• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Introducción a la navegación de robots en ambientes inteligentes
 

Introducción a la navegación de robots en ambientes inteligentes

on

  • 1,413 views

Resumen

Resumen

Statistics

Views

Total Views
1,413
Views on SlideShare
1,413
Embed Views
0

Actions

Likes
0
Downloads
54
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Introducción a la navegación de robots en ambientes inteligentes Introducción a la navegación de robots en ambientes inteligentes Document Transcript

    • Programa de Doctorado de Informática IndustrialDepartamento de Arquitectura y Tecnología de Computadores – Universidad de Sevilla Trabajo de investigación Curso 2010 / 2011 Introducción a laNavegación de Robots en Entornos Inteligentes Realizado por Pablo Íñigo Blasco - Junio de 2011 Tutores Fernando Díaz del Río y Saturnino Vicente Díaz
    • 2
    • 3ResumenEste trabajo se centra en el estudio de los principios fundamentales de la navegación derobots móviles con ruedas (WMRs) en entornos inteligentes. Se abordan de maneratransversal distintas áreas directamente implicadas en el problema: la localización, losmodelos de movimiento, la percepción, la planificación de movimiento, la evitación deobstáculos y las arquitecturas distribuidas para sistemas robóticos. Diversas técnicasreconocidas son expuestas en cada una de estas áreas. Este trabajo define la base para eldesarrollo de futuras investigaciones en el ámbito navegación de WMRs en entornosinteligentes.Palabras ClaveNavegación de Robots, MultiSensor Data Fussion, Localización, Planificación deMovimiento, Evitación de Obstáculos.
    • 4
    • 5 I. CONTENIDOI. Contenido ....................................................................................................................................................... 5CAPÍTULO 1 Introducción............................................................................................................................. 11 1.1. Motivación .......................................................................................................................................... 11 1.2. Contexto .............................................................................................................................................. 11 1.3. Objetivos ............................................................................................................................................. 12 1.4. Metodología ....................................................................................................................................... 12 1.5. Estructura del trabajo.................................................................................................................... 14CAPÍTULO 2 Navegación de WMRs No-holónomos ........................................................................... 17 2.1. Introducción ...................................................................................................................................... 17 2.2. Historia ................................................................................................................................................ 17 2.3. Conceptos fundamentales en la Navegación de WMRs ................................................... 20 2.3.1. WMRs no-holónomos ........................................................................................................... 20 2.3.2. Cinemática ................................................................................................................................ 20 2.3.3. Dinámica .................................................................................................................................... 21 2.3.4. Espacio de Trabajo ( ) ...................................................................................................... 22 2.3.5. Espacio de Configuración ( ) ........................................................................................... 22 2.3.6. Espacio de Estados ( ) ....................................................................................................... 24 2.3.7. El Espacio de Acción ( ) .................................................................................................... 25 2.3.8. Evolucion Dinámica del sistema ...................................................................................... 26 2.4. Herramientas para gestionar mundos con obstáculos .................................................... 27 2.4.1. Función Clearance ................................................................................................................. 27 2.4.2. Chequeador de Colisiones (Collision Chequer) ......................................................... 28 2.4.3. El Planificador Local ............................................................................................................. 28 2.5. Complejidad, optimalidad y completitud .............................................................................. 30CAPÍTULO 3 Modelos de movimiento en WMRs no-holónomos ................................................... 33 3.1. Introducción ...................................................................................................................................... 33 3.2. Robots Móviles con Ruedas (WMRs)....................................................................................... 33 3.3. Modelo Cinemático en WMRs No-holónomos ..................................................................... 35
    • 6 3.3.1. Centro Instantáneo de rotación (ICR) ........................................................................... 35 3.3.2. Ecuaciones de movimiento ................................................................................................ 36 3.3.3. Modelo cinemático discreto .............................................................................................. 37 3.3.4. Modelo de movimiento Odométrico .............................................................................. 37 3.3.5. Aplicación del modelo .......................................................................................................... 39 3.4. Modelos de Movimiento Probabilísticos................................................................................ 40 3.4.1. Modelo de Movimiento con Incertidumbre en la Configuración ....................... 42 3.4.2. Modelo de Movimiento con Incertidumbre en la Velocidad ................................ 43 3.4.3. Modelo de Movimiento Odométrico .............................................................................. 46 3.4.4. Modelo de Movimiento Basado en Mapas ................................................................... 48 3.5. Controlabilidad y Métodos de Direccionamiento (Steering Methods) ...................... 48 3.6. Conclusiones ...................................................................................................................................... 49CAPÍTULO 4 Localización de Robots ........................................................................................................ 51 4.1. Introducción ...................................................................................................................................... 51 4.2. Fusión de Información .................................................................................................................. 51 4.3. Estimadores Recursivos y El Marco de Trabajo Bayesiano ........................................... 53 4.3.1. El Filtro de Bayes ................................................................................................................... 54 4.3.2. Filtro de Bayes aplicado a la localización de robots ................................................ 57 4.4. Estimadores Recursivos Gaussianos ....................................................................................... 58 4.4.1. Kalman Filter (KF) ................................................................................................................. 58 4.4.2. Extended Kalman Filter (EFK) ......................................................................................... 63 4.4.3. Unscented Kalman Filter (UKF) ....................................................................................... 66 4.4.4. Information Filter (IKF) y el Extended Information Filter (EIKF) .................... 69 4.5. Estimadores Recursivos No Paramétricos ............................................................................ 70 4.5.1. Filtro Histograma ................................................................................................................... 70 4.5.2. Filtros de Partículas .............................................................................................................. 72 4.6. Modelo de Percepción en Entornos Inteligentes con percepción ............................... 76 4.7. Conclusiones ...................................................................................................................................... 79CAPÍTULO 5 Planificación de Movimiento ............................................................................................. 81 5.1. Introducción ...................................................................................................................................... 81 5.2. El Problema de la Planificación ................................................................................................. 82 5.2.1. Extensiones del problema .................................................................................................. 83 5.2.2. Complejidad ............................................................................................................................. 84 5.3. La Planificación de Caminos........................................................................................................ 85 5.4. Métodos Combinatorios para la Planificación de Caminos ........................................... 86
    • 7 5.4.1. RoadMaps.................................................................................................................................. 87 5.4.2. Descomposición en Celdas ................................................................................................. 89 5.5. Métodos Basadas en Muestras para la Planificación de Caminos (Sampling- Based) 90 5.5.1. Probabilistc Roadmaps(PRMs) ........................................................................................ 94 5.5.2. Obstacle Based PRM (OBPRM) ......................................................................................... 95 5.5.3. Rapidly-Exploring Random Tree (RRT) ...................................................................... 95 5.5.4. Expansive-Spaces Tree (EST) .......................................................................................... 97 5.5.5. Lazy Probabilistic Roadmap (LazyPRM) ...................................................................... 97 5.5.6. Single Query Bi-Directional Lazy collision checking PRM (SBL)........................ 98 5.5.7. Sampling-Based Roadmap of Trees (SRT) .................................................................. 98 5.6. Campos de Potenciales y Funciones de Navegación ...................................................... 100 5.6.1. Campos de Potenciales ..................................................................................................... 101 5.6.2. Funciones de Navegación en Espacios Discretos................................................... 103 5.6.3. Otras Aproximaciones....................................................................................................... 105 5.6.4. Función de navegación para WMRs no-holónomos ............................................. 107 5.7. Planificación de de Movimiento bajo Restricciones Diferenciales ........................... 107 5.7.1. El Problema Completo del Movimiento ..................................................................... 108 5.7.2. Tipos y Terminología ........................................................................................................ 109 5.8. Planificación de Movimiento en WMRs No-holónomos ............................................... 109 5.8.1. Generación de Trayectorias y el problema de la existencia .............................. 109 5.8.2. Construcción Incremental de con Programación Dinámica (BLM) .......... 110 5.8.3. El Método de la Aproximación (Approximation Approach) ............................. 111 5.8.4. Planificación Basados en Muestras para WMRs no-holónomos...................... 112 5.8.5. Lattice-Noholonomic Search .......................................................................................... 112 5.9. Conclusiones y Trabajo futuro ................................................................................................ 114CAPÍTULO 6 Evitación de Obstáculos y Colisiones .......................................................................... 117 6.1. Introducción ................................................................................................................................... 117 6.2. Contexto de la investigación .................................................................................................... 118 6.3. El Problema de la Evitación de Obstáculos ........................................................................ 118 6.3.1. Componentes en un Sistema de Evitación de Obstáculos .................................. 120 6.3.2. Limitaciones en la Evitación de Obstáculos ............................................................. 121 6.3.3. Evitación de Obstáculos Reactiva................................................................................. 122 6.3.4. Evitación de Obstáculos Híbrida................................................................................... 125 6.4. Métodos Reactivos de Evitación de Obstáculos ............................................................... 127
    • 8 6.4.1. Potential Field Approaches (PFM) ............................................................................... 127 6.4.2. Virtual Force Field (VFF) ................................................................................................. 128 6.4.3. Vector Field Histogram (VFH) ...................................................................................... 130 6.4.4. Extended Potential Field (EPF) ..................................................................................... 132 6.4.5. Dynamic Window Approach (DWA) ........................................................................... 133 6.4.6. Curvature Velocity Method (CVM)............................................................................... 135 6.4.7. Virtual Force Histogram+ (VFH+) ................................................................................ 136 6.4.8. Schelgel approach ............................................................................................................... 138 6.4.9. Trajectory Rollout Algorithm (TR) .............................................................................. 139 6.4.10. Virtual Damping Force (VDP) ........................................................................................ 141 6.4.11. Otras aproximaciones ....................................................................................................... 142 6.4.12. Tabla comparativa .............................................................................................................. 143 6.5. Métodos Híbridos de Evitación de Obstáculos ................................................................. 144 6.5.1. Global Window Approach (GDWA) ............................................................................. 144 6.5.2. Virtual Force Histogram* (VFH*) ................................................................................. 145 6.5.3. The Gradient Method ........................................................................................................ 147 6.5.4. Stachniss Approach ............................................................................................................ 148 6.5.5. Reduced dynamic window (rDWA)............................................................................. 151 6.5.6. Multi-Level Lattice.............................................................................................................. 152 6.5.7. Otras aproximaciones ....................................................................................................... 153 6.5.8. Path-following Window Motion Planning (PFWMP) ........................................... 154 6.6. Modelado y actualización del mundo ................................................................................... 156 6.6.1. Percepción y representaciones de ............................................................. 156 6.6.2. Point Clouds .......................................................................................................................... 157 6.6.3. Occupancy Grid y Certainty Grid .................................................................................. 157 6.6.4. Mapeo Incremental (Incremental Mapping) ........................................................... 158 6.6.5. Simultaneous Localization and Mapping (SLAM).................................................. 158 6.6.6. Enriquecimiento del modelo del mundo local ........................................................ 159 6.6.7. Obstáculos en Movimiento e Incertidumbre ........................................................... 159 6.7. Control compartido ..................................................................................................................... 161 6.8. Integración de Evitación de Obstáculos con Planificación y Control ...................... 164 6.8.1. Deformación de caminos - Elastic bands ................................................................. 165 6.9. Conclusiones y Trabajo Futuro ............................................................................................... 168CAPÍTULO 7 Arquitecturas Software para Robótica Distribuida .............................................. 169 7.1. Introducción ................................................................................................................................... 169
    • 9 7.2. Sistemas Multi-Agente en la Robótica.................................................................................. 171 7.2.1. Aplicaciones .......................................................................................................................... 172 7.3. Robotics Software Frameworks ............................................................................................. 172 7.4. Tecnologías ..................................................................................................................................... 174 7.4.1. Open-RDK............................................................................................................................... 175 7.4.2. OpenTM (Open Robot Technology Middleware)................................................... 175 7.4.3. ORCA ........................................................................................................................................ 176 7.4.4. OROCOS (Open Robot Control Software).................................................................. 177 7.4.5. ROS (Robotic Operative System) .................................................................................. 177 7.4.6. YARP (Yet Another Robotic Platform) ....................................................................... 178 7.5. Conclusiones ................................................................................................................................... 178II. Conclusiones y Trabajo Futuro......................................................................................................... 181III. Bibliografía........................................................................................................................................... 183
    • 10
    • 11CAPÍTULO 1 INTRODUCCIÓN1.1. MOTIVACIÓNE ste trabajo se centra en el estudio de los principios fundamentales de la navegación de robots móviles con ruedas (WMRs) en entornos inteligentes. Se abordan de manera transversal distintas áreas directamente implicadas en el problema: lalocalización, los modelos de movimiento, la percepción, la planificación de movimiento, laevitación de obstáculos y las arquitecturas distribuidas para sistemas robóticos. Diversastécnicas reconocidas son expuestas en cada una de estas áreas. Este trabajo define la basepara el desarrollo de futuras investigaciones en el ámbito navegación de WMRs enentornos inteligentes. El presente capítulo presenta el contexto, la motivación y losobjetivos de la investigación.1.2. CONTEXTOLa navegación en WMRs ha evolucionado sorprendentemente en las últimas tres décadas.La mayoría de los problemas planteados en los años 80 han sido superados. Algunos deellos son: la planificación de trayectorias en robots no-holónomos, el seguimiento detrayectorias, la navegación con sistemas de percepción sujetos a errores y la evitación deobstáculos en tiempo real. En la actualidad, el reto es la navegación en tiempo real enentornos dinámicos y no modelados con obstáculos desconocidos en movimiento. Elavance ha sido espectacular especialmente en la investigación aplicada en el ámbito delautomóvil donde vehículos autónomos son capaces de recorrer largas distancias enterrenos abruptos (Thrun, y otros, 2007), planificar en tiempo real operaciones complejasmulti-etapa como el aparcamiento (Lamiraux, Bonnafous, & Lefebvre, 2004), navegar enentornos urbanos con presencia de otros vehículos autónomos (Urmson, y otros,Autonomous driving in urban environments: Boss and the Urban Challenge, 2008).Muchos de estos avances están ya disponibles en el mercado del automóvil y otros sinduda lo estarán en el futuro.Sin embargo, estos grandes avances son aplicables en otros ámbitos de aplicación donde lanavegación de WMRs sea necesaria. Algunos ejemplos son: navegación de WMRs en elámbito industrial, logística, la exploración planetaria, los servicios a personas en el hogar ola asistencia a discapacitados y la rehabilitación. Este último es de especial interés paranuestro grupo de investigación.El concepto de inteligencia ambiental AmI aparece para solucionar nuevos retos quesurgen. Distintos WMRs en el mismo entorno de trabajo deben colaborar entre sí y con elentorno para lograr una navegación más segura y eficiente. Esto es especialmenteinteresante en el ámbito de la rehabilitación en entornos complejos, dinámicos y
    • 12desestructurados como hospitales donde los WMRs comparten el espacio de trabajo conpersonas, otros WMRs y otros vehículos semi-autónomos. La percepción y procesamientodistribuido es clave en la predicción de colisiones, evitar atascos y otras situacionesconflictivas.El Grupo de Robótica y Tecnología de Computadores Aplicada a la Rehabilitación de laUniversidad de Sevilla ha colaborado en distintos proyectos en el área de la asistencia enla navegación en sillas de ruedas (Civit Balcells, Díaz del Río, Sevillano, & Jiménez, 1996),(Sevillano, Civit, Díaz del Río, & Jiménez, 1997) y también en la navegación de sillas deruedas semi-operadas en entornos inteligentes (Sevillano, y otros, 2004) y (Abascal,Bonail, Casas, Marco, Sevillano, & Cascado, 2009). Otros avances importantes en el ámbitode la navegación de sillas de ruedas se encuentran en: (Díaz del Río, 1997), (Díaz, 2001) y(Cagigas Muñiz, 2001). En ellos se aborda el problema del control, evitación de obstáculosy planificación de movimiento en grandes edificios respectivamente. Todos ellos sonreferencia fundamentales de este trabajo.1.3. OBJETIVOSEl principal objetivo de este trabajo es realizar un estudio del arte en las distintas áreasrelativas a la navegación de WMRs: modelos de movimiento, localización, planificación demovimiento, evitación de obstáculos y percepción distribuida. Estudiar como los distintosmétodos existentes se relacionan, y mostrar sus ventajas e inconvenientes. Estainvestigación define un marco de trabajo para el desarrollo de nuevas ideas en el ámbitode la navegación de WMRs. Este marco de trabajo es útil para el desarrollo de técnicas enla asistencia en la navegación de WMRs en ambientes inteligentes.También es objetivo descubrir que avances en la tecnología y arquitectura decomputadores y la inteligencia artificial que usadas en combinación con las distintastécnicas navegación de WMRs estudiadas: el hardware masivamente paralelo y lasarquitecturas distribuidas para robots, los sistemas multi-agente y los sistemasbioinspirados pulsantes son de interés especial dentro de nuestro grupo de investigación.El objetivo personal más importante es la adquisición del rigor y formalidad matemáticanecesaria para expresar nuevas ideas de investigación de manera científica. También laadquisición del vocabulario y los tecnicismos existentes en el área de investigación de larobótica. Conocer las últimas investigaciones y entender el alcance y las carencias de losenfoques propuestos. De esta forma, es más sencillo detectar potenciales ideas deinvestigación. Por último, es importante profundizar en las investigaciones previas deotros doctores del departamento en el ámbito de la navegación de robots. De este modoque mejora la comunicación, la productividad y el trabajo en equipo en las tareas deinvestigación. También es útil para agregar y unificar el trabajo realizado por el grupohasta ahora.1.4. METODOLOGÍALa metodología de investigación seguida tiene tres pilares fundamentales: adquisición deconocimiento base, exploración y profundización, experimentación.Conocimiento base
    • 13Para adquirir el conocimiento base necesario en el área de la navegación de WMRs se hanutilizado tres tesis doctorales y cinco libros que describen las técnicas existentes másmaduras aceptadas, y reconocidas en las distintas áreas de la navegación de WMRs. Lastres tesis doctorales de referencia principales son: - Análisis y evaluación del control de un robot móvil: aplicación a sillas de ruedas eléctricas (Díaz del Río, 1997) - estudia en profundidad el control para el seguimiento de caminos y trayectorias de sillas de ruedas. - Una aportación al guiado de Sillas de Ruedas Eléctricas (Díaz, 2001) – estudia la aplicación de las técnicas de campos de potenciales a la asistencia en la navegación de sillas de ruedas. - Un sistema eficiente de planificación de trayectorias en entornos cerrados grandes para robots móviles y AGVs (Cagigas Muñiz, 2001) - abordan el problema de la navegación en entornos grandes como hospitales utilizando mapas topológicos jerárquicos.Los cinco libros de referencia principales son: - Springer Handbook of Robotics (Siciliano & Khatib, 2008) – Referencia general donde se describen diversas temáticas de la robótica y donde multitud de referencias pueden ser adquiridas. Diversos capítulos abordan problemas tratados en este trabajo: Wheeled Mobile Robots, Motion Planning, Multi-Sensor Data Fusion, Motion Control of Wheeled Mobile Robots, Motion Planning and Obstacle Avoidance y World Modeling. - Probabilistic Robotics (Thrun, Burgard, & Fox, 2005) – Se estudia el rol de la estadística en la robótica centrándose en las áreas de localización, percepción y SLAM. - Introduction to Autonomous Mobile Robots (Siegwart & Nourbakhsh, 2004) – Se centra en el estudio del movimiento y la navegación de WMRs. Destaca el estudio realizado sobre la cinemática de los distintos de WMRs existentes. También trata áreas como la localización, la planificación y evitación de obstáculos. - Principles of Robot Motion (Choset, y otros, 2005) – Realiza un estudio general a la navegación de WMRs, centrándose en el área de planificación. También trata áreas como la localización, la cinemática y la dinámica en la robótica. - Planning Algorithms (LaValle S. M., Planning Algorithms, 2006)- Muy completa y extensa referencia sobre la planificación aplicada en la robótica.Exploración y profundizaciónPartiendo del conocimiento base existente en las referencias mencionadas se ha realizadouna búsqueda de artículos científicos concretos que se centran y explican técnicasespecíficas en las diversas áreas estudiadas en el trabajo: localización, modelos demovimiento, evitación de obstáculos, planificación y percepción distribuida.Importante destacar la utilizad de las herramientas online para búsqueda de informacióncientífica: Google Scholar y IEEEXplore. Estas herramientas permiten no solo localizarfácilmente artículos sino que suministran una métrica sobre el nivel de aceptación delmismo por la comunidad científica basado en el número de citaciones de cada uno de ellos.
