, se definen puntos intermedios de referencias para los robots, enmarcados estos
en la trayectoria a seguir hasta el punto final, y se almacenan, nombran el hito según a
unas características claramente identificables por el resto de robots y transmiten,
pistas de direccionamiento hacia estos hitos según las coordenadas parciales
referentes al anterior hito definido, o punto inicial/final si fuese su caso. Se genera así
un camino de migas de pan, en el que se almacenan tuplas que contienen nombre del
16
lugar, posición relativa en el espacio localizado, la distancia al punto anterior, y el

tiempo en alcanzarlo.
Este experimento se representa con 4 robots ActivMedia Pioneer 2DXs de

pequeñas dimensiones (50x50x40 cm) con dos ruedas direccionables independientes y
una rueda trasera. Los autómatas van equipados con un procesador PC104+ Pentium II
ejecutando un sistema operativo Linux.
Cargan cada uno de ellos con un anillo de 8 sensores de sonar en el frente y la

parte trasera, y codificadores de ruedas para la odometría. Se equipa además a cada
robot con un laser de escaneo SICK LMS 200 con un rango de lectura entorno a los
180º de campo de visión, con 2 muestras por grado obteniéndose una precisión del
orden de milímetros.
La comunicación entre cada robot se lleva a cabo con un módulo de ancho de

banda de 1 Mb/s via 802.11 wireless Ethernet.
17
2.5 USING OCCUPANCY GRIDS FOR MOBILE ROBOT PERCEPTION

AND NAVIGATION
Alberto Elfes, Carnegie Mellon University.

0018-9162/89/0600-06 IEEE.
Junio 1989
En la percepción de los robots para tareas envueltas en entornos reales surge el

paradigma geométrico sobre la interpretación del ambiente alrededor de los
autómatas. Enfoques tradicionales, para interpretar los datos obtenidos por los
sensores de los robots acerca de su entorno, se han apoyado en gran medida en la
recuperación y manipulación de modelos geométricos del espacio. A bajo nivel, el
proceso de percepción se basa en la extracción de características geométricas tales
como segmentos de líneas, parches de superficies, áreas poligonales definidas por
vértices, etc…, mientras que en procesos a alto nivel de detección, se centran en la
utilización de modelos simbólicos como plantillas geométricas o heurísticas a priori
sobre la asunción del entorno del robot para limitar la interpretación del proceso de
detección por los sensores.
Se precisa poder obtener una representación del mundo alrededor del robot
como tarea subyacente a muchas otras del campo de la robótica como pueden ser
detección y evasión de obstáculos, planificación de rutas óptimas de acceso y
navegación, operaciones de montaje, rutas de carga de materiales, tareas de socorro, y
cualquier otra que precise el conocimiento del espacio geométrico para el movimiento
de un robot autónomo.
Se crean fuertes dependencias entre la representación del entorno y la

especificidad del dominio en el que se trabaja, al igual que con los modelos
geométricos elegidos a priori y la asunción de heurística. Además, todo método de
obtención de información del exterior, y todos los sensores a utilizar, procurarán una
serie de errores que habrán de ser tratados de distinta forma, es por ello que se crea
un vacío entre la capa de imprecisiones y limitaciones provistas por los datos de los
sensores, y la capa de abstracción geométrica y simbólica del modelo del mundo sobre
el que operan los procesos de extracción de información.
Se presenta en este artículo, un marco de trabajo basado en Mapas de Rejilla

de Ocupación, así como su interoperabilidad con los datos de los sensores, sistema de
almacenamiento y representación del entorno, y aplicaciones de tareas utilizando
estos mapas.
Occupancy Grid (Rejilla de Ocupación), como representación del entorno, se

identifica por definir una correlación multidimensional (2D o 3D) del espacio en celdas
las cuales contienen una estimación probabilística de su estado de ocupación. Los
estados de las celdas se definen como variables discretas aleatorias de dos estados,
18
ocupado o vacío, y la rejilla de ocupación se corresponde por tanto como un campo de

estado discreto binario y aleatorio.
Cada celda se modela según un campo aleatorio de Markov (MRF) de orden 0

donde cada celda puede calcular su estado como una variable aleatoria independiente.
Una vez hecha una lectura r por los sensores, se aplica una función de densidad de
probabilidad de la forma p(r | z), siendo z un parámetro del rango de valores del
espacio. Seguidamente se aplica una estimación Bayesiana para determinar el estado
de la celda, y se procede a optimizar dicho resultado mediante la regla de decisión por
máximo a posteriori (MAP), obteniéndose los nombrados estados de ocupado o vacío,
o un tercer estado ‘desconocido’, que en su mayoría indicarán espacios aún sin
explorar ,para las probabilidades iguales a 0.5.
Posteriormente se utiliza el teorema de Bayes de manera secuencial para

permitir la composición incremental del mapa para nueva información proveniente de
los sensores que se refiera a una misma celda. De esto modo, se calcula P[ s(Ci) =
estado actual | {r}t+1 ] como la probabilidad del estado de la celda i-ésima, según la
probabilidad de encontrarse en el estado actual teniendo en cuenta t+1 lecturas
diferentes sobre la misma localización. El desarrollo según el teorema de Bayes de esa
probabilidad resulta en:
OCC = estado ocupado (se supone como el estado actual para este ejemplo).
P[S(Ci)= OCC | {r}t ] se extrae directamente de la rejilla de ocupación, pues es el estado
en la lectura anterior.
P(r | z) se halla obteniendo P[(r)t+1 | s(Ci) = OCC ] la distribución del modelo del
sensor , usando el Teorema de Kolmogoroff.
La nueva probabilidad calculada se almacena de nuevo en la rejilla de

