Título: Navegación autónoma para robots móviles omnidireccionales en almacenes inteligentes

Director: Dr. Matias Nitsche

Consejero de estudios: Dr. Esteban Mocskos

Jurados:

Dr. Carlos Perez del Pulgar (Universidad de Málaga, España)

Dr. Walterio Mayol-Cuevas (Univ of Bristol, UK)

Dr. Ignacio Mas (CONICET/UdeSA. Argentina)

Resumen:

En el contexto de los denominados almacenes inteligentes, la implementación de robots móviles industriales para la automatización de tareas logísticas permite optimizar tiempos, reducir costos operativos y minimizar accidentes laborales. Por este motivo, el estudio de técnicas de localización y navegación en este tipo de entornos cobra especial relevancia.

En este trabajo se presenta un novedoso método de localización y navegación autónoma para vehículos omnidireccionales de carga. El enfoque propuesto, basado en la técnica de navegación Teach & Repeat bajo una formulación relativa, evita los problemas de acumulación de errores asociados a enfoques que requieren consistencia global, y permite abarcar grandes distancias manteniendo el costo computacional acotado.

La localización se resuelve mediante la fusión probabilística de sensores LIDAR 2D y encoders odométricos, un par de sensores complementarios ampliamente utilizados en este tipo de vehículos. La fusión se realiza empleando una estimación Maximum A Posteriori bajo un esquema de optimización no lineal. El tratamiento de la información proveniente de los encoders se realiza mediante una técnica de preintegración.

En el procesamiento del LIDAR, se utiliza el algoritmo ICP (Iterative Closest Point) para el emparejamiento de nubes de puntos. Si bien el movimiento del robot se restringe al plano, la información de ambos sensores se expresa como una transformación relativa del robot con su correspondiente covarianza, formulada en álgebra de Lie en espacio tridimensional, lo que generaliza el método propuesto.

Con el objetivo de robustecer el proceso de localización, se propone una calibración en línea de los parámetros intrínsecos del robot, tales como el radio de las ruedas y la distancia entre ejes, añadiendo estas variables a la definición del estado del robot en el proceso de optimización. Esta ampliación del estado permite abordar el problema de la deformación de las ruedas al producirse la carga o descarga de un peso externo, como ocurre en aplicaciones reales de transporte de mercancías.

Finalmente, se presenta un método de localización global que permite relocalizar al vehículo respecto a la trayectoria objetivo en caso de desvío o pérdida de la localización incremental. Para ello, a partir de la información de la nube de puntos del LIDAR y de un mapa de referencia, se procesan los puntos característicos mediante una adaptación del extractor FALKO y del descriptor BSC, y se analizan de las relaciones geométricas entre estos puntos mediante el algoritmo CCDA (Combined Constraint Data Association) para encontrar un emparejamiento de la nube de puntos sobre el mapa de referencia.

La validez del método fue comprobada mediante simulaciones, pruebas con datos pregrabados y experimentación con robots reales.