Boletín No. 89
1o. de enero de 2022
SIMULACIÓN DE ROBOT MÓVIL CON ALGORITMO GENÉTICO
M. en T. C. José Eduardo Cardoza Plata1
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Estudiante de maestría Alejandro Benítez Hernández1
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Dr. Mauricio Olguín Carbajal1
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Dr. Juan Carlos Herrera Lozada1
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Dr. Jacobo Sandoval Gutiérrez2
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
1Instituto Politécnico Nacional
Centro de Innovación y Desarrollo Tecnológico en Cómputo
2Universidad Autónoma Metropolitana
Resumen
Los robots móviles son máquinas capaces de desplazarse de un lugar a otro, ya sea volando, rodando, saltando, combinando movimientos, etc. En la búsqueda de una locomoción autónoma se han desarrollado diferentes algoritmos, como el algoritmo genético que evalúa diversos conjuntos de movimientos simultáneamente en busca del óptimo a través de las generaciones. Dicha búsqueda implica un desgaste físico significativo para cualquier robot, por lo que realizar una simulación es de gran utilidad para la reducción del desgaste y el tiempo que toma evaluar cada conjunto de movimientos, en la búsqueda de la locomoción autónoma óptima.
I. Introducción
A medida que la robótica avanza, la variedad tecnológica de vehículos no tripulados crece con el desarrollo de sistemas robóticos terrestres y aéreos, estos últimos suelen ser más veloces aunque requieren un mayor esfuerzo en su control, por su parte los vehículos terrestres pueden desplazarse mejor en espacios reducidos. La investigación de robots móviles conduce al desarrollo de algoritmos con la finalidad de que sus movimientos sean autónomos. El Algoritmo aquí presentado, explora una amplia gama de conjuntos de movimientos simultáneamente buscando el óptimo. Dicha exploración alude a un desgaste significativo del robot físico, es por ello, que se hace uso de un simulador, en donde se puede ejecutar y optimizar el algoritmo las veces que sean necesarias.
II. Desarrollo
En este trabajo se utilizó Gazebo un simulador de robótica en 3D de código abierto que utiliza un motor físico de alto rendimiento para simular un modelo basado en el robot tuk tuk, véase en la figura 1, una plataforma robótica de bajo costo fabricada por Parrot. En cada simulación el robot se mueve sobre un escenario con obstáculos.
El programa desarrollado tiene como finalidad dotar al robot de un conjunto de movimientos aleatorios, realizar la simulación y evaluar la posición final del robot con respecto a una meta establecida sobre el escenario, a dicha evaluación la llamaremos aptitud la cual será mayor mientras más cerca de la meta se encuentre el robot. En conjunto con nuestro programa se utilizó un micro-algoritmo genético, como el que se muestra en la figura 2, el cual explora varios conjuntos de movimientos simultáneamente buscando el óptimo.
Figura 1. Robot tuk tuk de parrot. |
El micro-algoritmo genético (micro-AG) presentado en la figura 2, inicia con una población, de 5 individuos, generados aleatoriamente. Cada individuo es un conjunto ordenado de movimientos, que el robot ejecuta con el objetivo de llegar a un destino dado, entre más próximo a este, mayor será la calificación o aptitud de dicho individuo. La población es evaluada y ordenada de mayor a menor con base en su aptitud. En el siguiente paso se ejecuta el operador de cruzamiento, en este proceso se cruzaran los 5 individuos para concebir 10 hijos.
El individuo más apto se cruza con los otros 4 individuos, concibiendo un hijo con cada uno y aportando los alelos dominantes a sus progenitores, en el proceso de la recombinación genética.
Posteriormente, el segundo individuo más apto se cruza con los 3 restantes, concibiendo 3 hijos, y así sucesivamente siguiendo la misma metodología hasta formar un total de 10 hijos. Con la llegada de los vástagos la población crece a 15 individuos, por lo que es necesario realizar una reevaluación para determinar nuevamente quiénes tienen la mayor aptitud.
Los 2 individuos más aptos sobrevivirán al proceso de selección natural, eliminando a los menos adaptados de la población. Junto con la selección natural, en el proceso de evolución, la deriva genética es un efecto estocástico en donde, algunos individuos con alelos diferentes sobreviven debido a sucesos aleatorios, por lo tanto, se seleccionan 3 individuos aleatoriamente.