ocupación, repitiéndose este paso iterativamente para cada nueva lectura de la
posición representada por dicha celda. Cabe reseñar que al comienzo se inicializan
todas las celdas a probabilidad 0.5, que implican un estado desconocido. Como
ejemplo se presenta la distribución de probabilidad de una rejilla de ocupación
bidimensional generada por un sensor sonar de lecturas de rango simples modelado
con incertidumbre Gaussiana en rango y ángulo:
En la mayoría de los casos se utiliza integración de diferentes sensores para

mejorar la precisión de las medidas y la probabilidad de ocupación de la rejilla. En este
caso se ha de modelar cada sensor según su función de distribución propia y combinar
los resultados como dos procesos independientes.
Otro modo de usar los mapas de rejilla consiste en partir de una situación inicial
semiconocida, en la que a partir de un modelo geométrico supuesto, se calcula la
19
ocupación de cada célula a priori realizando una conversión del modelo a esta
representación y se utiliza este resultado para iterativamente en la fase de exploración
del robot, actualizar la rejilla de ocupación con las medidas de los sensores.
Navegación usando Occupancy Grids
Como ejemplo, el sistema Dolphin citado en apartados siguientes, emplea el

algoritmo de búsqueda A* para obtener la planificación de caminos y esquiva de
obstáculos operando directamente sobre la rejilla de ocupación, gracias a los dos
estados posibles que denotan las probabilidades de cada rejilla. Es importante
mantener una estrecha correlación entre la representación de la rejilla y la locomoción
y calculo odométrico de la posición del robot, teniendo en cuenta la distribución de
error generado a cada paso.
Como ejemplos de uso se citan el robot móvil Neptune construido por Gregg
Podnar, que cuenta con un array circular de sensores de ultrasonidos y un par de
cámaras estéreo, con una procesador incluido on-board, en la placa del propio robot,
pero sin embargo es un ordenador central el que ejecuta el sistema Dolphin de
navegación y mapeo.
Otro ejemplo usado es el robot Locomotion Emulator construido en el CMU

Field Robotics Center, diseñado para navegación a partir de mapas de rejilla de
ocupación en terrenos de detección de minas. Lleva equipado un anillo de sensores de
ultrasonidos.
20
2.6 INTELLIGENT CONTROL OF MOBILE ROBOTS WITH FUZZY

PERCEPTION
Federico Cuesta, Aníbal Ollero.

Capítulo 4 del libro: Intelligent Mobile Robot Navigation.
ISBN: 3540239561, Ed. Springer.
Año 2005.
En este capítulo se presenta el uso de percepciones difusas del entorno para el

control inteligente de vehículos con restricciones no holonómicas (el estado depende
del camino seguido para alcanzarlo). En los últimos años se precisan, cada vez más,
robots autónomos móviles para realizar tareas, que incluyen navegación, en dominios
cada vez más complejos, necesitándose la creación de sistemas adaptables a
ambientes inciertos, no estructurados y dinámicos y con capacidad de percepción
sobre estos.
A lo largo de la sección se describen mejoras en las funciones de percepción

usadas en robots. Se han de tener en cuenta las restricciones cinemáticas de los
robots, así como su dinámica y el bajo número de sensores que presentan (en especial
para robots de bajo coste) y los grandes sectores ciegos que se crean entre ellos. Por
tanto la tarea de navegación autónoma no es nada trivial, mucho menos aún para los
casos de autómatas con sensores de bajo coste como los ultrasonidos e infrarrojos, en
los que debido a la resolución angular en la toma de medidas, se crea una
incertidumbre sobre la posición real de los obstáculos que hay que mitigar de algún
modo.
Se precisa una estrategia de control reactivo en base a la percepción del

entorno del robot que implemente las restricciones citadas. De igual modo, se ha de
considerar, que para las cada vez más complejas tareas en aplicaciones reales tales
como la construcción, minería, exploración, transporte, limpieza y otras del estilo, no
pueden ser satisfechas actualmente mediante implementaciones autónomas
eficientes, de confianza y seguras, y es por ello que se deberían plantear conceptos de
telerobótica en los que el ser humano apoye dichas tareas, salvo el caso de
requerimientos de precisión como planificación de la navegación en los que la mejora
de las capacidades de los sensores de alta precisión (y coste monetario y
computacional) son la mejor alternativa.
El capítulo se subdivide en varias secciones pero en este estudio solamente se

evaluarán detenidamente dos de ellas, por centrarse más en la temática del EIT1 a
presentar. Las dos secciones a estudiar se encuentran bajo el subapartado 4.2 llamado
‘Environment Perception and Mobile Robot control’, siendo los puntos:
 4.2.3 Fuzzy Occupancy Grids

 4.2.4 General Perception Vector
21
Los dos puntos citados anteriormente ofrecen dos visiones totalmente distintas
sobre el almacenamiento de la información del entorno del robot, y se presentan una
como contraposición a la otra:
1. Fuzzy Occupancy Grids
La incertidumbre proveniente del rango de medidas de los sensores, y la

obtención de un mapa verosímil del entorno se han tratado satisfactoriamente con
herramientas de lógica difusa, y es sobre esta base que se plantea el crear Mapas
Difusos similares a las Rejillas de Ocupación Difusas. Se pretende crear un conjunto
difuso, como mapa de incertidumbre, en el que se asocie a cada punto del espacio un
número real que identifique la probabilidad de dicho lugar a ser parte de un muro u
obstáculo cualquiera. La ventaja de usar conjuntos difusos es que se permite detectar
conflictos i falta de información.
El Mapa Difuso por tanto es un conjunto difuso M formado por los conjuntos de
espacio vacío V y ocupado O, dentro del conjunto universal U bidimensional
considerado como una matriz cuadrada de celdas. Se precisa calcular para cada uno de
esos dos conjuntos V y O, los puntos que lo conforman mediante una función de
afiliación. Dicha función depende del rango de lecturas R (como el radio al que se
detecta un obstáculo) y la distancia p que define cada punto del espacio alrededor del
robot, de tal forma que si la distancia p de un punto es menor que R – Error(R) se
considera como vacío, al igual que si es mayor que R, y se considerará ocupado, si la
distancia p es mayor que R – Error(R) y menos que R+Error(R) . Sin embargo aplicamos
una función de probabilidad para ambos casos, mejorando la incertidumbre, y así se
generan las dos funciones de afiliación siguientes:
(E=empty set;
O=occupied set;
k= constante con el máximo valor
alcanzable para la función)
Para mejorar estas probabilidades, se computa una función para limitar el