    • 14También destacar la utilidad de la herramienta Mendeley donde cientos de artículoscientíficos pueden ser almacenados, categorizados y anotados. Esta herramienta permiteun uso manejable del desorbitado volumen de recursos científicos disponibles. Ademásconstituye una ayuda fundamental para la gestión de la bibliografía científica utilizada enel trabajo.ExperimentaciónLa experimentación es la principal herramienta para la adquisición de conocimientocientífico. Sin ella, las ideas teóricas estudiadas no pueden ser asimiladas totalmente.Diversos experimentos relacionados con la navegación de robots se han llevado a cabodurante el desarrollo de este trabajo tanto en entornos de simulación como en robotsreales (robot Erratic). Caben destacar las pruebas de planificación de movimiento como:Gradient Method, Elastic Bands, Probabilistic Roadmaps (PRM), Navigation Function1 yotras. También experimentación con distintas técnicas de evitación de obstáculos como:Virtual Force Field (VFF), Dynamic Window Approach (DWA), Virtual Force Histogra (VFH)y Trayectory Rollout (TR). También técnicas de localización como: Localización deMontecarlo basado en filtro de partículas (AMCL), y Filtro de Kalman extendido (EKF).Técnicas de modelado y actualización del mundo como: Local Perceptual Space y técnicasde SLAM como Gmapping.Destacar que todo este trabajo ha podido ser realizado gracias a la existencia de diversasherramientas de desarrollo OpenSoure para robots existentes. Cabe destacar la plataformaROS: Robot Operative System (Quigley, y otros, 2009), el proyecto Player/Stage (Collett,MacDonald, & Gerkey, 2005), la librería OpenCV (Bradski & Kaehler, 2008) y la librería dedesarrollo Mobile Robot Programming Toolkit (MRPT) (Blanco J. L., 2009).1.5. ESTRUCTURA DEL TRABAJOEl resto de la memoria está estructurada de la siguiente manera: En el Capítulo 2 -Navegación de WMRsNo-holónomos se establecen los fundamentos básicos en la navegación de WMRs, sedescribe el problema de la navegación y se definen conceptos que estarán presentes entodo el trabajo como el Espacio de Configuración , el espacio de Acción , el espacio deestados Cinemática, Dinámica y otros. El Capítulo 3 – “Modelos de movimiento en WMRsno-holónomos” realiza una caracterización de la forma en la que los robots móviles conruedas se mueven. Esta caracterización es importante dado que los modelos expuestosserán utilizados a lo largo del resto del trabajo. El Capítulo 4 – “Localización de Robots” secentra en cómo solucionar este problema fundamental de la navegación de robotsmediante técnicas de fusión de información de los sistemas de percepción y en modelosteóricos de movimiento. El Capítulo 5 – “Planificación de Movimiento” estudia diversastécnicas reconocidas y acepadas para la planificación de movimiento desde el enfoqueglobal u offline. También se centra en las técnicas de planificación aplicables a WMRs no-holónomos. El Capítulo 6 – “Evitación de Obstáculos y Colisiones” enfoca el problema de lanavegación desde un punto de vista más aplicado de forma que los WMRs puedan alcanzarsus objetivos de navegación en tiempo real evitando obstáculos no modelados, realiza unestudio profundo de las diversas técnicas reactivas e híbridas existentes más aceptadas. ElCapítulo 7 –“ Arquitecturas Software para Robótica Distribuida” se centra en un estudiosobre las distintas herramientas de desarrollo para sistemas multi-agente aplicables a una
    • 15arquitectura de navegación distribuida. Finalmente se exponen un conjunto deconclusiones y propuestas de trabajo futuro.
    • 16
    • 17CAPÍTULO 2 NAVEGACIÓN DE WMRS NO-HOLÓNOMOS2.1. INTRODUCCIÓNEste capítulo expone una introducción al problema de la navegación de WMRs no-holónomos describiendo algunos de los conceptos básicos esenciales que serán utilizados alo largo del trabajo. Se realizará un breve resumen de los hitos más importantes en lahistoria de la navegación de WMRs no-holónomos. Por último se expondrá una serie deconceptos y definiciones que son necesarios de manera transversal en todas las áreasestudiadas en el presente trabajo: Modelos de movimiento, Localización, PercepciónDistribuida, Planificación de Movimiento y Evitación de Obstáculos.EstructuraSe comenzará realizando un breve resumen histórico sobre la navegación de WMRs no-holónomos. En este análisis se referenciará muchos de los problemas abordados en estetrabajo (ver apartado 2.2 - Historia). Luego se expondrán una serie de conceptosfundamentales esenciales en el problema de la navegación definiendo la nomenclatura yvocabulario que se utilizará a lo largo del trabajo (ver apartado 2.3- Conceptosfundamentales en la Navegación de WMRs). Luego se expondrán un conjunto deherramientas conceptuales útiles para manejar problemas de navegación en entornos conobstáculos, especialmente útil para las técnicas de evitación de obstáculos y planificaciónde movimiento (ver apartado 2.4 - Herramientas para gestionar mundos con obstáculos).Por último se definirá un conjunto de conceptos esenciales relacionados con la algorítmicay la IA que serán utilizados también transversalmente a lo largo de todo el trabajo (verapartado 2.5- Complejidad, optimalidad y completitud).2.2. HISTORIALa navegación de robots autónomos tiene más de cuatro décadas de madurez. Losprimeros robots móviles aparecen a finales de los 60 y las primeras técnicas deplanificación de movimiento en WMRs comienzan a desarrollarse.Años 70Hasta mediados de los 70, la robótica clásica la navegación de robots se centraba en dosramas de investigación claramente diferenciadas: La Teoría del Control y la Planificaciónde Movimiento. La segunda utilizaba técnicas clásicas de IA. Las primeras técnicas deplanificación se centraban en la construcción de un plan completo y óptimo basado en unmodelo del mundo offline (ver apartado 5.4 - Métodos Combinatorios para la Planificaciónde Caminos ). Posteriormente un módulo ejecutivo (control) interpretaba el plan. Elmodelo del mundo debía ser suficientemente preciso como para la construcción de uncorrecto plan. Sin embargo, estas técnicas eran difícilmente aplicables en la práctica. Losmodelos eran creados a mano y no representaban entornos reales. La investigación se
    • 18centraba en la simulación. Este enfoque es conocido como el paradigma basado en modelos(Thrun, Burgard, & Fox, 2005)La arquitectura clásica de navegación expuesta tenía otros problemas graves: El nivel dedesconexión entre el módulo de planificación y el de ejecución (control). El plan serealizaba previamente en un proceso deliberativo que podía tardar minutos. Luego,durante la ejecución la incertidumbre en el estado del robot podía desbaratar la completaejecución de un plan. Esta incertidumbre entre el estado teórico y el estado real del robotera inaceptable en la mayoría de los casos pero el uso de los sistemas probabilísticos deestimación del estado no se extendería hasta los años 90.Por otra parte, a finales de los 70 se populariza el concepto de espacio de configuraciónpara abordar los problemas de planificación en robots móviles y manipuladores. (Lozano-Perez, 1983). Este enfoque permitía simplificar el problema de la planificación demovimiento a la búsqueda de un camino en este espacio en el espacio de configuración,que de forma implícita consideraba la forma del robot y los obstáculos. El principal retoque surge en los comienzos es como construir de manera explícita este espacio deconfiguración para poder ser resuelto por los métodos de planificación de caminosclásicos. En (Reif J. , 1987) se formaliza el concepto de planificación de caminos y seestudia en profundidad la complejidad computacional del problema.Años 80Durante los años 80 aparecen las primeras técnicas de evitación de obstáculos (verCapítulo 6 - Evitación de Obstáculos y Colisiones) inspirados en la técnica de Campos dePotenciales (Khatib O. , 1986). Estas técnicas definían una ley de control conrealimentación que contemplaba la existencia de obstáculos y que dirigía la navegación delrobot.A mediados de la década de los 80 se formaliza el concepto de evitación de obstáculosreactiva (Reactive Paradigm o Sense/Act Paradigm) donde el movimiento del robot noestaba basado en un modelo del mundo previo. La idea clave en este paradigma era crearsistemas de comportamiento sencillo que se comportaran de manera reactiva ante lainformación sensorial (ver apartado 6.4- Métodos Reactivos de Evitación de Obstáculos).Múltiples reglas sencillas podían describir comportamiento complejo emergente en laejecución debido a la interacción el entorno. A pesar de sus limitaciones, este enfoque, esteenfoque presentó resultados más aplicables en la práctica que el paradigma basado enmodelos. Como desventaja, la ausencia de modelos reducían las capacidades del robot.(Thrun, Burgard, & Fox, 2005).El paradigma reactivo atenuó temporalmente la importancia del problema del dead-reckoning un sistema de localización poderoso. La información más importante erapercibida por los sensores en el marco de referencia del robot. Los sistemas odométricoseran utilizados para estimar la posición. Sin embargo, su utilidad era limitada debido a laacumulación de error.Aunque originalmente los Campos de Potenciales fueron ideados como un método decontrol (siendo las primeras técnicas de Evitación de Obstáculos) su uso se extendiórápidamente a la planificación de movimiento global offline. Aparece entonces el concepto
    • 19de Función de Navegación para evitar el problema del mínimo local en la planificaciónglobal (ver apartado 5.6- Campos de Potenciales y Funciones de Navegación)Durante estos años también se profundiza en el control de WMRs no-holónomos, y sedemostró para diversos modelos de WMRs no-holónomos que eran Small-Time LocallyControlable. Esta propiedad asegura la existencia de una trayectoria admisible partiendode un camino previo no admisible. De esta forma, las técnicas de planificación de caminospodían ser directamente aplicadas sobre en muchos WMRs no-holónomo. Ademásaparecen las primeras técnicas de planificación que consideran las restriccionescinemáticas de los WMRs no holónomos de manera directa (ver apartado 5.8 -Planificación de Movimiento en WMRs No-holónomos)Años 90A principio de los años 80 nuevos métodos reactivos que contemplan las limitacionescinemáticas y dinámicas de los WMRs no-holónomos son desarrollados. Algunos ejemplosson los métodos reactivos DWA y CVM (ver apartado 6.4 - Métodos Reactivos de Evitaciónde Obstáculos). Nuevas técnicas probabilística de movimiento aparecen para abordarproblemas en espacios de configuración de alta dimensionalidad como manipuladores ycoordinación multi-robot. Estos métodos solucionan parcialmente el problema de lacomplejidad computacional de los métodos clásicos (Sampling-Based Methods). Parasuperar los problemas de complejidad utilizan mediante enfoques voraces, heurísticos yprobabilísticos. Técnicas como PRM y RRT se hacen muy populares (ver apartado 5.5-Métodos Basadas en Muestras para la Planificación de Caminos (Sampling-Based)).A mediados de los 90 se extendió el uso de técnicas híbridas de evitación de obstáculos(ver apartado 6.5 - Métodos Híbridos de Evitación de Obstáculos). Este enfoque (tambiénconocido como paradigma Sense/Plan/Act) utiliza ideas del paradigma reactivo y e ideasde las técnicas deliberativas de planificación global. Estos mostraron mejores resultadosdado que tenían una mayor capacidad para estimar y predecir el estado futuro del sistema.Surge la necesidad de mejorar e implantar el uso de los sistemas de fusión de información.A mediados de los 90’s aparecen los denominadnos métodos de estimación y predicciónprobabilísticos que tratan de combinar la información proveniente de los sensores con lainformación predicha por los modelos teóricos. Estos sistemas permiten, en mayor omenor medida trabajar con modelos imprecisos y sensores imprecisos y ser capaz con estainformación de obtener la información más robusta y precisa posible. Los métodos deestimación de estados probabilísticos paramétricos como el Filtro de Kalman y los noparamétricos como el método de Localización de Montecarlo adquieren una granpopularidad (ver Capítulo 4- Localización de Robots). También se estudian diversastécnicas de Mapping para la construcción de mundos locales.Siglo XXILas técnicas de evitación de obstáculos y planificación se encuentran en una etapa demadurez elevada. No obstante, nuevas técnicas aparecen para WMRs no-holónomosmejorando. Se aborda en mayor profundidad el problema de los entornos dinámicos y conobstáculos en movimiento.Los métodos de estimación y predicción probabilísticos se establecen como lasaproximaciones estándar para la fusión de información en la localización de robots.
