Un problema particularmente interesante en el área de la robótica móvil consiste en calcular la ubicación de un vehículo con respecto a un mapa que se esta construyendo de manera simultánea, en la literatura especializada este problema es conocido como SLAM (Simultaneous localization and mapping).
Cuando las tareas de localización y mapeo se trabajan por separado, el problema se puede solucionar usando únicamente mediciones de distancia relativa entre el entorno y el robot, por ejemplo: si se conoce la ubicación del robot podemos construir un mapa usando sensores de distancia para definir la ubicación de los elementos del entorno, por otro lado, si se tiene un mapa previamente construido del entorno es posible ubicar el robot usando mediciones relativas mediante triangulación.
El problema completo de SLAM es considerablemente mas complejo porque no hay un punto de referencia que pueda usarse para calcular la medición faltante. La forma de resolverlo consiste en hacer aproximaciones sucesivas conforme el robot se mueve en zonas libres de obstáculos, la incertidumbre de estas aproximaciones crece porque el error de medición se acumula con cada movimiento del robot. Para obtener aproximaciones confiables es necesario usar algoritmos especializados de filtrado de información, que distribuyen el error de las mediciones cuando el robot pasa por una zona previamente visitada.
Alumnos del doctorado en Optomecatrónica de la Universidad Politécnica de Tulancingo desarrollan su línea de investigación en el tema de SLAM tratando de resolver las limitaciones de los métodos actuales, por ejemplo: la mayoría de los sistemas usan sensores de distancia laser que son muy precisos pero que solo muestrean una zona cercana al robot a una altura constante y únicamente indican si hay obstáculos o no alrededor del robot, es decir los mapas generados son mapas de ocupación, en la práctica hay zonas desocupadas que no son transitables para todos los tipos de robots.
Considerando estas áreas de oportunidad se propone un algoritmo híbrido capaz de cambiar de sensor de entrada en función de el tipo de ambiente en el que se encuentre el robot y que construya un mapa identificando no solo las zonas desocupadas si no clasificando el tipo de terreno, por ejemplo: para un vehículo terrestre que pretenda moverse entre los edificios de una escuela, hospital o zona habitacional las áreas verdes podrían ser una zona intransitable si no cuenta con un sistema de tracción y dirección adecuado, sin embargo, para un vehículo aéreo estas zonas no representan ninguna dificultad adicional.
Para lograr la implementación de un sistema de SLAM con estas características se propone un enfoque donde se combinan las estrategias de mapeo tradicional en combinación con el uso de técnicas de inteligencia artificial para el proceso de clasificación de las zonas que son transitables para cada tipo de robot, es decir el sistema tendrá que clasificar las diferentes zonas de su entorno en zonas ocupadas, zonas pavimentadas, terracería, áreas verdes, cuerpos de agua, etc.
Los mapas generados por el algoritmo propuesto podrían ser usados para generar trayectorias para robots de diferentes arquitecturas, siendo particularmente útiles para proyectos de robots colaborativos que combinen el uso de robots terrestres, aéreos e incluso marinos.
Rafael Stanley Núñez Cruz
Profesor Investigador de la Universidad Politécnica de Tulancingo