rango de lectura R al área cercano a la localización del sensor, que define la radiación
en forma de cono de la medición, utilizando un parámetro Pv de suavizado para la
transición de certidumbre a incertidumbre en el radio de visibilidad de la muestra. La
modulación radial y los conjuntos vacío y ocupado generados se definen como:
El conjunto vacío global se genera como la unión de los conjuntos vacíos

generados en cada medida, del mismo modo que se calcula el conjunto ocupado
22
global. Cada celda de la matriz cuadrada que define el universo U contendrá dos
valores numéricos con las probabilidades asociadas a pertenecer al conjunto vacío y de
pertenecer al conjunto ocupado, lo que implica que ambos conjuntos no tienen por
qué ser complementarios. Esto dista de otras aproximaciones en las que se aplica un
solo valor a la celda, sin posibilitar que pertenezca a los dos estados de ocupación al
mismo tiempo.
- Para conocer las celdas ambiguas que puedan pertenecer a ambos conjuntos se
aplica la intersección de éstos siguiendo el algebra de conjuntos difusos.
- Las celdas indeterminadas serán aquellas resultantes de la intersección de los
conjuntos complementarios al vacío y ocupado, es decir, las que no pertenecen a
ningún grupo.
- Se define un conjunto S seguro para locomoción como las celdas “muy” vacías, que
no pertenecen ni al conjunto de ocupadas, ni al de ambiguas ni indeterminadas, y
sí al conjunto de celdas vacías elevando al cuadrado sus valores para más énfasis.
- El mapa difuso M se identifica con el complementario del conjunto seguro S,
debiéndose evitar el trayecto por sus puntos en la locomoción del robot.
- Para el caso de planificación de rutas, el mapa difuso M varía puesto que el
conjunto seguro S sí incluye en este caso las celdas indeterminadas como posibles.
Para la navegación se utiliza bajo este método, el Mapa M de planificación de

rutas, y una búsqueda basada en el algoritmo A* para encontrar el mejor camino a la
posición final.
2. General Perception Vector
Contrariamente a la anterior aproximación, esta técnica, que se usa en robots

con una percepción completa de los alrededores de éste (anillos de sensores, sensores
omnidireccionales), se basa en el almacenamiento del entorno en un solo vector que
contiene los datos del espacio más cercano al autómata, agilizando
computacionalmente todo el proceso a costa de elevar el grado de incertidumbre.
Se toman medidas desde todos los sensores creando un vector entre la

distancia mínima y máxima capaz de ser medida por los sensores, y con esta
información se crea el General Perception Vector como la combinación de todos ellos,
estimando una probabilidad p entre 0 y 1 de percibir un obstáculo a una distancia d y
en la dirección phi.
El realizar un desplazamiento seguro, el robot recalcula el General Perception

Vector para proseguir su camino. Este método presenta aún muchas lagunas y fallos,
pero se complementa en capítulos posteriores para intentar abolir estos fallos y otros
debidos a la reducción del número de sensores.
23
Vehículo autónom ROMEO-3R, adaptado de un vehículo eléctrico de tres

ruedas convencional, con unas dimensiones de (1.34 x 0.7 m). Se equipa con un PC 486
industrial operando bajo el sistema operativo de tiempo real Lynx v2.2 con control de
locomoción DCX-PC y placa de adquisición de datos AX5411. Utiliza 10 sensores de
ultrasonido SIEMENS Bero de resolución 1 , 2 y 4 mm, frecuencia 400 , 80 y 200 Hz
respectivamente y ángulo de 5º.
La regulación de los motores de dirección se genera usando reguladores

electrónicos PWM. Se carga el autómata con inclinómetros, giroscopio, brújula,
codificadores ópticos y DGPS para la estimación d ela posición. La fuente de energía y
el sistema de control eléctrico son independientes.
24
2.7 RESEARCH ON MAP BUILDING BY MOBILE ROBOTS
Chen Chen, Yinhang Chen

Second International Symposium on Intelligent Information Technology Application
978-0-7695-3497-8/08 IEEE - DOI 10.1109/IITA.2008.205
Año 2008
En este artículo se estudia la problemática de la generación de mapas teniendo

en cuenta tres aspectos: la técnica de sensores en la fase de adquisición, los sistemas
de cartografiado durante la fase de representación, y los métodos usados para el
procesado de la información. Se estudian con más detalle tres aproximaciones para la
generación de mapas: Occupancy Grids, Feature Maps y Topological Maps, además se
presenta y propone el uso de mapas híbridos como combinación de los anteriores.
Técnicas de Sensores en la Fase de Adquisición
Los sensores son la fuente para construir mapas, ya que nos proporcionan
datos del entorno y del propio robot. Hay diversas técnicas de sensores, que se utilizan
para ampliar al máximo la información con la que posteriormente confeccionar los
mapas, así podemos distinguir entre sensores internos, sensores de visión y sensores
de rango.
o Los sensores internos son aquellos que posicionan al propio robot dentro
de un sistema espacial, tales como odometría (p.e. codificadores de ruedas)
y brújulas. Acumulan error con el tiempo.
o Sensores de vuelo típicamente usados son los infrarrojos, ultrasonidos y
lasers. Los primeros, en especial los ultrasonidos, son los más usados para
robots móviles por su bajo coste, aunque presentan imprecisiones de
medida en especial por su baja resolución angular y el problema de las
reflexiones. Los lásers no tienen esas desventajas, pero son más caros y
pesados.
o Los sensores de visión son los más complejos, basados en captación de
imágenes con la ventaja de la cantidad e información de golpe que
podemos extraer, pero son más caros, requieren mayor computación y
tienen problemas para efectuar lecturas y procesado en tiempo real.
Sistemas de Generación de Mapas
Tres de los principales métodos en el mundo de los robots móviles para