    • 20(Durrant-Whyte & Henderson, 2008). El problema de la localización y mapeo simultáneoes abordado y surgen distintas técnicas de SLAM que solucionan el problema de manerasatisfactoria. Durante estos años diversas tecnologías Software aparecen para construirarquitecturas software Robóticas Complejas y Distribuidas. También durante estos años esel boom de los vehículos inteligentes, donde WMRs son capaces de recorrer largasdistancias de manera autónoma y circular en entornos urbanos con otros vehículos enmovimiento.A continuación se expone una serie de conceptos fundamentales en el problema de lanavegación de WMRs no-holónomos. Estos conceptos serán utilizados de maneratransversal durante todo el trabajo.2.3. CONCEPTOS FUNDAMENTALES EN LA NAVEGACIÓN DE WMRSEn este apartado se expondrán y discutirá sobre una serie de conceptos fundamentalesimprescindibles para abordar el problema de la navegación de WMRs no-holónomos. Eluso de estos conceptos están extendidos en la comunidad científica y su uso es necesariopara una correcta comprensión de las distintas ideas expuestas. Algunos conceptos que setratarán son: El concepto de WMR no-holónomo, la cinemática, la dinámica, el Espacio deTrabajo , el Espacio de Configuración y el Espacio de Estados .2.3.1. WMRs no-holónomosLos sistemas no-holónomos están caracterizados por estar sujetos a un conjunto derestricciones diferenciales sobre las variables de configuración respecto el tiempo. Estasecuaciones no son integrables y surgen típicamente cuando hay menos variables decontrol que variables de configuración (sistemas sub-actuados). Un ejemplo son los WMRno-holónomos estudiados en este trabajo. Estos tienen dos variables actuadoras: lavelocidad lineal y la velocidad angular, sin embargo este se mueve en un espacio deconfiguración 3-Dimensional. Como consecuencia, cualquier camino en el Espacio deConfiguración no corresponde de manera necesaria a un camino admisible para el sistema.Algunos ejemplos de vehículos no-holónomos extendidos en la sociedad de vehículos no-holónomos son Coches, sillas de ruedas, bicis y motos. Las restricciones cinemáticasaparecen en diversas áreas de navegación de WMRs no-holónomos como la evitación deobstáculos, la generación de trayectorias y la planificación de movimiento.2.3.2. CinemáticaLa cinemática es el estudio más básico del movimiento de sistemas mecánicos sin tener encuenta las fuerzas y torques que producen este movimiento y limitándose al estudio de lastrayectorias en función del tiempo. Conocer el comportamiento cinemático de un WMR no-holónomo es un aspecto esencial en este trabajo.Desde el punto de vista clásico de la teoría del control automático el cálculo cinemáticodescribe el efecto de de las variables de control en la configuración de un robot (Thrun,Burgard, & Fox, 2005). Este comportamiento puede ser modelado matemáticamente comola configuración del sistema q evoluciona en el tiempo respecto a la entrada del sistema .Entonces, siendo la variación temporal de la configuración, u la entrada del sistema. Elcomportamiento cinemático de un WMR no-holónomo queda descrito de forma compactamediante la siguiente ecuación de transición de estado:
    • 33CAPÍTULO 3 MODELOS DE MOVIMIENTO EN WMRS NO-HOLÓNOMOS3.1. INTRODUCCIÓNL os vehículos con ruedas están ampliamente extendidos en nuestra sociedad, son utilizados para el transporte de personas y mercancías utilizando por lo general superficies habilitadas para este propósito como carreteras, carriles, etc. Lograr queestos vehículos se muevan de manera autónoma para realizar estas tareas es un reto deinvestigación desde hace más de tres décadas. Este tipo de vehículo autónomo sedenomina en la literatura Wheeled Mobile Robots – WMRs. Comprender como los WMRs semueven es la principal motivación de este capítulo. Se trata de un aspecto importante si sedesea diseñar un entorno inteligente que asista en la navegación de WMRs. Los modelos demovimiento de los WMRs son necesarios en diversas áreas de la navegación (en las queeste trabajo se centra) como: los métodos de localización (Capítulo 4 - Localización deRobots), métodos evitación de obstáculos (Capítulo 6 - Evitación de Obstáculos y Colisiones)y la planificación de movimiento para WMRs no-holónomos (ver apartado 5.7 -Planificación de de Movimiento bajo Restricciones Diferenciales) .Estructura del capítuloEl concepto de Robot Móvil con Ruedas (WMR) y algunas de sus propiedadesfundamentales como estructura, controlabilidad y direccionabilidad son discutidos en elapartado 3.2 - Robots Móviles con Ruedas (WMRs). Posteriormente se expone un sencillo ygeneral modelo de movimiento que describe los aspectos cinemáticos en WMRs no-holónomos (ver apartado 3.3 - Modelo Cinemático en WMRs No-holónomos). Este modeloserá utilizado a lo largo de todo el trabajo. Posteriormente se exponen otros modelos quepueden ser útiles en el trabajo. Los modelos probabilísticos son una aproximación sencillay elegante que permiten describir como un WMR no-holónomo se mueve en presencia deincertidumbre en los sensores (ver apartado 3.4 - Modelos de Movimiento Probabilísticos).Luego se describe de manera breve algunos conceptos y cuestiones importantes sobre lacontrolabilidad en WMRs no-holónomos que son muy importantes en la navegación(apartado 3.5 - Controlabilidad y Métodos de Direccionamiento (Steering Methods)).Finalmente se exponen algunas conclusiones generales sobre el contenido del capítulo(ver apartado 3.6 - Conclusiones).3.2. ROBOTS MÓVILES CON RUEDAS (WMRS)Formalmente los WMRs, son vehículos con ruedas capaces de realizar navegaciónautónoma (sin la asistencia de un conductor humano) donde su movimiento es planificadoy controlado por un computador a bordo. En este trabajo también nos referiremos a WMRsa robots cuyo movimiento es asistido por un entorno inteligente. Los WMRs. sonrelativamente sencillos de implementar y muy eficiente energéticamente respecto a otrosmecanismos de locomoción de robots como piernas, robots aéreos, deslizantes, etc.
    • 34Los parámetros esenciales que caracterizan las capacidades de movimiento cinemáticas deun WMR son: el número de ruedas, el tipo y la distribución de mismas. Cada tipo de rueda -Standard (o fixed), Steer, Castor, Omni, Swedish – impone restricciones en el movimiento deun robot. Existen distintos tipos de WMRs según estos parámetros. Los tipos másestudiados en la bibliografía son: car-like (Akerman), differential-drive, synchronous-drive,omidireccional-drive. En cualquier caso cualquier tipo de WMR se puede incluir dentro deuna de las cinco clases genéricas de WMRs según su movilidad y direccionabilidad(steereability). La Figura 5 presenta ejemplos cada uno de estas cinco clases en WMRs detres ruedas.En la década de los 90, la comunidad robótica consiguió un profundo entendimiento delmovimiento de los robots móviles y manipuladores, tanto sus aspectos cinemáticos comodinámicos. Este capítulo realizará un estudio básico de los modelos existentes para WMRsno-holónomos, centrándose en dos tipos: modelos cinemáticos deterministas y modelosde movimiento probabilísticos.Estabilidad maniobrabilidad y controlLos WMRs son diseñados en términos de estabilidad, maniobrabilidad y control (Siegwart& Nourbakhsh, 2004). Estos aspectos están correlacionados y mejorar uno de ellos puedellevar al empeoramiento de otro. Por ejemplo un robot con alta maniobrabilidad sueletener un control más complejo, es el caso de los WMRs omnidireccionales con ruedassuecas. Se suele elegir una solución de compromiso que sea óptima en el ámbito deaplicación específico. Por ejemplo un robot tipo coche (car-like) no permite unmovimiento omnidireccional y presenta una maniobrabilidad reducida donde lastrayectorias circulares no pueden superar una curvatura máxima. Sin embargo presentauna alta estabilidad incluso en superficies no planas (haciendo uso de un sistema desuspensión). Implementar el control de este tipo de vehículo es relativamente sencillorespecto a otro tipo de configuraciones como los robots diferenciales o robotsomnidireccionales.Movilidad, direccionabilidad y maniobrabilidadSegún el número, distribución y tipo de ruedas los WMRs presentan determinado grado demovilidad (mobility) y grado de direccionabilidad (steereability). Estos parámetroscaracterizan las capacidades del WMR. Existen 5 clases fundamentales segúndonde cualquier WMR puede englobarse. La Figura 5 presenta los 5 tipos básicos de WMRsde tres ruedas.Una consecuencia directa de es grado el de maniobrabilidad [1,3] que indicala capacidad de localizar el centro de rotación en el plano. Por ejemplo, indica queel centro de rotación del WMR puede ubicarse en cualquier punto del plano. Con elcentro de rotación estaría restringido a ser ubicado en una línea, y con indicaríaque el centro de rotación es fijo y el robot solo se puede mover realizando movimientoscirculares. Los conceptos de maniobrabilidad, movilidad y direccionabilidad han sidoampliamente estudiados en la bibliografía en los que destacan (Siegwart & Nourbakhsh,2004) y (Campion & Chung, 2008).
    • 51CAPÍTULO 4 LOCALIZACIÓN DE ROBOTS4.1. INTRODUCCIÓNLa localización es una tarea esencial en muchas aplicaciones en la robótica y en especial enla navegación de WMRs no-holónomos. Reconocidos estudios en la navegación de robotscomo (Cox, 1990) y (Borenstein, Everett, & Feng, 1996) afirman que: “Utilizar informaciónsensorial para localizar el robot en su entorno es el problema más fundamental paralograr capacidades autónomas en un robot móvil”.La localización es necesara para la ejecución de trayectorias y también para alcanzar elobjetivo en sistemas de evitación de obstáculos. Los sensores odométricos que muchosrobots poseen no son suficientes para resolver el problema de la localización debido a laacumulación del error. Este capitulo describe una serie de algoritmos para la localizaciónrobots mobiles. Localización en un marco de referencia global y común es esencial paralograr la coordinación entre múltiples robots y la asistencia en la navegación en ambientesinteligentes. Durante el capítulo se centra especial atención en la aplicación de distintosmétodos en esta área de la investigación.Estructura del capítuloEl capítulo comienza haciendo una breve introducción a los conceptos de la robóticaprobabilística y la fusión de información (ver apartado 4.2 - Fusión de Información). En elsiguente apartado se expone un marco de trabajo probabilístico basado en el Teorema deBayes (ver apartado 4.3 - Estimadores Recursivos y El Marco de Trabajo Bayesiano).Diversas técnicas se basan en este marco de trabajo. Estas se pueden categorizar en dosgrupos: Los Estimadores Recursivos Gaussianos (ver apartado 4.4 - Estimadores RecursivosGaussianos) y los Estimadores Recursivos no Paramétricos (ver apartado 4.5 - EstimadoresRecursivos No Paramétricos). Posteriormente exponen algunas consideraciones en laaplicación de estos métodos en entornos inteligentes (ver apartado 4.6 - Modelo dePercepción en Entornos ). Finalmente se exponen conclusiones sobre las distintas técnicasestudiadas en el contexto de este trabajo (ver apartado 4.7 - Conclusiones).4.2. FUSIÓN DE INFORMACIÓNEl problema de la localización está enmarcado dentro del paradigma de la Fusión deInformación. La fusión de información consiste en la combinación de las distintas fuentesde información para estimar de una forma más exacta el estado desconocido del sistema(Durrant-Whyte & Henderson, 2008). La información a fusionar proviene tanto desistemas de percepción como de modelos teóricos que definen el comportamientodinámico del sistema (ver Capítulo 3 - Modelos de movimiento en WMRs no-holónomos). Elobjetivo de la fusión de información es tener una descripción mucho más robusta y exactadel estado del robot. Distintas técnicas de fusión de información son utilizadas de maneraexahustiva en la robótica. Algunas areas de aplicación son: la localización, el
    • 52reconocimiento de objetos, construcción de mapas y localización. La fusión deinformación.Métodos probabilísticosLa fusión de información en la robótica en la actualidad se aborda mediante estadísticos.La idea clave de los métodos probabilísticos respecto a otros métodos de estimaciónclásicos es que no solo indican una hipótesis sobr el estado del robot, sino que indicancuanto se cree en ella. Distintas hipótesis sobre el estado pueden ser consideradas demanera simultánea. La Figura 14 presenta un caso típico sobre la creencia en un espaciode estados continuo con dos variables..Una vez conocidas las hipótesis más probables, un seguimiento del estado del sistema esrelativamente sencillo. La nueva información adquirida por los mecanismos de percepcióndebe ser coherente con alguna de las hipótesis haciéndolas más probables. De esta formala información disponible sobre el estado de un robot es más robusta y coherente. Otraventaja del enfoque estadístico es que se puede estiamr el estado de ciertas variables queson ocultas y no se pueden medir de manera directa mediante ningún sensor (Thrun,Burgard, & Fox, 2005).Figura 14. En la robótica probabilística el estado de un robot no es descrito como un conjunto de variables deestado con valor único, sino como una función de distribución que describe la probabilidad de que el robot seencuentre en cada estado. De esta forma se describe de manera más fideligna otros aspectos como múltipleshipótesis de estado o la creencia de estar en el estado más proable.LimitacionesPor lo general el enfoque probabilístico presenta una mayor complejidad computacional.Para controlar esta complejidad, la mayoría de los métodos propuestos sonaproximaciones o presentan unas estrictas restricciones en el problema que lo limitan aun pequeño conjunto de problemas sencillos. Algunas de las simplificaciones típicas son: laasunción de Markov, restricciones en el comportamiento del error, discretización delespacio de estados, etc. Estos aspectos serán explicados más detenidamente en apartadosposteriores. (Thrun, Burgard, & Fox, 2005)
    • 534.3. ESTIMADORES RECURSIVOS Y EL MARCO DE TRABAJO BAYESIANOEl reconocido libro “IA A Modern Approach” (Russell, Norvig, Canny, Malik, & Edwards,1995) propone un marco de trabajo probabilístico para la fusión de información basado enel Teorema de Bayes. Este marco de trabajo define un proceso recursivo denominado“Filtro de Bayes” que realiza una estimación periodica del estado del robot. El estado esdescrito mediante una función de densidad (denominada creencia) que define laprobabilidad de que el sistema se encuentre en cualquier estado . El Filtro de Bayesse ha utilizado en las dos últimas décadas de manera exhaustiva en el problema de lalocalización de Robots.Técnicas existentesExisten diversos métodos de fusión de sensores para la localización de robots basados enel Marco de trabajo Bayesiano (ver Figura 15). En este trabajo estudiarán las dos familiasde técnicas más aceptadas por la comunidad científica: Filtros recursivos Gaussianos ver(0- ImplementacionesExisten diversas implementaciones OpenSource de los métodos estudiados. TresFrameworks de desarrollo para robots destacan en implementaciones de estos:Player/Stage , ROS y MRPT .Estimadores Recursivos Gaussianos) y Filtros recursivos no-parametrico (ver apartado 4.5 -Estimadores Recursivos No Paramétricos). Estimadores Recursivos Bayesianos Filtros Gaussianos Filtros No paramétricos Unscented Kalman Filter Information Filter Histogram Filter Particle Filter Kalman Filter Extended Extended Kalman Filter Information FilterFigura 15. Estimadores recursivos estudiados en este capítulo.Teorema de BayesEl Teorema de Bayes es la base define una regla fundamental estadística. El teorema deBayes la probabilidad condicional de un evento aleatorio x dado z en términos de ladistribución de probabilidad condicional del evento z dado x y la distribución deprobabilidad marginal de sólo z. Desde el punto de vista de la robótica, el Teorema deBayes define una vía para estimar la probabilidad de cualquier estado de un sistemadada una observación (Durrant-Whyte & Henderson, 2008).Sea x el estado exhaustivo del sistema y sea z una medida observación obtenida por lossistemas de percepción. Se realizan las siguientes definiciones:
    • 81CAPÍTULO 5 PLANIFICACIÓN DE MOVIMIENTO5.1. INTRODUCCIÓNL A planificación de movimiento (Motion Planning) es una de las categorías fundamentales dentro del problema de la Navegación en WMRs. Las técnicas de planificación de movimiento definen la secuencia de movimientos necesaria para queun WMR alcance una posición o configuración objetivo partiendo de una posición oconfiguración inicial sin colisionar con ningún obstáculo del entorno. Las técnicas deplanificación de movimiento utilizan conceptos e ideas pertenecientes a las otras áreas dela ciencia como: la geometría computacional, la estadística, la inteligencia artificial y lateoría del control automático.La planificación de movimiento tiene más de cuatro décadas de madurez. Los primerosmétodos aparecieron durante los años 70. Sin embargo, aún se trata de un problemaabierto con nuevas aportaciones cada año. La planificación de movimiento en entornosinteligentes donde la ubicuidad y la percepción distribuida entran en juego plantea aúnmuchos retos.Este capítulo realiza un estudio del arte de las técnicas históricas y actuales másrelevantes, centrándose en la planificación de movimiento en WMRs en el plano y enentornos estáticos (no existen obstáculos en movimiento) donde un modelo del mundoestá disponible. Referencias y comentarios a problemas más generales son realizadas a lolargo de todo el capítulo.Estructura del capítuloA continuación se expondrá un resumen sobre los tipos de enfoques y extensionesexistentes para solucionar el problema de la planificación de movimiento (ver apartado5.2 - El Problema de la Planificación). El siguiente apartado se centra en describir elproblema de la Planificación de Caminos que es una primera aproximación para resolverproblemas en la planificación de Movimiento (ver apartado 5.3 - La Planificación deCaminos). En los dos siguientes apartados se exponen las dos familias fundamentales detécnicas para la resolución del problema de la planificación de caminos (apartado 5.4 -Métodos Combinatorios para la Planificación de Caminos ) y (apartado 5.5 - MétodosBasadas en Muestras para la Planificación de Caminos (Sampling-Based)). El capítulosiguiente expone el concepto d plan de navegación, una visión más general para laresolución del problema de la planificación de movimiento (ver apartado 5.6 - Campos dePotenciales y Funciones de Navegación). Finalmente se expone la planificación bajorestricciones diferenciales que permite abordar la planificación de sistemas mucho másrealistas y complejos (ver apartados 5.7 y 5.8). Estos apartados se centran en la aplicaciónde métodos de planificación en WMRs no-holónomos.