La siguiente generación será integrada por los 2 individuos más aptos y 3 seleccionados aleatoriamente, eliminando al resto de la población, denominamos a este proceso como autorregulación.
La aptitud de los individuos evoluciona al paso de las generaciones, hasta alcanzar la convergencia nominal, en donde, se introduce un ruido estocástico, es decir, se insertan 3 nuevos individuos totalmente aleatorios. Conformando la nueva población junto con los 2 más aptos.
Esta intromisión del ruido estocástico, favorece a conservar el balance en la diversidad y evitar una convergencia prematura del algoritmo.
El proceso se repite en un segundo ciclo anidado con el primero, hasta alcanzar la convergencia general. Al término de esta el micro-AG proporciona el mejor conjunto de movimientos posible.
Figura 2. Micro-algoritmo Genético. |
La integración del micro-algoritmo genético con el simulador, véase la figura 4, se realizó a través de un programa en lenguaje C ejecutado en Ubuntu, mediante el cual se leen y escriben archivos world.
Un archivo world contiene todos los elementos necesarios para ejecutar una simulación en Gazebo, para cada conjunto de movimientos se crea un archivo world el cual es simulado desde la terminal con el comando gzserver, el cual nos permite realizar una simulación sin emplear la interfaz gráfica. Dicho comando es ejecutado desde el programa en C mediante el uso de la función Fork.
La función fork crea un proceso en este caso gzserver, permitiéndonos determinar la duración del mismo, cada simulación tiene un tiempo en función al número de movimientos del robot. Una vez finalizado el proceso de simulación, Gazebo guardara un registro de esta por lo que, desde el programa en C ejecutamos el comando gzlog, el cual nos permite interpretar el registro mencionado, así como filtrar la información del mismo, recordando que es de nuestro interés la posición final del robot con respecto a la meta establecida para evaluar la aptitud del conjunto de movimientos simulado.
Figura 3. Integración del micro-algoritmo genético con el simulador . |
III. Pruebas y resultados
Para la fase de experimentación, se utilizó el micro-algoritmo genético en representación binaria, con poblaciones de 5 individuos. Cada individuo es una cadena binaria de 144 bits.
El robot puede realizar giros de 360° a la derecha o izquierda, utilizando 14 bits para cada giro, también puede avanzar 50cm hacia adelante o atrás, utilizando 10 bits.
Por lo que cada individuo podrá realizar 6 giros y 6 avances, intercalados entre sí, es decir después de un giro se realiza un avance y después de un avance se realiza un giro. Se implementó una mutación a cada bit de (1/longitud de la cadena)*10.
Se implementó un proceso de cruza dinámica la cual varía a lo largo de las generaciones entre 3 y 23 bits por fragmento de cadena, cada fragmento es de 24 bits representando un giro y un avance, cruzando dos de ellos aleatoriamente en cada proceso.
EL robot inicio en el punto (0,0) en un laberinto cerrado con 2 obstáculos con meta 2 metros adelante con centro en el punto (2,0) y un área de 20 cm. Podemos observar los resultados después de 300 generaciones en la figura 4, donde la mejor aptitud es de 7cm de distancia con el centro de la meta encontrando al robot dentro del área deseada.
Figura 4. Grafica de resultados. |
IV. Conclusiones
La búsqueda de la mejor solución o una suficientemente buena de una amplia gama de soluciones potenciales, resulta interesante para los algoritmos bioinspirados, siendo el micro-algoritmo genético presentado una técnica heurística eficiente ante este tipo de problemas de locomoción de un robot móvil, siendo de gran utilidad el uso de un simulador el cual nos permite evaluar las múltiples soluciones sin desgastar físicamente el robot, además de realizarlo en un menor tiempo.
V.Referencias
- J.C. Herrera (2011). “Sistema Inmune Artificial con Población Reducida para Optimización Numérica”, Centro de Investigación en Computación, Instituto Politécnico Nacional, Distrito Federal, México.
- A. Leon (2009). “Diseño e implementación en hardware de un algoritmo bio-inspirado”, Centro de Investigación en Computación, Instituto Politécnico Nacional, Distrito Federal, México.
- N. Cruz (2004). “Sistema inmune artificial para solucionar problemas de optimización”. Tesis Doctoral. CINVESTAV‐ IPN. México.