construir mapas son: Mapas de Rejillas de Ocupación, Mapas Basados en
Características y Mapas Topológicos. En este artículo, además de aportar unas
pinceladas sobre la base de estos tres sistemas de cartografiado, se presenta el
método de Mapas Híbridos en los que se combinan las técnicas de Mapas Topológicos
con las de Rejillas de Ocupación o Basados en Características. Los mapas topológicos
aportan buen funcionamiento para trazar rutas entre dos puntos debido a su
25
naturaleza de representación del entorno en forma de grafo, que facilita la tarea de

búsqueda del camino óptimo. Sin embargo son imprecisos representando la
información métrica del entorno y es ahí donde uno de los otros dos métodos
restantes interviene para compensar esta desventaja.
o Topológicos y de Rejilla de Ocupación: El mapa de rejilla aporta facilidad de

uso y construcción, así que se genera éste primero, y más tarde, por encima
de éste, se genera el mapa topológico compactado a base de separar el
mapa de rejilla en regiones coherentes separadas por líneas críticas. Estas
regiones formarán los nodos del grafo y los arcos serán las conexiones entre
los huecos vacíos.
o Topológicos y Basados en Características: El entorno se modela en dos
niveles de abstracción, por un lado cada lugar se define con un mapa local
de características para permitir la navegabilidad en él, y por otro se genera
un mapa topológico entre dichos lugares. Un robot se desplaza entre dos
lugares mediante medias de un estimador de estados topológicos, y se
cambia al mapa Basado en Características una vez llegado al lugar X para
navegar por él.
Procesamiento de la Información
Se necesitan tratar las medidas extraídas de los sensores para poder ser usadas
por los autómatas. Se citan dos principales campos de procesamiento de la
información: uno basado en métodos probabilísticos para resolver cartografiado y
localización conjuntamente y otro centrado en métodos de coincidencias de lecturas
aplicados en su mayoría para problemas en los que la localización es conocida y se
centra en actualizar el mapa en proceso de generación mediante combinaciones de las
lecturas anteriores del sensor y las nuevas.
o Métodos Probabilísticos: Extended Kalman filter (EKF), Estimation-

Maximation (EM), FastSLAM…
o Métodos de Coincidencia de Lecturas: Cross Correlation function (CCF) ,
Iterative dual Correspondence (IDC) , Ancho Point Relationships (APR),
Signature-based Scan Matching…
No se muestra el uso de las técnicas descritas sobre ningún robot; se

ejemplifican las dos técnicas de cartografiado híbrido pero sin citar arquitectura
empleada.
26
2.8 EFFICIENT LEARNING OF VARIABLE-RESOLUTION COGNITIVE

MAPS FOR AUTONOMOUS INDOOR NAVIGATION
Angelo Arleo, José del R. Millán, Darío Floreano

IEEE Transactions On Robotics And Automation, Vol. 15, No. 6
Diciembre 1999
La aproximación presentada en este artículo se enmarca dentro de soluciones

de Mapas Híbridos. La idea básica que se muestra es la de conseguir alta resolución
sólo en áreas críticas alrededor de obstáculos y muros. Con una metodología de
representación geométrica típica en la que se almacena la información del entorno de
forma uniformemente espaciada se están modelando al mismo nivel zonas de bajo y
alto interés para el reconocimiento del ambiente en el que se moverá el robot, que se
puede traducir a baja especificidad para las zonas críticas alrededor de obstáculos y en
demasiada información para zonas de menor interés que representen espacios vacíos
sin ocupación en su cercanía, lo cual implica pérdida de eficiencia. Es más, el tiempo de
computación, la dificultad para trazar rutas, el espacio en memoria y la complejidad
sería mayor de ese modo, como consecuencia ésta es la motivación para la técnica
aquí presentada.
El entorno de trabajo para los experimentos, y por tanto para la

implementación del cartografiado, se asume como ortogonal y estático, simplificando
así la tarea de particionamiento del espacio a representar en rectángulos de resolución
variable, además de reducir errores de direccionamiento del robot que podrá seguir
trayectorias más simples.
Para garantizar un sistema de confianza para la propia localización del robot

incorporan una compensación off-line de errores sistemáticos y generación de
trayectorias rectas. Adicionalmente, modifican una aproximación de Thrun,
implementando una red neuronal de proalimentación que interpreta las medidas de
los sensores. Para mejorar el error incremental generado por los sistemas de
odometría, el robot memoriza, durante la fase de cartografiado, la posición de las
esquinas, así al regresar en algún instante posterior a las esquinas conocidas, vuelve a
calibrar su odometría con la posición almacenada de esa esquina.
Se basa en la combinación de Rejillas de Ocupación y modelos de Mapas

Topológicos. En lugar de realizar un mapa global del entorno con la misma
representación para todas las celdas, se trata de ser capaces de variar la resolución de
las zonas a cartografiar según si se trata de un lugar crítico que se corresponda con un
obstáculo o sea un área vacía que no precisa tanta precisión.
El modelo a utilizar adquiere una aproximación de aprendizaje local, donde

mediante métodos de compartimentación de resolución variable, el mapeo se
distribuye en muchos modelos locales simples. Para la extracción de información local
27
de una zona, se utiliza la red neuronal anteriormente citada para crear un mapa local
de rejilla de ocupación en el espacio alrededor del robot. Una vez obtenido el mapa de
rejilla se aproximan los límites de los obstáculos por líneas rectas para poder aplicar
sobre éstas el compartimentado de resolución variable posteriormente. Para alocar
este mapa local inicial se utiliza un método basado en memoria para reducir tiempo y
accesos a datos, permitiendo mejorar el aprendizaje en tiempo real.
Utilizando esta información actual, el robot es capaz de dirigir su exploración

hacia las regiones más desconocidas, en lugar de utilizar una exploración aleatoria se
utiliza este aprendizaje “activo”.
La ventaja de este método es su característica on-line, puesto que no se precisa

esperar a tener un mapa global de rejilla para después extraer las características
topológicas, sino que se realiza en plena exploración local puesto que una vez que los
alrededores de un obstáculo se han modelado con la rejilla de ocupación, se extraer las
líneas que definen sus límites y ese mapa local de ocupación se desecha (aportando
además la ventaja de espacio en memoria).
En la fase de experimentación del proyecto utilizan dos tipos de robots móviles,

el Nomad 200 y el Khepera.
El autómata Nomad 200 presenta unas dimensiones de 50 cm de diámetro por