    • 825.2. EL PROBLEMA DE LA PLANIFICACIÓNExisten muchas categorías dentro de la planificación de movimiento (ver apartado 5.2.1 -Extensiones del problema). El presente capítulo se centrará en tres las tres técnicas másfundamentales: La Planificación de Caminos, las Funciones de Navegación y Campos dePotenciales y la Planificación de Movimiento con Restricciones Diferenciales.Planificación de caminosLa planificación de caminos parte de una especificación de la geometría del robot y losobstáculos del entorno . Entonces, dadas la configuración inicial y objetivo debe construirse un camino .Aunque la planificación de caminos no representa por lo general una solución completa alproblema del movimiento, en algunos casos como los robots holónomos si puede serlo.Muchas técnicas de planificación de caminos han sido diseñadas de manera desacoplada.El camino representa un primer paso para obtener un plan completo al problema de laplanificación (ver apartado 5.8.4 - Planificación Basados en Muestras para WMRs no-holónomos). En otros casos un camino puede ser una heurística para una técnica máscompleja. En última instancia el camino puede ser un plan incompleto y la capa inferior(Control o Evitación de Obstáculos) debe ser capaz de interpretarla de la mejor formaposible.Dos subcategorías principales existen dentro de la planificación de caminos: lasaproximaciones combinatorias y la planificación de caminos basadas en muestras. Laplanificación de caminos se estudiará con más profundidad en los apartados: 5.3- LaPlanificación de Caminos, 5.4 - Métodos Combinatorios para la Planificación de Caminos y5.5 - Métodos Basadas en Muestras para la Planificación de Caminos (Sampling-Based)Planificación con Realimentación y Funciones de NavegaciónDurante el proceso de deliberación no es posible saber qué ocurrirá durante la ejecucióndel plan. En la práctica es habitual que el plan no pueda ser ejecutado correctamente. Unapequeña desviación en la ejecución del plan implica una incoherencia entre la realidad ylo planificado. Esto puede invalidar el plan completamente. Es decir, un plan demovimiento definido por un camino o una secuencia de acciones puede ser poco robusto.La incertidumbre en la ejecución es contemplada en las técnicas denominadas: Funcionesde Navegación y Campos de Potenciales. El plan es modelado como una ley o heurística decontrol general que considera los obstáculos. Este plan puede ser ejecutadoindependientemente del estado actual del robot por lo que es mucho más robusto antedesviaciones. Por esto son también conocidas como planificación de movimiento conrealimentación (Feedback Motion Planning) (LaValle S. M., Planning Algorithms, 2006).Estas técnicas son estudiadas en el apartado 5.6 - Campos de Potenciales y Funciones deNavegación.Planificación de Movimiento bajo Restricciones Diferenciales.En la práctica existen multitud de restricciones que limitan el movimiento de un robot. Eneste trabajo se aborda el problema de los WMRs no-holónomos que presentanrestricciones diferenciales en su movimiento. Por lo tanto estos robots no son capaces deseguir cualquier tipo de camino o trayectoria y la planificación de caminos se convierte en
    • 83un enfoque incompleto. Estos aspectos pueden ser tenidos en cuenta en la fase deplanificación de movimiento y no ser delegados a la capa de control, enfrentando a esta asituaciones comprometidas. Distintos tipos de problemas de planificación conrestricciones diferenciales existen, entre los que destacan: la planificación de robots no-holónomas o la planificación con restricciones kinodinámicas. (LaValle S. M., PlanningAlgorithms, 2006)5.2.1. Extensiones del problemaExisten otras categorías y generalizaciones del problema. Entre ellas destacan: laplanificación con múltiples robots, la planificación en tiempo variante y la planificacióncon incertidumbre.Obstáculos en movimiento (Time-Varying Problems) – Los objetos del escenario semueven en trayectorias en función del tiempo. El enfoque utilizado para abordar esteproblema es incrementar la dimensionalidad de en uno y obtener un caminomonotónicamente creciente en esta dimensión. Este problema es implícitamente unaplanificación de trayectorias (no sólo de camino). Una limitación de estos enfoques es quepresuponen conocidas las trayectorias de los obstáculos por lo que en muchos casos noson enfoques realistas. Debido a esto surge otras extensiones como la planificación demovimiento con incertidumbre en la predicción, típicamente utilizado como técnica deevitación de obstáculos (ver apartado 6.6.7- Obstáculos en Movimiento e Incertidumbre).Figura 26. Esta figura muestra el problema de la planificación en tiempo variante. El tiempo es añadido como otradimensión del espacio de configuración. La posición objetivo pasa de ser un punto a una línea. El objetivo esalcanzar esa línea con un camino monotónicamente creciente en la dimensión temporal. Fuente: (LaValle S. M.,Planning Algorithms, 2006)Múltiples robots – Distintos robots pueden colaborar de modo que un plan conjuntopuede ser necesario. Estos robots también pueden colisionar. Estos problemas puede serabordadas desde diversos enfoques: dos de los más conocidos son la planificacióncentralizada y la planificación desacoplada. La planificación centralizada consistebásicamente en considerar todos los robots como un único robot con más grados de
    • 117CAPÍTULO 6 EVITACIÓN DE OBSTÁCULOS Y COLISIONES6.1. INTRODUCCIÓNEn muchas de las aplicaciones prácticas los WMRs deben enfrentarse a una navegación enentornos desconocidos, cambiantes y dinámicos. Entornos urbanos, áreas de servicio ozonas industriales son algunos ejemplos. Las técnicas de planificación de movimientooffline no presentan soluciones que puedan ser ejecutadas en tiempo real en entornosdinámicos y desconocidos. Surge la necesidad de un sistema de evitación de obstáculos(Obstacle Avoidance). Este debe tener la capacidad de predecir colisiones y modificar latrayectoria para evitarla al mismo tiempo que intenta alcanzar la posición objetivo. Según(Brooks, 1991) cualquier modelo del mundo offline es incompleto y está sujeto a errores.Entonces, el mejor modelo existente es la realidad percibida por los sensores del WMR.La idea clave en los métodos de evitación de obstáculos es introducir información rica delentorno tiempo-real en bucle de control de navegación (Khatib O. , 1986). A diferencia delos métodos de planificación global, no necesitan un modelo del mundo offline. Entonces,en lugar de un modelo del mundo offline, los obstáculos son representados por un modelodel mundo local online que se actualiza periódicamente en tiempo real haciendouso de los mecanismos de percepción del WMR.Las técnicas de evitación de obstáculos es un área de investigación madura con más de dosdécadas de madurez. Las técnicas existentes actuales pueden ser aplicadas en robotsreales con buenos resultados. Sin embargo la investigación aún está abierta. Lainvestigación actual se centra en la evitación de obstáculos en entornos dinámicos(obstáculos en movimiento) e incertidumbre en la predicción de estados futuros. Estasinvestigaciones son directamente aplicable a situaciones muy complejas como navegaciónen entornos Urbanos (Urmson, y otros, 2008). Este trabajo se centra en los métodos deevitación de obstáculos en el plano y entornos estáticos, sin embargo algunasconsideraciones y referencias a entornos dinámicos son realizadas.Interesantes estudios que repasan muchas de las técnicas de evitación de obstáculosexistentes, entre ellos destacan (Siegwart & Nourbakhsh, 2004) y (Minguez, Lamiraux, &Laumond, 2008)Estructura del capítuloEl presente capítulo describe las características, tipos y limitaciones de los métodos deevitación de obstáculos. A continuación se realizará un resumen de las características másimportantes de los métodos de evitación de obstáculos. Posteriormente se analizarán losenfoques existentes: métodos reactivos (apartado 6.3.3 - Evitación de Obstáculos Reactiva)y los métodos híbridos (apartado 6.3.4 - Evitación de Obstáculos Híbrida). Se exponendistintas técnicas notables diseñadas en las tres últimas décadas. Algunas consideraciones
    • 118importantes sobre la construcción del mundo local son expuestas (apartado 6.6 - Modeladoy actualización del mundo). Luego se exponen un conjunto de técnicas de evitaciónreactivas (apartado 6.4 - Métodos Reactivos de Evitación de Obstáculos) y un conjunto detécnicas híbridas (apartado 6.5 - Métodos Híbridos de Evitación de Obstáculos). La relaciónentre la evitación de obstáculos, el control y la planificación y como estas pueden serintegradas en una arquitectura de navegación es estudiado en el (apartado 6.8 Integraciónde Evitación de Obstáculos con Planificación y Control).6.2. CONTEXTO DE LA INVESTIGACIÓNLas tecnologías robóticas aplicadas a la rehabilitación es una de las principales áreas deinvestigación de nuestro departamento (Díaz del Río, 1997), (Cagigas Muñiz, 2001) y(Díaz, 2001). Este trabajo se centra en el problema de la asistencia a la navegación deWMRs en entornos inteligentes (Sevillano, y otros, 2004). Sin embargo, para abordar losproblemas de la navegación desde un enfoque distribuido es esencial un conocimientoprevio y profundo de técnicas de evitación de obstáculos más aceptadas en las últimasdécadas.Es fundamental descubrir qué ideas pueden ser aplicadas o extrapoladas a un sistema denavegación y percepción dirigido por un entorno inteligente. La principal aplicación es elcontrol compartido (Shared Control) entre un operador humano del WMR (por ejemplosilla de ruedas). Un entorno inteligente mejoraría la capacidad de percepción y estrategiade navegación global del vehículo. Además dispondría disponer de otras ventajas posiblesen un entorno inteligente: colaboración con otros vehículos, mayor potencia de cálculo,etc. De este de modo que se espera conseguir una navegación más fluida, cómoda, sencilla.Es por lo tanto necesario estudiar el nivel de integración posible entre los sistema deevitación de obstáculos existentes. Esta temática se estudiará más detenidamente en elpresente capítulo (ver apartado 6.7 Control compartido).6.3. EL PROBLEMA DE LA EVITACIÓN DE OBSTÁCULOSLa evitación de obstáculos surge en los años 80 por algunas limitaciones que presentaba elenfoque de navegación clásico: planificación & control. La planificación de movimiento sefundamenta en la existencia de un modelo del mundo offline exacto y preciso10. Elplanificador genera una trayectoria o camino libre de obstáculos tras un procesodeliberativo previo. Este plan es enviado un módulo ejecutivo (executive) que implementatécnicas clásicas de path-following o trajectory-following. Posiciones consigna songeneradas y son utilizadas como referencia en un sistema de control de posición o pose(Díaz del Río, 1997) (Morin & Samson, 2008). La ejecución se realiza confiando la ausenciacolisiones.Los métodos clásicos de control de posición o configuración (pose o postura) son ciegos enel sentido de que no son capaces de detectar obstáculos. El único feedback utilizado enestos sistemas es la posición o configuración actual del robot (haciendo uso de sensoresbásicos como odometría, IMU, GPS, etc.). El enfoque puede ser pragmático y eficiente en unentorno de trabajo controlado y si se dispone de un sistema de localización muy preciso.Sin embargo, esto no es asumible en muchas aplicaciones reales. La incertidumbre en la10Este enfoque es también conocido como paradigma basado en modelos (Thrun, Burgard, & Fox,Probabilistic robotics, 2005).
    • 119localización es un asunto especialmente problemático en la navegación de los WMRs. Unalocalización inexacta puede provocar una incorrecta ejecución del camino yeventualmente una colisión no esperada. En entornos dinámicos y desconocidos estaarquitectura es incompleta dado que es necesario utilizar los mecanismos de percepcióndisponibles. En este contexto dinámico, los primeros robots manipuladores realizabanmovimientos cortos y por etapas. En cada etapa tenían que parar la ejecución y realizaruna adquisición de datos, reconstruir y posteriormente realizar una replanificación.Esta replanificación podía tardar minutos.Los sistemas de evitación de obstáculos pretenden superar estas limitaciones. La ideaclave que identifica a los métodos de evitación de obstáculos es el uso de informaciónsensorial rica en el bucle de control del sistema de navegación. Esta información rica lepermite detectar y modificar el rumbo de la navegación en tiempo real. Por lo tanto, unsistema de evitación de obstáculos puede verse como una caja negra que acepta comoentrada una configuración objetivo (o de forma relajada una posición en el Entornode trabajo) y sumistra como salida una directiva de navegación (steering command)a una capa de control elemental de velocidad. Sin embargo, los métodos de evitación deobstáculos también presentan limitaciones y no surgen para sustituir a los métodos deplanificación global o control sino como una forma de mejorar o complementar lasarquitecturas existentes (Tilove, 1990), (Khatib O. , 1986). Por eso la integración contécnicas de planificación global sigue siendo importante y es motivo de estudio en estecapítulo (apartado 6.8 - Integración de Evitación de Obstáculos con Planificación y Control). Planificador global Trayectoria global (visión, odometría, Laser,etc) Planificador de trayectorias Rectas, arcos, etc. Generador de trayectorias Posición consigna (X,Y,Ф) Controlador CONTROL externo Velocidades de referencia (v,ω) (odometría) Controlador Interno Sistema y MundoFigura 45. Arquitectura con módulo de control de posición del de SIRIUS en “modo automático” (Díaz del Río,1997). Presenta una primera aproximación a la evitación de obstáculos en tiempo real introduciendo informaciónrica de sensores en el bucle de control. Sin embargo este sistema sigue siendo muy sensible a la incertidumbre enla localización.DefiniciónSea la configuración objetivo, y sea en el instante que se encuentra en laconfiguración . Entonces el robot ubicado en la configuración ocupa una región delespacio de trabajo , y tiene una percepción del parcial mundo ysujeta a errores propios del sistema de percepción del robot. A partir de se puede
    • 120inferir una descripción de los obstáculos (modelo del mundo local ). Elobjetivo es computar la acción de control de modo que la trayectoria generada sea libre de colisiones con los obstáculos y que haga alobjetivo progresar 11 a la posición objetivo: .6.3.1. Componentes en un Sistema de Evitación de ObstáculosUn sistema de evitación de obstáculos está compuesto de dos módulos principales: Elmódulo de evitación de obstáculos y el módulo de actualización del mundo. El primeroobtiene las medidas de los sensores para crear un modelo de mundo local, el segundoutiliza esta información para enviar las directivas de navegación al controlador (ver Figura46). Esta arquitectura desacoplada permite estudiar y combinar por separado distintastécnicas. Sin embargo, no se debe olvidar que la construcción y actualización de esuna parte esencial en la evitación de obstáculos. Aunque la mayoría de los métodos sedesacoplan de este problema y asumen que está disponible y actualizado con larepresentación conveniente. Distintos del mundo pueden ser construidos con distintoscostes computacionales. Por ejemplo una representación geométrica de requiereun tratamiento de la información original del sensor. Por el contrario una representaciónPoint Cloud puede obtenerse de manera directa de algunos sensores (lasers, escáneres 3D,etc.). La representación utilizada para influye de manera directa en la calidad de losresultados del método de evitación de obstáculos. El apartado 6.6 -Modelado yactualización del mundo trata con mayor profundidad este asunto. Modelo del Evitación de mundo local Obstáculos Evitación de Nivel Deliverativo Obstáculos Actualizador del mundo Nivel Reactivo Sensores Controlador Sistema y Mundo Figura 46. Arquitectura típica de un sistema de evitación de obstáculos. El módulo de construcción del mundo es habitualmente ignorado en la mayoría de los métodos. Muchos métodos de evitación de obstáculos presentan una clara distinción entre los niveles deliberativos y reactivos (híbridos). Otros carecen del nivel deliberativo (reactivos). En Por lo general la salida del sistema es un comando de navegación dirigido al módulo de control.11 El concepto de distancia en esta definición puede ser interpretado en términos relajados ya quepuede significar distancia espacial o distancia temporal teniendo en cuenta las capacidadescinemáticas del WMR, el comportamiento dinámico del mundo, etc.
