23 de January de 2022

En camino a mapear entornos desconocidos con un enjambre de robots

[ad_1]

El mapeo es una tarea esencial en muchas aplicaciones robóticas. Un mapa es una representación del entorno que se genera a partir de las posiciones del robot y los datos de los sensores. Un mapa se puede usar para navegar por el robot que lo creó o compartir con otros agentes: humanos, software o robots. Para crear un mapa, a menudo se supone que las posiciones de los robots se desconocen a priori y deben estimarse durante la operación. En consecuencia, el problema que deben resolver los robots se conoce como Ubicación y Mapeo Simultáneo (SLAM). Este problema se ha estudiado ampliamente durante las últimas décadas. Como resultado, se ha desarrollado una gran cantidad de métodos para generar diferentes tipos de mapas en diferentes entornos y utilizando datos recopilados de una amplia gama de sensores. La mayoría de estos métodos, sin embargo, fueron diseñados para sistemas robóticos individuales. Multi-Robot-SLAM es una nueva dirección de investigación que se ocupa de la exploración colectiva y el mapeo de entornos desconocidos mediante sistemas de múltiples robots. Sin embargo, la mayoría de los resultados hasta ahora se han obtenido para pequeños grupos de robots. El SLAM de múltiples robots es todavía un campo en crecimiento y quedan por explorar una serie de direcciones de investigación. Entre estos, Swarm SLAM es un enfoque alternativo y prometedor que aprovecha las propiedades de los enjambres de robots.

Un enjambre de robots es un sistema descentralizado de múltiples robots que puede llevar a cabo conjuntamente misiones que un solo robot no puede realizar por sí solo. En relación con los sistemas de múltiples robots centralizados, los enjambres de robots tienen propiedades únicas. Primero, un enjambre no necesita conocimiento global o infraestructura externa para funcionar, y los robots en un enjambre solo interactúan con colegas cercanos y el entorno circundante. Esto permite que los enjambres de robots incluyan cualquier número de robots sin reducir su rendimiento (escalabilidad). Dado que los enjambres están descentralizados y autoorganizados, los robots individuales pueden asignarse dinámicamente a diferentes tareas y, por lo tanto, cumplir con los requisitos de ciertos entornos y condiciones de operación, incluso si estas condiciones se desarrollan durante el tiempo de operación (flexibilidad). Después de todo, un enjambre de robots se caracteriza por un alto nivel de redundancia, que resulta de la gran cantidad de robots que lo componen. La redundancia y la falta de un controlador central permiten a los enjambres de robots hacer frente a la pérdida o avería de algunos robots, así como al ruido gracias a la redundancia de medidas (tolerancia a fallos). La localidad de reconocimiento y comunicación, la autoorganización y la redundancia permiten, por tanto, propiedades deseables como escalabilidad, flexibilidad y tolerancia a fallos, que hacen de un enjambre de robots el candidato ideal para llevar a cabo misiones en entornos grandes y desconocidos en los que existe el riesgo de que el individuo los robots fallarán o se perderán es alto.

Creemos que enjambres de robots podrían realizar SLAM en entornos y condiciones operativas que no son adecuadas para robots individuales y para sistemas centralizados de múltiples robots. De hecho, los robots pueden trabajar en paralelo en un enjambre y así cubrir rápidamente grandes áreas. Esto es particularmente útil en entornos dinámicos donde los cambios pueden ocurrir inesperadamente. Al explorar en paralelo, los robots podrían rastrear cambios en el entorno, identificar áreas que se están desarrollando más rápido y asignar de forma autónoma más recursos (es decir, más robots) a estas áreas. Gracias a su tolerancia a fallos, un enjambre de robots también se puede utilizar en entornos peligrosos como las profundidades del océano o en el espacio, ya que la pérdida de algunos robots tiene poco efecto en la misión. Esto también se aplica en términos de costo, ya que los robots en un enjambre suelen ser relativamente simples y baratos en comparación con otros sistemas robóticos. Sin embargo, una limitación es que los robots simples generalmente se basan en sensores de baja calidad y los sistemas de enjambre no pueden actualmente producir mapas métricos tan precisos como los de los robots individuales y los sistemas de múltiples robots centralizados. Sin embargo, uno de los principales intereses de los enjambres de robots es su capacidad para cubrir grandes áreas rápidamente. Por lo tanto, son los mejores para crear mapas abstractos en escenarios de tiempo limitado. De hecho, las aplicaciones que requieren un mapa muy preciso no suelen tener un límite de tiempo, mientras que las aplicaciones con límite de tiempo pueden manejar mapas toscos pero informativos. Por ejemplo, un robot de patrulla tiene tiempo suficiente para crear un mapa completo del edificio que se supone que debe proteger antes de comenzar su tarea de protección. Por otro lado, los robots enviados para explorar un área de desastre y localizar a los sobrevivientes pueden dar rápidamente a los rescatistas una ruta aproximada a la ubicación de la víctima.

En la actualidad, la investigación en robótica de enjambres ha logrado muchos resultados significativos, pero faltan aplicaciones adecuadas. Dado que la creación de mapas es la base de muchos comportamientos robóticos, Swarm SLAM es un avance en el uso de enjambres de robots en escenarios del mundo real. Creemos que esto podría jugar un papel importante en escenarios con limitaciones de tiempo o costos o para monitorear entornos dinámicos.

Nuestra investigación en SLAM de enjambres cuenta con el apoyo del Consejo Europeo de Investigación (Acuerdo de subvención nº 681872) y el Fonds de la Recherche Scientifique belga – FNRS.


Miquel Kegeleirs

Autor invitado

Miquel Kegeleirs es estudiante de doctorado en robótica en IRIDIA (Université libre de Bruxelles).

Giorgio Grisetti

Autor invitado

Giorgio Grisetti es profesor adjunto de la Universidad Sapienza de Roma. Desde noviembre de 2010 es miembro del laboratorio RoCoCo en La Sapienza. También es miembro del Laboratorio de Sistemas Inteligentes Autónomos. en la Universidad de Friburgo

Mauro Birattari

Autor invitado

Mauro Birattari es el Director de Investigación del Fondo de Investigación Científica FRS – FNRS de la Asociación Belga Valonia-Bruselas. Es miembro de IRIDIA, CoDE, Université Libre de Bruxelles, Bruselas, Bélgica.

[ad_2]