80 cm de alto. Está equipado con 16 sensores de ultrasonido y 16 de infrarrojos para
medir distancias a objetos, además de 20 sensores táctiles de detección de colisión.
Los sensores de distancia se emplazan en forma de anillo alrededor de la parte alta del
robot, mientras que los táctiles rodean al robot por su parte inferior. Para su
desplazamiento utiliza tres motores independientes para avanzar y girar sobre sí
mismo.
Los senosres de ultrasonido alcanzan distancias de entre 5.6 y 15 cm, mientras

que los infrarrojos tienen un rango de actuación de 40 cm.
La plataforma Khepera se ajusta más a los estudios sobre los que se lleva a cabo
este EIT por ser de menor tamaño, diámetro de 5.6 cm y altura de 3.6 cm . Cuenta con
6 sensores infrarrojos que cubren los 180º de la posición delantera del robot, y otros 2
sensores del mismo tiempo en la parte trasera cubriendo aproximadamente 100º. Para
el desplazamiento utiliza 2 motores independientes.
28
2.9 EMBEDDED ROBOTICS: MOBILE ROBOT DESIGN AND

APPLICATIONS WITH EMBEDDED SYSTEMS
Thomas Bräunl
ISBN: 9783540705338, Ed. Springer
Año 2008
El libro aborda ampliamente el mundo de los sistemas embebidos para la robótica

móvil, tratando temas de multitarea y sincronización, tipos de sensores y codificadores,
controles, comunicaciones, locomoción y otras aplicaciones entres las que se encuentra la
temática de este estudio, así nos centramos en el análisis del capítulo 17, Map Generation.
De un modo simple, un buen algoritmo de cartografiado, realiza las tareas básicas de

exploración del entorno y listado de los obstáculos hallados en este, geolocalizándolos de
manera que se tome algún sistema de referencias entendible para otro robot, que más tarde
realizará con el uso de ese mapa alguna tarea más específica. Los dos criterios principales para
la generación de mapas son precisión y rapidez, buscando aumentar ambos al mínimo coste
económico y computacional posibles.
Para la experimentación se asume no tener ninguna información previa sobre la

forma ni distribución del entorno o los posibles obstáculos (no ortogonalidad, ni
estructuración del espacio). El algoritmo presenta robustez tanto por la no asunción
previa de ningún tipo de información, como por la capacidad para tratar con las
imprecisiones y errores de los sensores de distancia y de localización.
El sistema se basa en la técnica de mapas híbridos como combinación de las

aproximaciones de Espacio de Configuración y Rejilla de Ocupación. Utiliza una
modificación del algoritmo DistBug para determinar rutas alrededor de los obstáculos.
El uso de una aproximación combinada reduce los problemas individuales de

cada método, al complementarse entre ellos. El Espacio de Configuración da lugar a un
mapa bien definido de segmentos lineales, mientras que la representación mediante la
Rejilla de Ocupación provee de una eficiente matriz o array para la fácil navegación del
robot. Debido al porcentaje de espacio libre, bastante superior, frente a la cantidad de
espacio ocupado por algún obstáculo, es mucho más eficiente usar la representación
del Espacio de Configuración que la representación del Espacio Libre.
El método exploratorio consiste en dirigirse hacia el obstáculo más cercano que

ha localizado en su entorno, aplicar un algoritmo seguidor de frontera sobre dicho
objeto, definir una nueva entrada en el mapa para él y continuar el proceso hasta
haber representado todos los obstáculos.
Para la representación de los datos se usan las dos aproximaciones

previamente mencionadas. Mediante Espacio de Configuración se representa la
información como una lista de pares vértice-borde que definen el contorno de los
obstáculos. Aprovechando que esta representación permite una gran precisión, solo
29
almacenaremos la información mediante este proceso en el caso en el que el robot se

encuentra cerca de los obstáculos, siguiendo el algoritmo seguidor de frontera. Por lo
tanto, este método de confección de mapas lo utilizará el robot para grabar la
información de localización de los obstáculos.
Mediante Rejilla de Ocupación, se representa una matriz de celdas con dos

estados, ocupado o vacío, que se utiliza mediante actualización continua del entorno
del robot según se está moviendo y tomando medidas de distancia gracias a los
sensores infrarrojos. Al medir la distancia a un objeto, todas las celdas entre esa
longitud se grabarán como vacías. La rejilla de ocupación se usa con pérdida de
resolución puesto que no será la encargada de grabar el mapa generado sino que lo
hace el método de Espacio de Configuración, por tanto las celdas pueden definir áreas
mayores del espacio. Esta última estructura se usará para la navegación hacia áreas
inexploradas, definir la finalización del cartografiado, almacenar la posición del robot y
no perder la referencia inicial, y dar un estado preliminar a las zonas aún no visitadas.
Inicialmente se definen los estados de la Rejilla de Ocupación como