    • 1216.3.2. Limitaciones en la Evitación de ObstáculosLa incompletitud y la suboptimalidad son dos características inherentes a todos losmétodos de evitación de obstáculos inherente dado que la percepción local del mundo noes completa y está sujeta a errores, es decir a su visión local y limitada del mundo. Esto esconocido como el problema de los mínimos locales o situaciones de bloqueo (TrapSituations). Teniendo claro esta incompletitud y suboptimalidad inherente, distintosgrados de completitud definiciones más relajadas son posibles bajo. Algunos métodosdeliberativos se presentan como completos y óptimos. En cualquier caso, esta dicotomíaentre completitud e ineficiencia (planificación global) y la incompletitud, suboptimalidad yeficiencia en la evitación de obstáculos sugiere la integración de ambos enfoques. Algunosejemplos se encuentran en (Brock O. , 2000) y (Kelly A. , 1994). Se trata más enprofundidad este asunto en (apartado 6.8 Integración de Evitación de Obstáculos conPlanificación y Control)En cualquier caso, cada método de evitación de obstáculos tiene sus propias limitaciones.No existe un método perfecto. No obstante, en general las ideas exitosas (como el conceptode ventana dinámica en DWA) de técnicas previas son reutilizadas en técnicas posteriores.La calidad de la trayectoria generada también varía según el método. Los métodosreactivos presentan por lo general peores resultados que los deliberativos. Algunosefectos presentados por estos son: movimientos oscilatorios, problemas para atravesarpasillos, giros bruscos en cruces, etc. Por otra parte, los métodos deliberativos son máscomplejos y requieren más recursos computacionales.Los métodos de evitación de obstáculos son también sensibles a la incertidumbre a lalocalización (Igual que las técnicas de control de posición o pose) dado que pierden lareferencia del objetivo. Sin embargo son capaces de cumplir su cometido incluso encondiciones de incertidumbre. Los resultados pueden ser muy buenos reaccionar demanera robusta incluso con incertidumbre en la localización.TerminologíaEl término “evitación de colisiones” (Collision Avoidance) se utiliza indistintamente de“evitación de obstáculos” Obstacle Avoidance). Otro termino típico es “planificación local”(Local Planning). En este trabajo evitaremos utilizar este término12 porque la planificaciónterminológicamente hablando supone un proceso deliberativo, mientras que algunosmétodos de evitación de obstáculos son reactivos.Algunas referencias se refieren a los métodos reactivos como “puerly local approaches”evitando la palabra “Planning” (Ulrich & Borenstein, 2000), (Brock & Khatib, 1999), (Chou& Lian, 2009), (Likhachev & Ferguson, 2009). Los métodos de evitación de obstáculosreactivos son también referidos en la bibliografía como “SENSE /ACT methods” porejemplo en (Thrun, Burgard, & Fox, 2005) y (Maja & Michaud, 2008).Términos como “Sensor-Based Motion Planning” “Local Planning” o “Real-time MotionPlanning” suelen ser aplicados a “Técnicas de Evitación de Obstáculos Híbridas” este será el12Además se trata de una sobrecarga del térmno ya que en la jerga de la planificación demovimiento basado en muestras, el planificador local es un compoenente que chequea laconectividad entre dos configuraciones en los métodos basados en muestras.
    • 122término que se utilizará para hacer referencia sea ellos siguiendo la terminología definidaen (Arkin R. , 1989). Otro termino bastante utilizado es “Tactical Planning Systems”(Minguez, Lamiraux, & Laumond, 2008), (Kelly A. , 1994). Toda esta terminología sejustifica por las claras influencias de técnicas de planificación. En el presente trabajo. Eltérmino híbrido es utilizado en mucha parte de la bibliografía (Konolige K. , 2000) y (Maja& Michaud, 2008). También son conocidos como técnicas SENSE/PLAN/ACT Concurrently(Arkin R. C., 1998), (Thrun, Burgard, & Fox, 2005) y (Maja & Michaud, 2008). También enocasiones es habitual denominar a los métodos de evitación de obstáculos como goal-driven methods.6.3.3. Evitación de Obstáculos ReactivaSon los métodos de evitación de obstáculos más rápidos. Se trata de una metáforaimportada de la biología de forma que el control del robot se caracterizada por unarelación estímulo sensorial-respuesta inmediata (Arkin R. , 1990). El sistema reacciona a lainformación sensorial recibida y descrita a bajo nivel recibida en tiempo real sin realizarningún razonamiento deliberativo complejo. Implementaciones tempranas en los años 80se conseguían ya velocidades superiores a 10Hz. Esta marca ha quedado como referenciahasta la actualidad y todos los métodos de evitación de obstáculos deben estaraproximados o mejorarla13. La información sensorial puede ser tratada de forma sencillamodelando rapidamente14. Deben ser extremadamente rápidos por lo que noanalizan las posibles consecuencias de las respuestas que se van a realizar (no sonmétodos deliberativos). Habitualmente los métodos presentan un diseño sencillo y fácil deimplementar, sin embargo, se espera de ellos un comportamiento emergente complejo quesolución el problema de la navegación (Brooks, 1991).Varias técnicas notables son estudiadas en el (apartado 6.4 - Métodos Reactivos deEvitación de Obstáculos)Más de una decena de métodos han sido estudiados entre ellos muy populares técnicascomo PFM, VHF, DWA, VM, ND y TR. A continuación se describen algunos de los aspectosque caracterizan a cada método y posteriormente se realizará una descripción másdetallada de cada uno de ellos.Métodos reactivos para robots holónomosLos primeros métodos reactivos se centraban en robots manipuladores en espacios deconfiguración . Estos métodos podían ser fácilmente extendidos al espacio deconfiguración de los robots moviles de los robots móviles holónomos odirectamente al espacio de trabajo de tipo . Ejemplos de estos métodos reactivosson, VFF, VHF. A pesar de que los métodos sucesivos se centraron en solucionar elproblema de la dinámica (DWA, CVM, LCM, Schlegel) nuevos métodos para robotsholónomos han aparecido en la última década como ND y ORM gracias a la aparición delconcepto EK-Space.13 Para robots que se mueven a la velocidad del ser humano. Aplicaciones más avanzadas comovehículos muy rápidos o con una dinámica compleja requieren velocidades superiores.14 Ver mas en el apartado 6.6 Modelado y actualización del mundo.
    • 123Métodos reactivos para WMRs - Trabajando en el espacio de curvaturaVarios métodos reactivos (CVM, Schlegel, EK-Space) en la función curvatura. Esta función define dada una configuración una distancia al obstáculo mascercano para cada curvatura. Esta distancia considera el modelo cinematico que describetrayectorias circulares típico en los WMRs no-holónomos (ver Capítulo 3 - Modelos demovimiento en WMRs no-holónomos). Entonces, estos métodos construyen de una formamás o menos explícita un histograma de curvaturas donde para cada curvatura se defineuna distancia hasta el obstáculo más cercano. El método EK-Space propone una formadesacoplada de considerar la cinemática de WMRs no-holónomos mediante latransformación de de modo que el problema puede ser resuelto por mecanismos deevitación de obstáculos holónomos como VFF o VHF. Todos estos métodos tienen principalventaja que calculan de manera analítica la distancia al obstáculo más cercano paracualquier comando de navegación u. Su principal limitación es que el modelo del mundogenerado ignora posibles trayectorias no circulares para distancias no diferenciales(recordemos que la trayectoria circular era un modelo adecuado para trayectorias en untiempo diferencial).Métodos reactivos para WMRs - Discretizando el espacio de acciónUna de las técnicas más utilizadas para considerar la cinemática en los métodos deevitación de obstáculos es realizar una búsqueda en el espacio de acción discretizado .Cada comando es evaluado según ciertos criterios y la opción más favorable eselegida. El método DWA fue pionero en esta técnica y diferentes técnicas reactivas (CVM,LCM, VHF+, TR) y cognitivas (GDWA, VHF*, Stachniss, rDWA, ASL, DWA*) lo han importado.Forma del robotLa mayoría de métodos considera que el robot es de tipo puntual. Este enfoque es enocasiones limitado. Por ejemplo en VFF y VHF. Métodos posteriores consideran unaaproximación en la que el robot presente forma circular (CVM, LCM, VHF+). Estos métodoscalculan las intersecciones entre el robot y los obstáculos por lo que realizan asuncionessobre la representación de . Otros métodos como DWA se desacoplan de esteproblema mediante el uso de la función CLEARANCE. No haciendo ningún tipo de asunciónsobre el tipo de representación de o la forma del robot y haciendo uso deherramientas indirectas para la gestión de obstáculos (ver apartado 2.4- Herramientaspara gestionar mundos con obstáculos).Una interesante alternativa permite a técnicas que solo consideran robots puntualesconsiderar la forma del robot. Se trata del inflado de obstáculos con el radio máximo delrobot. Esta técnica puede ser aplicable para representaciones sencillas de como:nube de puntos (Point Cloud) o grid de ocupación (Ocupanccy Grid).Algunos métodos como Schelgel o rDWA especifican de manera explícita el método dechequeo de colisiones (en lugar de desacoplarse) teniendo en cuenta de manera explícitala forma del robot a la hora de estimar posibles colisiones. Ambas estrategias asumen que se representa mediante una nube de puntos (Point Cloud). Este enfoque les permiteconstruir trayectorias circulares y realizar intersecciones con cada segmento que describela forma del robot.
    • 124LimitacionesLa navegación reactiva puede ser vista como una forma restrictiva de navegación muyespecializada para una tarea específica concreta pero carece de la capacidad de adaptaciónpara proveer una navegación verdaderamente general y versátil dado que los análisisdeliberativos no son contemplados. (Arkin R. , 1990)Al ser métodos puramente reactivos, tienen como ventaja de estos enfoques es laeficiencia aplicable a tiempo real, pero son subóptimas y mínimos locales (Stachniss &Burgard, 2002). La suboptimalidad es una norma general en todos los métodos deevitación de obstáculos pero es especialmente problemática y recurrente en los métodosreactivos. La falta de un análisis deliberativo sobre las consecuencias de las accionesrealizadas (look-ahead) desemboca de forma frecuente en estas situaciones indeseadas.Por otra parte, la calidad de la trayectoria generada no es siempre la más adecuada yefectos no deseados como oscilaciones y cambios brucos de dirección pueden producirse.Los primeros métodos reactivos sufrían más de este tipo de efectos y aunque posterioresmétodos han atenuado estos efectos siguen estando presentes en muchas situaciones. Unejemplo destacado es el giro en un cruce con pasillos estrechos o puertas accediendodesde una dirección tangencial a alta velocidad. Casi todos los métodos reactivosreaccionan realizando un giro violento al localizarse en las cercanías del pasillo (verFigura 47). Otra limitación importante es la incapacidad de realizar tareas complejas querequieran múltiples movimientos correlacionados como el aparcamiento de un coche(Likhachev & Ferguson, 2009). Los métodos híbridos surgen como mejora de los métodosreactivos para superar estas situaciones.Figura 47. Stachniss vs DWA. Decelerar lentamente es importante especialmente al girar en cruces estrechos. Lamayoría de métodos reactivos presentan un comportamiento mejorable en este ejemplo. (Stachniss & Burgard,2002)Por lo tanto, a pesar de sus aportaciones no son soluciones completas al problema en lamayoría de las aplicaciones prácticas y el uso de los métodos reactivos puros de formaaislada está en desuso. Las técnicas híbridas (estudiadas a continuación) consiguenmejores resultados gracias a la realización de procesos deliberativos avanzados. Encualquier caso todos los enfoques híbridos tienen un nivel reactivo en el cual importanideas de estos métodos o utilizan uno de ellos de manera directa de forma desacoplada(PMP, Gradient Method). Por lo tanto el estudio de las técnicas reactivas es de un altointerés.
    • 169CAPÍTULO 7 ARQUITECTURAS SOFTWARE PARA ROBÓTICA DISTRIBUIDA7.1. INTRODUCCIÓNLa asistencia en la navegación de WMRs en entornos inteligentes es un area en la cual elparadigma de Sistemas Multi-Agente (MAS) puede resultar muy útil. Los sistemas multi-agente son aplicables en distintas áreas de la robótica: Robots colaborativos en equipo,redes de sensores basadas en robot móviles y robots en ambientes inteligentes son soloalgunos ejemplos. Sin embargo, el desarrollo de Multi-Agent Robotics System (MARS)sigue presentando hoy en día retos importantes. En la última década han aparecido unelevado número de Robotics Software Frameworks (RSF) proponiendo algunas solucionesa los problemas más recurrentes de la robótica. Algunos de ellos como ROS, YARP, OROCOS,ORCA, Open-RTM y Open-RDK poseen ciertas características y ofrecen la infraestructurabásica necesaria para el desarrollo de MARS.HistoriaLos sistemas robóticos industriales de finales del siglo pasado estaban orientados a laproducción en serie de productos en fábricas, donde robots de alta precisión estabandestinados al trabajo individual repetitivo en entornos controlados. Sin embargo, latendencia actual apunta a sistemas robóticos que deben ser capaces de resolverproblemas en entornos más complejos y menos controlados. Para ello se necesitansistemas robóticos más autónomos e inteligentes.Algunos de estos sistemas son robots móviles en equipo donde un conjunto de robotstrabajan en grupo para lograr un objetivo común (Merino, Caballero, Martíneznez de Dios,Ferruz, & Ollero, 2006). Estos sistemas requieren robots sociales, colaborativos; semueven en entornos complejos, dinámicos. Entonces la capacidad de entender einterpretar el mundo que les rodea es su principal reto28. Como consecuencia, lacomplejidad de la arquitectura software aumenta y las necesidades computacionales sedisparan. En estas arquitecturas software, la escalabilidad, la reusabilidad y la tolerancia aerrores toman una importancia fundamental.Arquitectura software en la robótica distribuidaLa arquitectura software del sistema debe ser diseñada de forma distribuida y modular.No obstante estos sistemas deben seguir teniendo en cuenta problemas clásicos de la28 A lo largo de este trabajo nos referiremos a ellos como sistemas robóticos complejos.
    • 170robótica industrial como las restricciones tiempo real en sus niveles inferiores, máscercanos a sensores y actuadores. A continuación se enumeran las característicasprincipales que debe cumplir la arquitectura software (y sus componentes) de un sistemarobótico complejo (Orebäck & Christensen, 2003), (Fitzpatrick, Metta, & Natale, 2008),(Farinelli, Grisetti, & Iocchi, 2006)  Arquitectura concurrente y distribuida. Es necesario poder aprovechar todas las unidades de procesamiento disponibles de manera concurrentes (procesadores, multi-procesadores y microcontroladores) para cubrir todas las necesidades computacionales que presenta un sistema robótico complejo. Dada la la complejidad del sistema se necesita un mecanismo de inspección remota. Este trabajo se centra en WMRs en entornos inteligentes, y en este caso el procesamiento es totalmente distribuido.  Modularidad. La arquitectura software está formada por distintos componentes altamente cohesionados y con bajo acoplamiento. Los componentes interactúan entre ellos, sin embargo, las dependencias deben ser minimizadas para obtener una arquitectura mantenible, flexible, reusable y con capacidad de adaptarse a cambios y mejoras.  Tolerancia a errores. La disfunción de un componente no debe bloquear el sistema por completo. Por el contrario, el resto del sistema debe ser capaz de seguir funcionando en la medida de lo posible con los recursos que dispone siempre y cuando se acerque a la consecusión de los objetivos. Para ello, el resto de componentes (aún en correcto funcionamiento) deben ser capaces de actuar con iniciativa propia tomando autónomamente decisiones para superar estas situaciones. Estas decisiones pueden haber sido tomadas basándose en colaboración con otros agentes del sistema o en la información local que poseen.  Tiempo Real. La mayoría de sistemas robóticos tienen algún tipo de restricciones en tiempo real habitualmente relacionado con control de tareas. Estas restricciones son problemáticas en arquitecturas software distribuidas. Por lo tanto el diseño de la arquitectura debe considerar el uso de software, hardware y protocolos de comunicaciones que garanticen el cumplimiento de estas restricciones.Sistemas multi-agenteEn el contexto de los MAS, un agente es un componente software proactivo y social(Bellifemine, Caire, & Greenwood, 2007). Los agentes son autónomos, poseen su propioflujo de ejecución y son independientes de otros procesos. Los agentes pueden serreactivos pero también son proactivos. Además de responder a otros mensajes o eventosexternos, los agentes pueden tomar la iniciativa eventualmente y cambiar sucomportamiento para alcanzar sus objetivos. Por lo tanto, dada las características antesmencionadas, una solución basada en el paradigma MAS es muy adecuada para el diseñode un sistema robótico complejo. La arquitectura software del sistema robótico estaríaentonces formada por nodos distribuidos (Agents) que se comunican y colaboran paralograr los objetivos globales. Es por ello que los sistemas robóticos multi-agente (MARS)han sido ampliamente estudiados durante los últimos años y existen eventos relacionadoscomo competiciones como RoboCup y workshops como ICINCO-MARS.