desconocidos, el robot realiza medidas entorno a los 360º de su alrededor y mediante
esas distancias graba las celdas como preliminarmente vacías y preliminarmente
ocupadas. El robot se dirige hacia el obstáculo más cercano y almacena como
finalmente vacías las celdas por las que pasa, y utiliza el algoritmo seguidor de frontera
para grabar el contorno del objeto como un estado final. Estas celdas con estado final
son las que se graban a continuación en el Espacio de Configuración, y se actualizan en
la Rejilla de Ocupación al mismo tiempo. El robot rodea todo el obstáculo hasta
regresar a la posición inicial, donde procede a la búsqueda del siguiente obstáculo más
cercano. Es muy importante para el seguimiento de los bordes de obstáculos y paredes
tener una precisión fina y ser capaces de obtener una buena localización y orientación
del robot.
A la hora de mostrar la implementación de este desarrollo utilizan el robot Eve,

el primero basado en el EyeBot. Usa dos tipos de sensores infrarrojos (IR), unos del
tipo binario, IR-proxy, que se activan cuando la distancia a un objeto es menor que un
umbral, y otros sensibles a la posición que miden distancias a un objeto, IR-PSD. Se
utilizan 4 sensores IR-proxy situados 2 en el frente y 2 en la parte trasera; mientras que
los senosres IR-PSD son sólo 2, uno colocado en el frente y otro en el lateral derecho.
El microcontrolador de la placa es un Motorola M68332 de 32 bit a 25 Mhz, y

cuanta además con una memoraría RAM de 1MB y ROM de 512 KB. Cuenta con 12
servos con distintas utilidades y 2 motores DC con codificadores.
El robot además cuenta con otra serie de características pero están dirigidas a
otras aplicaciones distintas de la generación de mapas, según el algoritmo presentado
aquí. Cuenta con una cámara digital, una salida de audio, un micrófono, una pantalla
LCD, 8 salidas y entradas digitales, 1 puerto paralelo y 2 serie, 5 botones de distinta
funcionalidad, indicador de batería, PCB, etc…
30
2.10 MOBILE ROBOT LOCALIZATION AND MAP BUILDING – A

MULTISENSOR FUSION APPROACH
José A. Castellanos, and Juan D. Tardós
ISBN: 978-0792377894, Ed. Springer
Año 2000
En este libro se trata ampliamente la localización y la confección de mapas

automáticos para robots desde la resolución simultánea de ambos problemas. Se
propone un nuevo marco de trabajo probabilístico adaptado al problema: El Mapa de
simetrías y perturbaciones, SPMap. Este marco de trabajo lo incluyen en el modelo
general de representación e integración de la incertidumbre de la información
geométrica mediante medidas del Modelo de simetrías y perturbaciones, SPModel,
que combina el uso de la teoría de la probabilidad para representar la imprecisión de
la localización de un determinado objeto y la teoría de las simetrías para representar la
parcialidad debida a las características de cada tipo de objeto geométrico.
El entorno del robot consiste en un escenario indoor adaptado al ser humano,

pero no por ello estructurado al completo. Por otro lado, la navegación del robot se
realiza en una estructura basada en ruedas.
La generación de mapas se apoya en la aproximación de algoritmos Basados en

Características para representar la información del entorno. En este tipo de algoritmos,
uno de los grandes puntos de apoyo es la extracción de información significativa del
entorno observado mediante la recopilación de los datos devueltos por los sensores.
Se realiza una segmentación del rango de datos obtenidos de cada sensor, estos es, se
realizan aproximaciones por segmentos lineales para realizar aproximaciones
poligonales, para crear medidas más exactas y conformes con la incertidumbre
geométrica de la información obtenida del espacio, consistentemente con el SPModel.
 Segmentación
Para obtener la segmentación del entorno se combina un algoritmo de

seguimiento con un mecanismo de validación basado en la distancia de Mahalanobis al
cuadrado que se usa para clasifcar el rango de lecturas de los señores en regiones
homogéneas o espúreas. Con las regiones homogéneas se realiza un procesado para
dividirla en segmentos mediante aproximaciones poligonales y las regiones espúreas
se descartan. Se provee la longitud de los segmentos y la medida de incertidumbre
sobre su localización frente a un sistema de referencia dado para el robot dentro del
marco del SPmodel.
Más detalladamente, la primera fase comienza con las medidas tomadas por
los láser, con las que se procede a la fusión de los datos de cada uno de los sensores y
a su segmentación y creación inicial de una memoria donde se almacenan los pares
31
con las coordenadas polares de las medidas 2D tomadas. A continuación se aplica una
estimación de bordes y de puntos, donde se debe estimar la longitud de cada
segmento como la distancia de Mahalanobis elevada al cuadrado.
 SPMap
En el libro se aporta la representación del entorno mediante el Mapa de

Simetrías y Perturbaciones (SPMap). El SPMap está formado por un sistema de vector
de estados y su matriz de covarianza aosciada. Además se utiliza refinamiento del
mapa mediante el filtro de Kalman Extendido (EKF). De manera general, se define el
esquema a seguir para la confección de los mapas en 5 pasos:
1º Lecturas del entorno en un instante de tiempo t utilizando los sensores del

robot móvil.
2º Representación de la información de los sensores para obtener un mapa
local en el instante t.
3º Fusión de las medidas de los sensores para obtener una representación
mayor del mapa local actual.
4º Integración del mapa local actual con el mapa global previo para obtener el
nuevo mapa global y actualizar la localización estimada del robot.
5º Desplazamiento del robot con estimación mediante dead-reckoning.
Iteración del proceso.
El SPMap se define según la siguiente cuádrupla SPMap=(x,p,C,B), donde:
o x= el vector de estimación de localización, tanto del robot como de las

características extraídas.
o p= vector de perturbaciones del SPMap, representando un vector de
perturbación del robot móvil y el mapa de características.
o C = la matriz de covarianzas del vector de perturbaciones.
o B = La vinculación de la matriz del SPMap, que tiene en cuenta las simetrías
en la localización de las características.
Los resultados se obtienen durante el Experimento CPS, según nombran los

autores, donde utilizan un robot móvil OTILIO basado en locomoción por ruedas,
equipado con sensor laser TRC LigthRanger y un sistema de visión trinocular de
cámaras, además de componentes para medir la odometría del robot.
32
3. Análisis Global Crítico