    • 171En este capítulo se enumerarán y analizarán algunas tecnologías que facilitan el desarrollode arquitecturas software de MARS. Se explicarán las características comunes másimportantes prestando especial atención a aquellas que debe incluir a robotics frameworkpara que se adapte al paradigma MAS. En este capítulo también se presentará un estudiocomparativo que puede servir de referencia para la elección de alguna de estas tecnologíasen un proyecto real. Finalmente se expondrán algunas interpretaciones sobre lascaracterísticas más importantes y las carencias de estas tecnologías.La estructura del capítuloEn el primer apartado se expone los campos de aplicación de los sistemas multi-agentes enla robótica (MARS). En el tercer apartado se define qué es un Robotics SoftwareFramework (RSF) y algunas de sus características. Posteriormente se describe de formabreve cada framework, prestando especial atención a los criterios de comparación. Porúltimo se realizará la interpretación de la comparativa repasando los puntos en común ylas carencias de los frameworks expuestos.7.2. SISTEMAS MULTI-AGENTE EN LA ROBÓTICALos MAS están compuestos de múltiples agentes distribuidos en distintas agencias de unared. Son sociales, es decir, necesitan interactuar entre ellos para lograr un objetivo globaldel sistema. Forman arquitecturas peer to peer y se comunican mediante mensajes. Sonadecuados para desarrollar sistemas distribuidos complejos y heterogéneos donde losagentes requieren a low coupling level. Son útiles en contextos donde diseñar una solucióndel problema por un único agente es complejo. Los MAS una aproximación divide yvencerás donde la solución de un problema complejo puede lograrse a través de lasolución de problemas más sencillos.Una arquitectura software para sistemas robóticos está compuesta por componentes dedistinta granularidad, estos componentes pueden ser considerados como agentes enciertas circunstancias.Componentes de granularidad finaLos components de grano-fino suelen tener una tarea y comportamiento muy definido porlo que son muy cohesivos. Son habitualmente modelados mediante herramientasmatemáticas como: funciones, reglas o tablas de verdad. Estos componentes típicamenteno cumplen la definición de agente. Un ejemplo puede ser un algoritmo localizado en unmicrocontrolador y que controle el servomotor de un brazo robótico, o un componenteque realice un procesado específico a una imagen que viene de una cámara.Componentes de granularidad mediaPor otra parte los componentes de granularidad media están compuestos de variossubcomponentes y pueden presentar un comportamiento más complejo y en ocasiones nose puede modelar. Este componente de granularidad media puede cumplir la definición deagente cuando implementan algún grado de autonomía, sociabilidad e inteligencia.Componentes de granularidad gruesaLos componentes de grano-grueso en un sistema robótico complejo suele cumplir ladefinición de agente. Un ejemplo claro es un robot móvil autónomo que puede serconsiderado un agente. A su vez, este robot puede estar formado de múltiples agentes degranularidad media que colaboran creando un pequeño MARS y forman en conjunto la
    • 172personalidad del robot. También múltiples robots autónomos pueden colaborar creandoun MARS a un nivel de abstracción superior. A continuación se describen algunas áreas yejemplos en la robótica donde los MARS son aplicados:7.2.1. AplicacionesA continuación se exponen algunas de las áreas de aplicación donde un sistema robótico seconsidera que está dentro del paradigma Multi-Agente.Sistemas Heterogéneos de Robots en EquiposUn equipo de robots móviles con diferentes capacidades colaboran para solucionar unproblema. Los miembros del equipo intercambian información y evalúan las decisiones atomar. Se han realizado diversas investigaciones al respecto, por ejemplo un equipo derobots aéreos anti-incendio donde cada uno de ellos posee distintas capacidadessensoriales y locomotoras complementarias. Los robots colaboran para detectar incendiosen bosques. Cuando uno de ellos localiza un indicio de incendio avisa al resto y decidenmediante percepción cooperativa si se trata finalmente de un incendio o de una falsaalarma.Robots trabajando en ambientes inteligentesRobots móviles se comunican con elementos de inteligencia ambiental para obtener unainformación más detallada de su entorno y poder tomar decisiones basadas en lainformación contrastada. Por ejemplo existen proyectos donde robots colaboran con elambiente para solucionar problemas cotidianos en las tareas del hogar. También en laasistencia para discapacitados, assistive or shared control wheelchairs pueden colaborarcon un edificio inteligente y decidir la ruta óptima para llegar a algún lugar de interés.Enjambres de RobotsGran número de robots homogéneos colaboran, para que de forma emergente se logrenobjetivos comunes más complejos. No es necesario que los robots estén identificados dadoque no poseen características especiales. Los robots colaboran con otros robots cercanos yactúan basándose primordialmente en la información local de que disponen y la de losindividuos que les rodean. Son sistemas escalables y redundantes; un único robot esprescindible y completamente intercambiable. Estos sistemas pueden ser capaces deresolver problemas relacionados con la exploración, vigilancia, path planning, creación deAdhoc wireless networks de alta cobertura, etc.Redes de Sensores móvilesUn conjunto de robots móviles con sensores permiten crear una red de sensores deestructura flexible. Como consecuencia permiten relocalizar los sensores para aumentar lacobertura de sensado u otra característica, focalizar la atención en un área, o apoyar a otroindividuo que presente un comportamiento defectuoso7.3. ROBOTICS SOFTWARE FRAMEWORKSEn el año 2009 solo en SourceForge exístian más de 500 proyectos de software librerelacionadas con. Algunos ejemplos de estos proyectos implementan: Drivers paradispositivos y sensores robóticos, middleware de comunicaciones, simuladores yherramientas de modelado de sistemas dinámicos. Algunos de ellos intentan proveer deuna solución integral a través de un conjunto genérico de herramientas y librerías off-the-
    • 181II. CONCLUSIONES Y TRABAJO FUTUROEn este trabajo se ha realizado un estudio transversal de las distintas áreas implicadas enla navegación de WMRs no-holónomos: los modelos de movimiento, la localización derobots, la planificación de movimiento y la evitación de obstáculos. Diferentesaportaciones e ideas se han expuesto en el ámbito de la navegación de WMRs no-holónomos en entornos inteligentes con cámaras, entre ellas: guías sobre comoimplementar un sistema de localización, la construcción del modelo de percepción o laconstrucción de un mapa del mundo distribuido en dos niveles: topológico y métrico.La navegación de WMRs tiene más de 40 años de historia y se encuentra en un estado demadurez elevado. Diversos WMRs comerciales empiezan a aparecer: Un ejemplo son losvehículos con capacidad de aparcamiento lateral automático. En el ámbito de lainvestigación actual, el reto es la introducción de WMRs no-holónomos en entornosurbanos dinámicos y densamente poblados. Otros vehículos en movimiento y obstáculosdesconocidos añaden incertidumbre al problema y ciertas partes del problema deben serreformuladas.Por otro lado, aunque existen investigaciones sobre cómo abordar el problema de laasistencia en la navegación de WMRs no-holónomos en entornos inteligente la mayoría deellas tratan ideas conceptuales. Existen pocas técnicas específicas que puedan serfácilmente reproducibles o que estudien aspectos concretos basados en resultadosexperimentales. Por esto se propone como trabajo futuro desarrollar y estudiar enprofundidad distintas técnicas de control compartido en ambientes inteligentes quetengan en cuenta aspectos como: la latencia en las comunicaciones, la fusión deinformación de múltiples cámaras, el procesamiento distribuido, el modelo del mundodistribuido. Etc. Se han señalado aquellas técnicas específicas que pueden ser de especialutilidad como base en la asistencia en la navegación en entornos inteligentes:Técnicas de planificación de movimiento como SRT o PRM que utilizan el concepto deroadmap presenta interesantes características para ser utilizado en entornos inteligentes.En el ámbito de la localización, técnicas como los filtros de partículas pueden seradaptados de manera sencilla para estimar el estado de un robot desde un entornointeligente. Es interesante el estudio de cómo diversas cámaras con distintas estimacionesen la medida pueden ser integradas para lograr una localización más robusta. Sistemascon múltiples cámaras pueden ser extremadamente robustos haciendo uso de técnicas deaprendizaje en el modelo de percepción.Los modelos de movimiento probabilísticos son de especial interés en entornosinteligentes con cámaras donde la latencia en las comunicaciones puede implicar unadegradación en la estimación del estado del robot. Es necesario llevar un seguimiento de lacerteza que se tiene en el estado del robot, no solo cual es el estado más probable.
    • 182Por otra parte, las técnicas de evitación de obstáculos reactivas pueden ser utilizadas paraconstruir técnicas de control compartido en modo semi-operado en ambientesinteligentes. Es importante estudiar el efecto de las latencias en la efectividad del controlcompartido. Los métodos híbridos presentan alternativas muy interesantes paraimplementar mecanismos de control compartido de un mayor nivel de abstracción dondela posición objetivo esté disponible.
    • 183III. BIBLIOGRAFÍAAbascal, J., Bonail, B., Casas, R., Marco, ., Sevillano, J., & Cascado, D. (2009). Towards anintelligent and supportive environment for people with physical or cognitive restrictions.(págs. 1-8). ACM.Abascal, J., Sevillano, J. L., Civit, A., Jiménez, G., & Falcó, J. (s.f.). Integration ofheterogeneous networks to support the application of Ambient Intelligence in assistiveenvironments. Science And Technology .Amato, N., Bayazit, O., Dale, L., Jones, C., & Vallejo, D. (1998). OBPRM: An obstacle-basedPRM for 3D workspaces. : 1998 Workshop on .Ando, N., Suehiro, T., & Kotoku, T. (2008). Software Platform for Component Based RT-System Development: OpenRTM-Aist. Software Platform for Component Based RT-SystemDevelopment: OpenRTM-Aist , 87-98.Arkin, R. C. (1998). Behavior-Based Robotics (Intelligent Robotics and Autonomous Agents).The MIT Press.Arkin, R. (1990). Integrating behavioral, perceptual, and world knowledge in reactivenavigation. Robotics and autonomous systems , 6, 105-122.Arkin, R. (1989). Towards the unification of navigational planning and reactive control.Arras, K., Persson, J., Tomatis, N., & Siegwart, R. (2002). Real-time obstacle avoidance forpolygonal robots with a reduced dynamic window. Proceedings 2002 IEEE InternationalConference on Robotics and Automation (Cat. No.02CH37292) , 3050-3055.Barraquand, J., & Latombe, J. C. (1993). Nonholonomic multibody mobile robots:Controllability and motion planning in the presence of obstacles. Algorithmica , 10, 121-155.Barraquand, J., & Latombe, J.-C. (1989). On nonholonomic mobile robots and optimalmaneuvering. Proceedings. IEEE International Symposium on Intelligent Control 1989 , 340-347.Barraquand, J., Kavraki, L., Latombe, J.-C., Motwani, R., Li, T.-Y., & Raghavan, P. (1997). ARandom Sampling Scheme for Path Planning. The International Journal of RoboticsResearch , 16, 759-774.Barraquand, J., Langlois, B., & Latombe, J. (1992). Numerical potential field techniques forrobot path planning. Systems, Man and Cybernetics, IEEE Transactions on , 22, 224-241.Bellifemine, F. L., Caire, G., & Greenwood, D. (2007). Developing multi-agent systems withJADE. John Wiley and Sons.
    • 184Bellifemine, F., Caire, G., Greenwood, D., & Others. (2001). Developing multi-agent systemswith JADE (Vol. 978). Springer.Bellifemine, F., Caire, G., Poggi, a., & Rimassa, G. (2008). JADE: A software framework fordeveloping multi-agent applications. Lessons learned. Information and SoftwareTechnology , 50, 10-21.Bessiere, P., Ahuactzin, J.-M., Talbi, E.-G., & Mazer, E. (1993). The "ariadnes clew"algorithm: global planning with local methods. Proceedings of 1993 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS 93) , 1373-1380.Blanco, J. L. (2009). Contributions to Localization, Mapping and Navigation in MobileRobotics. Robotics .Blanco, J. (2010). The Mobile Robot Programming Toolkit. Obtenido dehttp://www.mrpt.org/Blanco, J.-l., Gonzalez, J., & Fernandez-Madrigal, J.-a. (2006). The Trajectory ParameterSpace (TP-Space): A New Space Representation for Non-Holonomic Mobile Robot ReactiveNavigation. (págs. 1195-1200). Ieee.Bohlin, R., & Kavraki, L. (2000). Path planning using lazy PRM. 1, págs. 521-528. IEEE;1999.Borenstein, J., & Koren, Y. (1988). High-speed obstacle avoidance for mobile robots. (págs.382-384). IEEE.Borenstein, J., & Koren, Y. (1989). Real-time obstacle avoidance for fast mobile robots.IEEE Transactions on Systems, Man, and Cybernetics , 19, 1179-1187.Borenstein, J., & Koren, Y. (1990). Real-time obstacle avoidance for fast mobile robots incluttered environments. Proceedings., IEEE International Conference on Robotics andAutomation , 572-577.Borenstein, J., Everett, H., & Feng, L. (1996). Where am I? Sensors and methods for mobilerobot positioning. University of Michigan , 119, 120.Borenstein, J., Koren, Y., & Arbor, A. (1991). The vector field histogram - fast obstacleavoidance for mobile robots. IEEE Journal of Robotics and Automation , 7, 278-288.Bradski, G., & Kaehler, A. (2008). Learning OpenCV (Vol. 16). (M. Loukides, Ed.) OReilly.Brock, O. (2000). Generating robot motion: the integration of planning and execution.Stanford University Stanford, CA, USA.Brock, O., & Khatib, O. (1999). High-speed navigation using the global dynamic windowapproach. Proceedings 1999 IEEE International Conference on Robotics and Automation(Cat. No.99CH36288C) , 341-346.Brock, O., & Khatib, O. (1999). High-speed navigation using the global dynamic windowapproach. Proceedings 1999 IEEE International Conference on Robotics and Automation(Cat. No.99CH36288C) , 341-346.
    • 185Brock, O., & Khatib, O. (1999). Real-time obstacle avoidance and motion coordination in amulti-robot workcell. (págs. 274-279). IEEE.Broggi, A., Zelinsky, A., Parent, M., & Thorpe, C. E. (2008). Intelligent Vehicles. En B.Siciliano, & O. Khatib (Edits.), Springer Handbook of Robotics (págs. 1175-1198). SpringerBerlin Heidelberg.Brooks, R. A. (1991). Intelligence without representation.Bruemmer, D., Few, D., Boring, R., Marble, J., Walton, M., & Nielsen, C. (2005). SharedUnderstanding for Collaborative Control. IEEE Transactions on Systems, Man, andCybernetics - Part A: Systems and Humans , 35, 494-504.Bruyninckx H. & ‘‘. 00 . Open robot control software: The OROCOS project. ’’ in Proc.IEEE Int. Conf. Robotics and Automation, Seoul, Korea, May , 3pp2523--2528.Burgard, W., Derr, A., Fox, D., & Cremers, A. (1998). Integrating global position estimationand position tracking for mobile robots: the Dynamic Markov Localization approach. 2,págs. 730-735. IEEE.Burgard, W., Derr, A., Fox, D., & Cremers, A. (1998). Integrating global position estimationand position tracking for mobile robots: the Dynamic Markov Localization approach. 2,págs. 730-735. IEEE.Burgard, W., Fox, D., Hennig, D., & Schmidt, T. (1996). Estimating the Absolute Position of aMobile Robot Using Position Probability Grids. Artificial Intelligence .Cagigas Muñiz, D. (2001). Un sistema eficiente de planificación de trayectorias en entornoscerrados grandes para robots movieles y sistemas agvs (automated guided vehicles).Universidad del País Vasco.Calisi, D., Censi, A., Iocchi, L., & Nardi, D. (2008). OpenRDK: a modular framework forrobotic software development., (págs. 1872-1877).Campion, G., & Chung, W. (2008). Wheeled Robots. En B. Siciliano, & O. Khatib (Edits.),Springer Handbook of Robotics (págs. 391-410). Springer Berlin Heidelberg.Cañas, J., Gómez, V., Barrera, P., & Matellán, V. (2007). Jdec: arquitectura basada enesquemas para aplicaciones robóticas. gsyc.es .Canny, J. (1988). The complexity of robot motion planning. MIT Press.Canny, J., & Reif, J. (1987). New lower bound techniques for robot motion planningproblems. 28th Annual Symposium on Foundations of Computer Science (sfcs 1987) , 49-60.Cassandra, a., Kaelbling, L., & Kurien, J. (1996). Acting under uncertainty: discrete Bayesianmodels for mobile-robot navigation. Proceedings of IEEE/RSJ International Conference onIntelligent Robots and Systems. IROS 96 , 963-972.Censi, A. (2008). An ICP variant using a point-to-line metric. 2008 IEEE InternationalConference on Robotics and Automation , 19-25.
    • 186Choset, H. M., Lynch, K. M., Hutchinson, S., Cantor, G., Burgard, W., Kavraki, L. E., y otros.(2005). Principles of robot motion: theory, algorithms, and implementation. MIT Press.Chou, C., & Lian, F. (2009). Velocity space approach with region analysis and look-aheadverification for robot navigation. (págs. 5971-5976). IEEE.Civit Balcells, A., Díaz del Río, F., Sevillano, J., & Jiménez, G. (1996). SIRIUS: A Low Cost HighPerformance Computerized Wheelchair. Proc. of the Int. Workshop on Medical Robots, Pág.23-30. Vienna. October 1996 , 9.Collett, T., MacDonald, B., & Gerkey, B. (2005). Player 2.0: Toward a practical robotprogramming framework. Citeseer.Conner, D., Rizzi, a., & Choset, H. (2003). Composition of local potential functions for globalrobot control and navigation. Proceedings 2003 IEEE/RSJ International Conference onIntelligent Robots and Systems (IROS 2003) (Cat. No.03CH37453) , 3546-3551.Cooper, R. (1995). Intelligent control of power wheelchairs. Engineering in Medicine andBiology Magazine, .Cox, I. J. (1990). Autonomous Robot Vehicles (Vol. 84(8)). (I. J. Cox, & G. T. Wilfong, Edits.)Springer.del, F. {., Jimenez, G., Sevillano, J., Vicente, S., & Balcells}, a. {. (1999). A generalization ofpath following for mobile robots. Proceedings 1999 IEEE International Conference onRobotics and Automation (Cat. No.99CH36288C) , 7-12.Dellaert, F., Fox, D., Burgard, W., & Thrun, S. (2001). Robust Monte Carlo localization formobile robots. Proceedings 1999 IEEE International Conference on Robotics andAutomation (Cat. No.99CH36288C) , 1322-1328.Dial, R. (1969). Algorithm 360: Shortest-path forest with topological ordering [H].Communications of the ACM , 12, 632-633.Diankov, R., Openrave, J. K., & A. (2008). planning architecture for autonomous robotics.Technical report, Robotics Institute, Carnegie Mellon University, July , --34.Díaz del Río, F. (1997). Análisis y evaluación del control de un robot móvil: aplicación a sillasde ruedas eléctricas.Díaz, S. V. (2001). Una Aportación al Guiado de Sillas de Ruedas Eléctricas en EntornosEstructurados.Donald, B. R. (1988). A geometric approach to error detection and recovery for robotmotion planning with uncertainty. Artificial Intelligence , 37, 223-271.Donald, B., Xavier, P., Canny, J., & Reif, J. (1993). Kinodynamic motion planning. Journal ofthe ACM , 40, 1048-1066.Durrant-Whyte, H. F., & Henderson, T. C. (2008). Multi-Sensor Data Fussion. En SpringerHandbook of Robotics (págs. 585-610).
    • 187Elfes, A. (1989). Using occupancy grids for mobile robot perception and navigation.Computer , 22, 46-57.Enderle, S., Utz, H., Sablatn, S., Simon, S., & Kraetzschmar, G. (s.f.). MIRO: Middleware forautonomous mobile robots.Farinelli, A., Grisetti, G., & Iocchi, L. (2006). Design and implementation of modularsoftware for programming mobile robots. International Journal of Advanced Robotic , 3, 37-42.Feiten, W., Bauer, R., & Lawitzky, G. (1994). Robust obstacle avoidance in unknown andcramped environments. Proceedings of the 1994 IEEE International Conference on Roboticsand Automation , 2412-2417.Ferguson D. & Stentz A. 007 . Field D•: An interpolation-based path planner andreplanner. Robotics Research , 239-253.Ferguson, D., Darms, M., Urmson, C., & Kolski, S. (2008). Detection, prediction, andavoidance of dynamic obstacles in urban environments. 2008 IEEE Intelligent VehiclesSymposium , 1149-1154.Ferguson, D., Howard, T. M., & Likhachev, M. (2008). Motion planning in urbanenvironments. Journal of Field Robotics , 25, 939-960.Ferguson, M., & Webb, N. (2011). An intelligent low-cost scanning range finder. (págs. 168-172). IEEE.Fernández, I., Mazo, M., Lázaro, J. L., Pizarro, D., Santiso, E., Martín, P., y otros. (2007).Guidance of a mobile robot using an array of static cameras located in the environment.Autonomous Robots , 23, 305-324.Fiorini, P., & Shiller, Z. (1998). Motion planning in dynamic environments using velocityobstacles. The International Journal of Robotics Research , 17, 760.Fitzpatrick, P., Metta, G., & Natale, L. (2008). Towards long-lived robot genes. Robotics andAutonomous Systems , 56, 29-45.Fong, T. (1999). Collaborative Control: A Robot-Centric Model for Vehicle Teleoperation .Symposium: Agents with Adjustable Autonomy .Fong, T. (1999). Collaborative Control: A Robot-Centric Model for Vehicle Teleoperation .Symposium: Agents with Adjustable Autonomy .Fong, T., Thorpe, C., & Baur, C. (2002). Robot as partner: Vehicle teleoperation withcollaborative control. Multi-Robot Systems: From Swarms to Intelligent Automata , 1, 423-431.Fox, D., Burgard, W., & Thrun, S. (1997). The dynamic window approach to collisionavoidance. Robotics & Automation Magazine, IEEE , 4, 23-33.Fox, D., Burgard, W., Dellaert, F., & Thrun, S. (1999). Monte Carlo Localization: EfficientPosition Estimation for Mobile Robots Dieter Fox, Wolfram Burgard. Artificial Intelligence .
    • 188Fox, D., Burgard, W., Kruppa, H., & Thrun, S. (1999). A Monte Carlo Algorithm for Multi-Robot Localization.Fox, D., Burgard, W., Thrun, S., & Cremers, a. (1998). A hybrid collision avoidance methodfor mobile robots. Proceedings. 1998 IEEE International Conference on Robotics andAutomation (Cat. No.98CH36146) , 1238-1243.Fox, D., Burgard, W., Thrun, S., & Cremers, A. B. (1996). Position Estimation for MobileRobots in Dynamic Environments. Artificial Intelligence .Fox, D., Burgard, W., Thrun, S., & Cremers, A. B. (1996). Position Estimation for MobileRobots in Dynamic Environments. Artificial Intelligence .Fraichard, T., & Asama, H. (2004). Inevitable collision states — a step towards saferrobots? Advanced Robotics , 18, 1001-1024.Fraichard, T., & Scheuer, a. (1994). Car-like robots and moving obstacles. Proceedings ofthe 1994 IEEE International Conference on Robotics and Automation , 64-69.Fulgenzi, C., Spalanzani, A., & Laugier, C. (2007). Dynamic Obstacle Avoidance in uncertainenvironment combining PVOs and Occupancy Grid. Proceedings 2007 IEEE InternationalConference on Robotics and Automation , 1610-1616.Fulgenzi, C., Tay, C., Spalanzani, A., & Laugier, C. (2008). Probabilistic navigation indynamic environment using Rapidly-exploring Random Trees and Gaussian processes.2008 IEEE/RSJ International Conference on Intelligent Robots and Systems , 1056-1062.Galluppi, F., Urdiales, C., Poncela, a., Sanchez-Tato, I., Sandoval, F., & Belardinelli, M. O.(2008). A Study on Human Performance in a Cooperative Local Navigation Robotic System.2008 IEEE 17th Workshop on Enabling Technologies: Infrastructure for CollaborativeEnterprises , 1, 48-53.Ge, S., & Cui, Y. (2002). Dynamic motion planning for mobile robots using potential fieldmethod. Autonomous Robots , 13, 207-222.Gerkey, B., & Konolige, K. (2008). Planning and control in unstructured terrain.Glasius, R. (1995). Neural Network Dynamics for Path Planning and Obstacle Avoidance.Neural Networks , 8, 125-133.Gonz{a}lez-Banos, H., Hsu, D., & Latombe, J. (2006). Motion planning: Recentdevelopments. Autonomous Mobile Robots: Sensing, Control, Decision-Making andApplications , 1-50.Gordon, N., Salmond, D., & Smith, A. (1993). Novel approach to nonlinear/non-GaussianBayesian state estimation. 140, págs. 107-113. IET.Hoffmann, F. (2001). Evolutionary algorithms for fuzzy control system design. Proceedingsof the IEEE , 89, 1318-1333.Hollerbach, J. (1983). Dynamic scaling of manipulator trajectories. (págs. 752-756). IEEE.
    • 189Horswill, I. (1993). Polly: A Vision-Based Arti cial Agent. AAAI93 Proceedings of theeleventh national conference on Artificial intelligence .Howard, T. M., & Kelly, a. (2007). Optimal Rough Terrain Trajectory Generation forWheeled Mobile Robots. The International Journal of Robotics Research , 26, 141-166.Hsu, D., Kindel, R., Latombe, J.-C., & Rock, S. (2002). Randomized Kinodynamic MotionPlanning with Moving Obstacles. The International Journal of Robotics Research , 21, 233-255.Hsu, D., Latombe, J., & Motwani, R. (1999). Path planning in expansive configurationspaces. International Journal of .Isard, M. (1998). Condensation—conditional density propagation for visual tracking.International journal of computer vision , 29, 5-28.Jarvis, R. A. (1985). Collision-free trajectory planning using distance transforms.Transactions of the Institution of Engineers, Australia. Mechanical engineering , 10, 187-191.Jarvis, R. (2004). Distance Transform Based Visibility Measures for Covert Path Planning inKnown but Dynamic Environments. Autonomous Robots , 396-400.Jiménez, P., Thomas, F., & Torras, C. (1998). Collision detection algorithms for motionplanning. Robot motion planning and control .Kalman, R., & Others. (1960). A new approach to linear filtering and prediction problems.Journal of basic Engineering , 82, 35-45.Kavarki, L. E., Halperin, D., & Latombe, J.-C. (s.f.). Robotics.Kavraki, L. E. (1994). Random Networks in Configuration Space for Fast Path Planning.Kavraki, L., Svestka, P., Latombe, & Overmars, M. (1996). Probabilistic roadmaps for pathplanning in high-dimensional configuration spaces. on Robotics and .Kelly, A. (1994). An Intelligent Predictive Controller for Autonomous Vehicles. Engineering.Kelly, A. (1995). An intelligent, predictive control approach to the high-speed cross-countryautonomous navigation problem. Citeseer.Kelly, a. (2006). Toward Reliable Off Road Autonomous Vehicles Operating in ChallengingEnvironments. The International Journal of Robotics Research , 25, 449-483.Kelly, a., & Nagy, B. (2003). Reactive nonholonomic trajectory generation via parametricoptimal control. The International Journal of Robotics Research , 22, 583.Khatib, M., & Chatila, R. (1995). An extended potential field approach for mobile robotsensor-based motions.
    • 190Khatib, M., Jaouni, H., Chatila, R., & Laumond, J. (1997). Dynamic path modification for car-like nonholonomic mobile robots. Proceedings of International Conference on Robotics andAutomation , 2920-2925.Khatib, O. (1986). Real-time obstacle avoidance for manipulators and mobile robots. Theinternational journal of robotics research , 5, 90.Kim, J.-O., & Khosla, P. (1991). Real-time obstacle avoidance using harmonic potentialfunctions. Proceedings. 1991 IEEE International Conference on Robotics and Automation ,790-796.Kimmel, R., Kiryati, N., & Bruckstein, a. (1998). Multivalued distance maps for motionplanning on surfaces with moving obstacles. IEEE Transactions on Robotics andAutomation , 14, 427-436.Kindel, R., Hsu, D., Latombe, J.-C., & Rock, S. (2000). Kinodynamic motion planning amidstmoving obstacles. Proceedings 2000 ICRA. Millennium Conference. IEEE InternationalConference on Robotics and Automation. Symposia Proceedings (Cat. No.00CH37065) , 537-543.Kirkpatrick, S., Gelatt, C., & Vecchi, M. (1983). Optimization by simulated annealing. science, 220, 671.Kluge, B., & Prassler, E. (2004). Reflective navigation: individual behaviors and groupbehaviors. IEEE International Conference on Robotics and Automation, 2004. Proceedings.ICRA 04. 2004 , 4172--4177 Vol.4.Knepper, R., & Kelly, A. (2006). High Performance State Lattice Planning Using HeuristicLook-Up Tables. 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems ,3375-3380.Ko, N., & Simmons, R. (1998). The lane-curvature method for local obstacle avoidance.Intelligent Robots and Systems, 1998. Proceedings., 1998 IEEE/RSJ International Conferenceon , 3, 1615-1621.Koditschek, D., & Rimon, E. (1990). Robot navigation functions on manifolds withboundary• . Advances in Applied Mathematics , 11, 412-442.Koenig, S., & Likhachev, M. (2002). Improved fast replanning for robot navigation inunknown terrain. Proceedings 2002 IEEE International Conference on Robotics andAutomation (Cat. No.02CH37292) , 968-975.Konolige, K. (2000). A gradient method for realtime robot control. Proceedings. 2000IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2000) (Cat.No.00CH37113) , 639-646.Konolige, K., Agrawal, M., Bolles, R. C., Cowan, C., Fischler, M., & Gerkey, B. (2008). OutdoorMapping and Navigation using Stereo Vision. Artificial Intelligence .
    • 191Koren, Y., & Borenstein, J. (1991). Potential field methods and their inherent limitations formobile robot navigation. Proceedings. 1991 IEEE International Conference on Robotics andAutomation , 1398-1404.Krogh, B. (1984). A generalized potential field approach to obstacle avoidance control.Krogh, B., & Thorpe. (1986). Integrated path planning and dynamic steering control forautonomous vehicles. Robotics and Automation. Proceedings. , 1664-1669.Kuffner, J., & LaValle, S. (2000). RRT-connect: An efficient approach to single-query pathplanning. Proceedings 2000 ICRA. Millennium Conference. IEEE International Conference onRobotics and Automation. Symposia Proceedings (Cat. No.00CH37065) , 995-1001.Lamiraux, F., Bonnafous, D., & Lefebvre, O. (2004). Reactive Path Deformation forNonholonomic Mobile Robots. IEEE Transactions on Robotics , 20, 967-977.Latombe, J. (1990). Robot motion planning. Springer Verlag.Latombe, J.-C. (1991). A reactive architecture for planning and executing robot motionswith incomplete knowledge. Proceedings IROS 91:IEEE/RSJ International Workshop onIntelligent Robots and Systems 91 , 24-29.Laumond, J.-P. (1986). Feasible Trajectories for Mobile Robots with Kinematic andEnvironment Constraints. 346-354.Laumond, J.-P., Jacobs, P., Taix, M., & Murray, R. (1994). A motion planner fornonholonomic mobile robots. IEEE Transactions on Robotics and Automation , 10, 577-593.Laumond, J., Sekhavat, S., & Lamiraux, F. (1998). Guidelines in nonholonomic motionplanning for mobile robots. Robot motion planning and control , 1-53.LaValle, S. M. (2001). Algorithms for Computing Numerical Optimal Feedback MotionStrategies.LaValle, S. M. (2006). Planning Algorithms. Cambridge University Press.LaValle, S. M., & Kavraky, L. E. (2009). Motion planning. Springer Handbook of Robotics .LaValle, S. (1998). Rapidly-Exploring Random Trees: A New Tool for Path Planning.LaValle, S., & Kuffner, J. (1999). Randomized kinodynamic planning. Proceedings 1999 IEEEInternational Conference on Robotics and Automation (Cat. No.99CH36288C) , 473-479.Levine, S. P., Bell, D. a., Jaros, L. a., Simpson, R. C., Koren, Y., & Borenstein, J. (1999). TheNavChair Assistive Wheelchair Navigation System. IEEE transactions on rehabilitationengineering : a publication of the IEEE Engineering in Medicine and Biology Society , 7, 443-51.Likhachev, M., & Ferguson, D. (2009). Planning Long Dynamically Feasible Maneuvers forAutonomous Vehicles. The International Journal of Robotics Research , 28, 933-945.
    • 192Likhachev, M., Ferguson, D., Gordon, G., Stentz, A., & Thrun, S. (2005). Anytime Dynamic A*:An Anytime, Replanning Algorithm. Proceedings of the International Conference onAutomated Planning and Scheduling (ICAPS) .Likhachev, M., Gordon, G., & Thrun, S. (2004). ARA*: Anytime A* with Provable Bounds onSub-Optimality. Science .Lindemann, S., & LaValle, S. (2005). Smoothly Blending Vector Fields for Global RobotNavigation. Proceedings of the 44th IEEE Conference on Decision and Control , 3553-3559.Lozano-Perez, T. (1983). Spatial planning: A configuration space approach. IEEEtransactions on computers , 100, 108-120.Maja, J. M., & Michaud, F. (2008). Behavior-Based Systems. En Springer Handbook oRobotics (pág. 891~{}909).Makarenko, A., Brooks, A., & Kaupp, T. (s.f.). Orca : Components for Robotics. 1-25.McKay, N. (1985). Minimum-time control of robotic manipulators with geometric pathconstraints. IEEE Transactions on Automatic Control , 30, 531-541.Merino, L. (2007). Cooperative Perception Techniques for Multiple Unmanned AerialVehicles: Applications to the Cooperative Detection, Localization and Monitoring of ForestFires. Education .Merino, L., Caballero, F., Martíneznez de Dios, J., Ferruz, J., & Ollero, A. (2006). Acooperative perception system for multiple UAVs: Application to automatic detection offorest fires. Journal of Field Robotics , 23, 165-184.Minguez, J., & Montano, L. (2008). Extending reactive collision avoidance methods toconsider any vehicle shape and the kinematics and dynamic constraints. IEEE Transactionson Robotics , 1-13.Minguez, J., & Montano, L. (2004). Nearness Diagram (ND) Navigation: Collision Avoidancein Troublesome Scenarios. IEEE Transactions on Robotics and Automation , 20, 45-59.Minguez, J., & Montano, L. (2000). Nearness diagram navigation (ND): a new real timecollision avoidance approach. 3, págs. 2094-2100. Ieee.Minguez, J., & Montano, L. (2003). The ego-kinodynamic space: collision avoidance for anyshape mobile robots with kinematic and dynamic constraints. Proceedings 2003 IEEE/RSJInternational Conference on Intelligent Robots and Systems (IROS 2003) (Cat.No.03CH37453) , 637-643.Minguez, J., Lamiraux, F., & Laumond, J.-P. (2008). Motion Planning and ObstacleAvoidance. En B. Siciliano, & O. Khatib (Edits.), Springer Handbook of Robotics (págs. 827-852). Springer Berlin Heidelberg.Minguez, J., Montano, L., & Santos-Victor, J. (2006). Abstracting Vehicle Shape andKinematic Constraints from Obstacle Avoidance Methods. Autonomous Robots , 20, 43-59.