Se han estudiado 10 artículos/libros centrados en el tema de confección de
mapas en entornos indoor para robots móviles. El estudio ha proporcionado un
abanico de métodos de cartografiado dentro del estado del arte del sector que se han
expuesto en cada uno de sus análisis individuales en este documento, ampliando la
visión sobre fases previas a la generación del mapa como son el tratamiento de los
datos adquiridos por los sensores que captan el entorno y procesamiento posterior a la
creación de los mapas con uso de éstos para distintas tareas de los robots,
especialmente la navegación y planificación de rutas. Esta visión pre-cartografiado y
post-cartografiado ha sido muy útil para comprender mejor la problemática que
implica la confección de los mapas y la aproximación a su implementación.
El objetivo del EIT además de ser herramienta de estudio de investigación y del

estado del arte en general de la temática, pretende encontrar métodos de
cartografiado apropiados para poder ser implementados con restricciones de bajo
coste y computación en entornos indoor reales. Con estas premisas, y según los
estudios evaluados, el modelo de Occupancy GridsMaps es el que más se acerca a los
requerimientos debido a su facilidad de manejo e interpretación, tanto para la
representación en su fase de confección, como para el cálculo de ocupación de cada
celda particular en un entorno estadístico eficiente sobre sistemas de robots
computacionalmente simples.
Cabe citar la técnica de Mapas Híbridos combinando un sistema de generación

de mapa topológico con un modelo de rejilla de ocupación como la siguiente
aproximación más factible a implementar, que ofrece mejoras sustanciales al sistema a
costa de complejidad en el algoritmo, al tener que combinar dos métodos y aplicar una
relación adecuada para sus transformaciones o compartición de ejecución.
Siguiendo los objetivos de bajo coste, los sensores más apropiados, y a la postre
los más utilizados en los estudios evaluados, son los ultrasonidos e infrarrojos, aunque
implican mayor complexión para el tratamiento de errores.
Para trabajos futuros, sería necesario mejorar la robustez frente a fallos de la

odometría individual de cada robot, combinar la confección de mapas híbridos con
sistemas multirobots sencillos para evaluar si ofrece mejoras o la dificultad de
compartir los recursos entre los robots empeora el método, el estudio del número
mínimo de robots que combinados conseguirían adquirir la información del entorno en
menos tiempo comparado con la complejidad de interacción entre los datos de ambos,
generalizar los métodos usados en entornos estructurados para casos más cercanos a
la realidad y el estudio de la combinación métodos de creación de mapas que mejore
la fase de adquisición, representación, y navegación de los robots.
33
3.1 Comparación de Sistemas de Generación de Mapas Vistos
Sistemas de Resumen Aparición en

Ventajas Inconvenientes
Representación características Artículos
Matriz de celdas que
Ocupa mucho
contienen la Facilidad de uso,
Occupancy espacio en memoria
probabilidad de estar construcción y 5
GridMaps y consume mayor
en el estado ocupado actualización.
tiempo.
o vacío.
Difícil concretar
Más información
Representación del obstáculos con
métrica, idóneo
entorno por exactitud. Difícil uso
Featured-Based para entornos
características y actualización. No 3
Maps estáticos. Menor
paramétricas como usable para
espacio en
líneas, puntos, arcos… entornos
memoria.
desestructurados.
Grafo de nodos Menor espacio en
Menor información
representando memoria,
métrico-espacial.
Topological lugares del espacio, compactado.
Ambigüedad de 2
Maps conectados por arcos Bueno para
reconocimiento de
si hay un camino planificación de
lugares.
entre ellos. rutas.
Conjunto difuso Ventajas de Desventajas de
compuesto por la Occupancy Grids. Occupancy Grids.
Fuzzy Maps unión de conjunto Mejora de Cálculos de 1
vacío y ocupado de estimación de intersección de
puntos del espacio. ocupación. conjuntos.
Vector con
Poco espacio en
información de los Mayor
memoria. Decisión
General alrededores cercanos incertidumbre. No
de camino más
Perception que se actualiza en tiene memoria. 1
rápida.
Vector cada movimiento Recalculado para
Generación más
fuera de éste. Mapa zonas ya visitadas.
rápida.
parcial.
Genera hitos de Fácilmente
referencia entre dos escalable, bueno Necesario definir
Trail-following puntos.Almacena para planificación hitos en el sendero.
1
Schemes tuplas de posición de rutas. Poco No información
relativa entre esos espacio en global.
hitos. memoria.
Doble computación
Combinación de
Se compensan las y mantenimiento.
métodos. Típicamente
Hybrids Maps desventajas de los Dificultad de 3
entre uno topológico
métodos. relación entre
y otro métrico.
representaciones.
Estructurado.
Lista de pares Dificultad para
Eficiente pues
Espacio de vértice/borde que trazar rutas,
representa solo el 1
Configuración definen el contorno computación más
espacio ocupado.
del obstáculo costosa.
Alta precisión.
34
35
4. Calendario y Dedicación
Nombre Fecha Miembros Descripción Horas
Reunión Inicial 08/10/09 Ángel de Castro Discusión de la línea de investigación a 1h
Alberto Sánchez seguir y puesta en común de la temática
David González e investigaciones ya encontradas.
Lecturas 12/10/09 David González Búsqueda de investigaciones y lectura 4h
Lectura y notas 27/10/09 David González Búsqueda artículos, lectura y resumen 5h
Reunión 29/10/09 Ángel de Castro Revisión de estudio. Recomendación de 1h
David González libros.
Reunión 02/11/09 Ángel de Castro Puesta en Común de 8 primeras lecturas. 1 h
Primeras Alberto Sánchez Determinación de referencias a seguir
Lecturas David González según lo encontrado. Consejos.
Lectura y notas 06/11/09 David González Búsqueda de investigaciones y lectura 4h
Lectura y notas 09/11/09 David González Notas resumen artículos leídos 4h
Reunión de 13/11/09 Ángel de Castro Control de seguimiento del EIT. Nuevas 1h
Control David González referencias propuestas.
Lectura y notas 18/11/09 David González Notas resumen artículos leídos 2h
Reunión Ideas 24/11/09 Santiago Elvira Puesta en común trabajos del grupo de 1h
en común Giovanni investigación sobre mapeo, localización y
David González sensores.
Reunión de 02/12/09 Ángel de Castro Control de seguimiento del EIT. 1h
Control David González
Reunión de 17/12/09 Ángel de Castro Control de seguimiento del EIT. 1h
Control David González
Memoria 11/01/10 David González Redacción de la Memoria del EIT 1 8h
Lectura y notas 24/01/10 David González Lectura de artículos para la memoria. 4h
Reunión 04/02/10 Ángel de Castro Mejoras y correcciones en la Memoria 1h
Memoria David González
Corr. Memoria 06/02/10 David González Corregir Memoria del EIT 1 4h
Presentación 08/02/10 David González Confeccionar Presentación Oral EIT 1 5h
Presentación 09/02/10 David González Confeccionar Presentación Oral EIT 1 3h
Presentación 11/02/10 Grupo HCTLAB Confeccionar Presentación Oral EIT 1 1h
TOTAL 101 h
36