    • 193Montemerlo, M., Roy, N., & Thrun, S. (s.f.). Perspectives on standardization in mobile robotprogranuning : the carnegie mellon navigation (carmen) toolkit. Proceedings 2003IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2003) (Cat.No.03CH37453) , 2436-2441.Montesano, L., Minguez, J., & Montano, L. (2006). Lessons learned in integration for sensor-based robot navigation systems. International Journal of Advanced Robotic Systems , 3, 85-91.Montesano, L., Minguez, J., & Montano, L. (2008). Modeling dynamic scenarios for localsensor-based motion planning. Autonomous Robots , 25, 231-251.Moravec, H. A., & Elfes, A. (1985). The Robotics High resolution maps from wide anglesonar.Moravec, H. (1985). Certainty Grids for Mobile Robots.Moreno-Noguer, F., Sanfeliu, A., & Samaras, D. (2008). Dependent multiple cue integrationfor robust tracking. IEEE transactions on pattern analysis and machine intelligence , 30,670-85.Morin, P., & Samson, C. (2008). Motion Control of Wheeled Mobile Robots. En B. Siciliano,& O. Khatib (Edits.), Springer Handbook of Robotics (págs. 799-826). Springer BerlinHeidelberg.Nilsson, N. J. (1969). A Mobile Automation: an Application of Artificial IntelligenceTechniques, Preliminary Draft Submitted to the International Joint Conference on ArtificialIntelligence, May 1969. Artificial Intelligence , 1969, 7-9.Nistér, D., Naroditsky, O., & Bergen, J. (2006). Visual odometry for ground vehicleapplications. Journal of Field Robotics , 23, 3-20.Nourbakhsh, I., Powers, R., & Birchfield, S. (1995). DERVISH An Office-Navigating Robot. AIMagazine , 16, 53-60.ODÙNLAING, C., & YAP, C. K. (1982). A retraction method for planning the motion of adisc. Journal of algorithms , 6, 104-111.Ogren, P., & Leonard, N. (2005). A convergent dynamic window approach to obstacleavoidance. IEEE Transactions on Robotics , 21, 188-195.Orebäck, A., & Christensen, H. I. (2003). Evaluation of architectures for mobile robotics.Autonomous Robots, Vol. , 14pp, 33-49.Owen, E., & Montano, L. (2006). A Robocentric Motion Planner for Dynamic EnvironmentsUsing the Velocity Space. 2006 IEEE/RSJ International Conference on Intelligent Robots andSystems , 4368-4374.Petti, S., & Fraichard, T. (2005). Safe motion planning in dynamic environments. (págs.2210-2215). IEEE.
    • 194Philippsen, R., & Siegwart, R. (2003). Smooth and efficient obstacle avoidance for a tourguide robot. 2003 IEEE International Conference on Robotics and Automation (Cat.No.03CH37422) , 446-451.Pivtoraiko, M., & Kelly, A. (2006). Constrained motion planning in discrete state spaces.(págs. 269-280). Springer.Pivtoraiko, M., & Kelly, A. (2008). Differentially constrained motion replanning using statelattices with graduated fidelity. 2008 IEEE/RSJ International Conference on IntelligentRobots and Systems , 2611-2616.Pivtoraiko, M., & Kelly, A. (2005). Generating near minimal spanning control sets forconstrained motion planning in discrete state spaces. (págs. 3231-3237). Ieee.Pivtoraiko, M., Knepper, R., & Kelly, A. (2007). Optimal, smooth, nonholonomic mobilerobot motion planning in state lattices. Robotics Institute, Carnegie Mellon University,Pittsburgh, PA, Tech. Rep. CMU-RI-TR-07-15 .Plaku, E. (2009). Algorithms for Sensor-based Robotics.Plaku, E., Bekris, K., Chen, B., Ladd, a., & Kavraki, L. (2005). Sampling-based roadmap oftrees for parallel motion planning. IEEE Transactions on Robotics , 21, 597-608.Quigley, M., Gerkey, B., Conley, K., Faust, J., Foote, T., Leibs, J., y otros. (2009). ROS: an open-source Robot Operating System.Quinlan, S. (1994). Real-time modification of collision-free paths. Stanford University.Quinlan, S., & Khatib, O. (1993). Elastic bands: connecting path planning and control.[1993] Proceedings IEEE International Conference on Robotics and Automation , 802-807.Rebai, K., Azouaoui, O., & Ouadah, N. (2009). Bi-steerable robot navigation using amodified Dynamic Window Approach. (págs. 1-6). IEEE.Reif, J. (1987). Complexity of the Mover;s Problem and Generalization, GeneralTechniques for Computing Topological Properties of Real Algebraic Manifolds.Reif, J. H., & Wang, H. (2000). Nonuniform Discretization for Kinodynamic Motion Planningand its Applications. SIAM Journal on Computing , 30, 161.Rimon, E., & Koditschek, D. (1992). Exact robot navigation using artificial potentialfunctions. IEEE Transactions on Robotics and Automation , 8, 501-518.Rosenfeld, A., & Pfaltz, J. (1966). Sequential operations in digital image processing. Journalof the ACM , 13, 471-494.Russell, S., Norvig, P., Canny, J., Malik, J., & Edwards, D. (1995). Artificial intelligence: amodern approach (Vol. 74). Prentice hall Englewood Cliffs, NJ.Rusu, R. B., Sucan, I. A., Gerkey, B., Chitta, S., Beetz, M., & Kavraki, L. E. (2009). Real-timeperception-guided motion planning for a personal robot. 2009 IEEE/RSJ InternationalConference on Intelligent Robots and Systems , 4245-4252.
    • 195Saffiotti, a. (1997). The uses of fuzzy logic in autonomous robot navigation. Soft Computing- A Fusion of Foundations, Methodologies and Applications , 1, 180-197.Sánchez, G., & Latombe, J. (2003). A single-query bi-directional probabilistic roadmapplanner with lazy collision checking. Robotics Research .Sanchez, G., & Latombe, J.-C. (2002). On Delaying Collision Checking in PRM Planning:Application to Multi-Robot Coordination. The International Journal of Robotics Research ,21, 5-26.Sanfeliu, A., & Andrade-cetto, J. (s.f.). Ubiquitous Networking Robotics in Urban Settings.International Journal .Schlegel, C. (1998). Fast local obstacle avoidance under kinematic and dynamic constraintsfor a mobile robot. Proceedings. 1998 IEEE/RSJ International Conference on IntelligentRobots and Systems. Innovations in Theory, Practice and Applications (Cat. No.98CH36190) ,594-599.Schlegel, C. (2004). Navigation and execution for mobile robots in dynamic environments:An integrated approach.Schmidt, G., & Azarm, K. Mobile Robot Navigation In A Dynamic World Using An UnsteadyDiffusion Equation Strategy. IEEE.Schwartz J. T. & Sharir M. 983 . On the “piano movers” problem I. The case of a two-dimensional rigid polygonal body moving amidst polygonal barriers. Communications onPure and Applied Mathematics , 36, 345-398.Schwarzer, F., Saha, M., & Latombe, J.-C. (2005). Adaptive dynamic collision checking forsingle and multiple articulated robots in complex environments. IEEE Transactions onRobotics , 21, 338-353.Seder, M., & Petrovic, I. (2007). Dynamic window based approach to mobile robot motioncontrol in the presence of moving obstacles. Proceedings 2007 IEEE InternationalConference on Robotics and Automation , 1986-1991.Sekhavat, S., Svestka, P., Laumond, J.-P., & Overmars, M. (1997). Multi-level path planningfor nonholonomic robots using semi-holonomic subsystems., 17, págs. 79-96.Seraji, H., & Howard, a. (2002). Behavior-based robot navigation on challenging terrain: Afuzzy logic approach. IEEE Transactions on Robotics and Automation , 18, 308-321.Sevillano, J., Civit, A., Díaz del Río, F., & Jiménez, G. (1997). A Proposal For A Low CostAdvanced Wheelchair Architecture. The 4th European Conference for the AdvancementTechnology. AAATE Conference 1997. October 1997. Thessaloniki. Grecia.Sevillano, J., Falc{o}, J., Abascal, J., Civit-Balcells, A., Jim{e}nez, G., Vicente, S., y otros.(2004). On the design of ambient intelligent systems in the context of assistivetechnologies. Computers Helping People with Special Needs , 625-625.
    • 196Shadden, S., Marsden, J., & Olfati-Saber, R. (2003). Collision avoidance for multiple agentsystems. 42nd IEEE International Conference on Decision and Control (IEEE Cat.No.03CH37475) , 539-543.Sharir, M. (1997). Algorithmic Motion Planning.Shiller, Z., Large, F., & Sekhavat, S. (2001). Motion planning in dynamic environments:obstacles moving along arbitrary trajectories. Proceedings 2001 ICRA. IEEE InternationalConference on Robotics and Automation (Cat. No.01CH37164) , 3716-3721.Shkel, a., & Lumelsky, V. (1997). Incorporating body dynamics into sensor-based motionplanning: the maximum turn strategy. IEEE Transactions on Robotics and Automation , 13,873-880.Siciliano, B., & Khatib, O. (2008). Springer Handbook of Robotics. (B. Siciliano, & O. Khatib,Edits.) Springer.Siegwart, R., & Nourbakhsh, I. R. (2004). Introduction to autonomous mobile robots. MITPress.Simmons, R. (1996). The Curvature-Velocity Method for Local Obstacle Avoidance TheCurvature-Velocity Method. Work .Simmons, R., & Koenig, S. (1995). Probabilistic robot navigation in partially observableenvironments. 14, págs. 1080-1087. Citeseer.Soetens, P. (2006). Orocos Open Robot Control Software. Technology .Stachniss, C., & Burgard, W. (2002). An integrated approach to goal-directed obstacleavoidance under dynamic constraints for dynamic environments. 1, págs. 508-513. Ieee.Stentz, A. (1995). The Focussed D* Algorithm for Real-Time Replanning. Compare AJournal Of Comparative Education .Svestka, P. (1994). Motion planning for carlike robots using a probabilistic learningapproach. The International Journal of Robotics .Thorpe, C. (1984). Path relaxation: Path planning for a mobile robot. (págs. 576-581).IEEE.Thrun, S., & Leonard, J. J. (2008). Simultaneous Localization And Mapping. En SpringerHandbook of Robotics (págs. 871-889).Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic robotics. MIT Press.Thrun, S., Montemerlo, M., Dahlkamp, H., Stavens, D., Aron, A., Diebel, J., y otros. (2007).Stanley: The robot that won the DARPA Grand Challenge. The 2005 DARPA Grand Challenge, 23, 1-43.Tilove, R. (1990). Local obstacle avoidance for mobile robots based on the method ofartificial potentials. Proceedings., IEEE International Conference on Robotics andAutomation , 566-571.
    • 197Ulrich, I., & Borenstein, J. (2000). VFH*: local obstacle avoidance with look-aheadverification. Proceedings 2000 ICRA. Millennium Conference. IEEE International Conferenceon Robotics and Automation. Symposia Proceedings (Cat. No.00CH37065) , 2505-2511.Ulrich, I., & Borenstein, J. (1998). VFH+: reliable obstacle avoidance for fast mobile robots.Proceedings. 1998 IEEE International Conference on Robotics and Automation (Cat.No.98CH36146) , 1572-1577.Urmson, C., Anhalt, J., Bagnell, D., Baker, C., Bittner, R., Clark, M. N., y otros. (2008).Autonomous driving in urban environments: Boss and the Urban Challenge. Journal ofField Robotics , 25, 425-466.Urmson, C., Anhalt, J., Bagnell, D., Baker, C., Bittner, R., Clark, M. N., y otros. (2008). GeneralMotors Research and Development Warren, Michigan 48090. Journal of Field Robotics , 25,425-466.Wang, M., & Liu, J. (2008). Fuzzy logic-based real-time robot navigation in unknownenvironment with dead ends. Robotics and Autonomous Systems , 56, 625-643.Yang, L., & Lavalle, S. (2004). The sampling-based neighborhood graph: An approach tocomputing and executing feedback motion strategies. Robotics and Automation, IEEETransactions on , 20, 419-432.Ye, C., Yung, N. C., & Wang, D. (2003). A fuzzy controller with supervised learning assistedreinforcement learning algorithm for obstacle avoidance. IEEE transactions on systems,man, and cybernetics. Part B, Cybernetics : a publication of the IEEE Systems, Man, andCybernetics Society , 33, 17-27.Yen, J., & Pfluger, N. (1995). A fuzzy logic based extension to Payton and Rosenblattscommand fusion method for mobile robot navigation. Systems, Man and Cybernetics, IEEETransactions on , 25, 971-978.Yershova, A., & LaValle, S. M. (2007). Improving Motion-Planning Algorithms by EfficientNearest-Neighbor Searching. IEEE Transactions on Robotics , 23, 151-157.Zhang, H., Dou, L., Fang, H., & Chen, J. (2009). Autonomous indoor exploration of mobilerobots based on door-guidance and improved dynamic window approach. 2009 IEEEInternational Conference on Robotics and Biomimetics (ROBIO) , 408-413.Zhou, R., & Hansen, E. A. (2002). Multiple Sequence Alignment Using Anytime A^*.Proceedings of the National Conference on Artificial , 975-976.
    • 197Ulrich, I., & Borenstein, J. (2000). VFH*: local obstacle avoidance with look-aheadverification. Proceedings 2000 ICRA. Millennium Conference. IEEE International Conferenceon Robotics and Automation. Symposia Proceedings (Cat. No.00CH37065) , 2505-2511.Ulrich, I., & Borenstein, J. (1998). VFH+: reliable obstacle avoidance for fast mobile robots.Proceedings. 1998 IEEE International Conference on Robotics and Automation (Cat.No.98CH36146) , 1572-1577.Urmson, C., Anhalt, J., Bagnell, D., Baker, C., Bittner, R., Clark, M. N., y otros. (2008).Autonomous driving in urban environments: Boss and the Urban Challenge. Journal ofField Robotics , 25, 425-466.Urmson, C., Anhalt, J., Bagnell, D., Baker, C., Bittner, R., Clark, M. N., y otros. (2008). GeneralMotors Research and Development Warren, Michigan 48090. Journal of Field Robotics , 25,425-466.Wang, M., & Liu, J. (2008). Fuzzy logic-based real-time robot navigation in unknownenvironment with dead ends. Robotics and Autonomous Systems , 56, 625-643.Yang, L., & Lavalle, S. (2004). The sampling-based neighborhood graph: An approach tocomputing and executing feedback motion strategies. Robotics and Automation, IEEETransactions on , 20, 419-432.Ye, C., Yung, N. C., & Wang, D. (2003). A fuzzy controller with supervised learning assistedreinforcement learning algorithm for obstacle avoidance. IEEE transactions on systems,man, and cybernetics. Part B, Cybernetics : a publication of the IEEE Systems, Man, andCybernetics Society , 33, 17-27.Yen, J., & Pfluger, N. (1995). A fuzzy logic based extension to Payton and Rosenblattscommand fusion method for mobile robot navigation. Systems, Man and Cybernetics, IEEETransactions on , 25, 971-978.Yershova, A., & LaValle, S. M. (2007). Improving Motion-Planning Algorithms by EfficientNearest-Neighbor Searching. IEEE Transactions on Robotics , 23, 151-157.Zhang, H., Dou, L., Fang, H., & Chen, J. (2009). Autonomous indoor exploration of mobilerobots based on door-guidance and improved dynamic window approach. 2009 IEEEInternational Conference on Robotics and Biomimetics (ROBIO) , 408-413.Zhou, R., & Hansen, E. A. (2002). Multiple Sequence Alignment Using Anytime A^*.Proceedings of the National Conference on Artificial , 975-976.