EIT I DavidGonzalezArjona

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

EIT I DavidGonzalezArjona

Загружено:

Авторское право:

Доступные форматы

Máster en Ingeniería Informática y de Telecomunicación

Escuela Politécnica Superior - Universidad Autónoma de Madrid

MEMORIA DE ESTUDIO INDEPENDIENTE

CONFECCIÓN AUTOMÁTICA DE MAPAS EN ENTORNOS INDOOR

Estudiante: D. David González Arjona

Una primera posibilidad sería tener un mapa conocido y preestablecido del

En este Estudio Independiente Tutelado I (EIT 1 desde ahora) se plantea

Palabras Clave - WSN (Wireless Sensor Networks o Redes de Sensores Inalámbricas),

Para el cartografiado, los robots afrontan el problema adquiriendo una

1.1 Motivaciones y Objetivos

El tema de la realización de mapas viene desarrollándose desde hace años,

En este estudio se centra el enfoque en la obtención automática de los mapas,

Además, con el incremento en la actualidad del uso de protocolos de

Los objetivos principales de la investigación son:

1) Estudio bibliográfico de las técnicas de confección automática de mapas en

Dentro de estos objetivos, se habrá de validar la información y conseguir la

Las técnicas principales de extracción y almacenamiento de información sobre

- Mapas de rejilla de ocupación

No hemos de olvidar tampoco en el estudio la evaluación de técnicas de los

Dentro de las técnicas a utilizar se aplicarán conceptos de probabilidad,

1.2 Material Seleccionado para el Estudio

Al comienzo del EIT 1 el tutor propuso una selección de artículos científicos, de

Inicialmente se estudian capítulos de tres libros distintos de las ediciones

Posteriormente, una vez aclaradas las ideas de la línea de investigación a

2. Análisis individual detallado

Para cada uno de los artículos de estudio, la estructura consistirá en un

2.1 MERGING OCCUPANCY GRID MAPS FROM MULTIPLE ROBOTS

Andreas Birk, and Stefano Carpin.

Este artículo presenta la problemática del cartografiado automático mediante

Por tanto, centran la resolución del problema en combinar eficientemente los

Sistema de Generación de Mapas

Cabe comentar como principales tareas de reconocimiento de terrenos

autómata, y si tratamos de localizar la máquina, es conociendo previamente el mapa

SLAM puede ser resuelto mediante aproximaciones basadas en filtro de Kalman,

En este caso, se emplea una aproximación totalmente distinta, que asegura el

El uso de múltiples agentes proporciona robustez al sistema puesto que el fallo

Dados dos mapas parciales, provenientes de distintos autómatas, se busca

devuelva la medida de solapamiento entre dos mapas. Gracias a la representación de

Una vez definido el método de combinación de dos mapas, se debe escalar al

La combinación de los mapas se implementa en el lenguaje C++, ejecutándose

En la combinación de dos mapas, se toma como origen de coordenadas el

2.2 MAP GENERATION BY COOPERATIVE LOW-COST ROBOTS IN

M. Lopez-Sanchez, F. Esteva, R. Lopez De Mantaras and C. Sierra.

Los autores definen un método de generación de mapas mediante el uso de

Al regresar al punto de destino, cada robot proporciona al ordenador central,

Cada uno de los robots implementa un comportamiento distinto para recorrer

Sistema de Generación de Mapas

Teniendo en cuenta la asunción de ortogonalidad del entorno (esto es, 90º

Esta implementación se basa en segmentos de imprecisión que representan

Para la navegación, cada robot calcula su trayectoria y el error de su posición,

La idea básica está tomada de la exploración de las hormigas, que barren el

Las técnicas de fusión y complementación usadas, dependen completamente

Los segmentos de la posición de las paredes tienen imprecisiones debido a los

esquinas, huecos….etc. Con toda esta información se crean rectángulos de segmentos

Ya que los rectángulos solo tendrán dos posiciones, horizontal o vertical, se

En la fase de completado, se utiliza una aproximación heurística basada en

La estructura de los autómatas sigue la base de los micro-robots insecto

Cada robot acarrea 3 módulos hardware de procesamiento. Para el modulo de

2.3 SIMULTANEOUS LOCALIZATION AND MAP BUILDING OF SKID-

Georgia C. Anousaki and Konstantinos J. Kyriakopoulos.

Problemas SLAM, son tratados normalmente mediante aproximaciones basadas

El entorno sobre el que se desarrolla esta investigación es outdoor (exterior),

Sistema de Generación de Mapas

Debido a las restricciones del entorno, el uso de matrices de puntos o rejillas de