Ingeniería Basada en Modelos en Prácticas de Robótica

Ingenier´ıa Basada en Modelos en Pr´acticas de Rob´otica Antonio J. Mu˜noz-Ram´ırez, J. Jes´us Fern´andez-Lozano y J. Manuel G´omez-de-Gabriel Dto. Ingenier´ıa de Sistemas y Autom´atica Universidad de M´alaga [email protected] Resumen En este art´ıculo se recoge la experiencia de usar una herramienta de desarrollo de ingenier´ıa basada en modelos ´o MDE (Model-Driven Engineering) para la realizaci´on de clases pr´acticas de rob´otica. La principal caracter´ıstica de los enfoques es que se prescinde de la fase de programaci´on, por lo que se puede pasar del dise˜no a la implementaci´on de manera autom´atica permitiendo dedicar m´as tiempo a los objetivos del aprendizaje. Para determinar la eficiencia de estas herramientas se ha utilizado una plataforma rob´otica m´ovil y se han realizado experimentos con alumnos utilizando Simulink con generaci´on de c´odigo de Arduino y se han medido los resultados de manera subjetiva y objetiva. Palabras clave: Educaci´on, Rob´otica, Ingenier´ıa basada en Modelos, Simulink. 1. INTRODUCCI ´ ON Seg´un [6, 7] la Ingenier´ıa basada en modelos (Model-Driven Engineering) ´o MDE tiene como misi´on permitir a los ingenieros desarrollar y analizar un sistema mediante abstracciones y formalismos m´as adecuados y parecidos a sus modelos mentales que los lenguajes de programaci´on convencionales. Exiten muchos lenguajes y herramientas para MDE, entre las que se encuentran UML,AADL,MATLAB Simulink,Rational yEclipse Modeling Framework entre otras. Los modelos que se construyen en un lenguaje de modelado pueden convertirse en un programa ejecutable mediante un proceso autom´atico. As´ı los modelos cl´asicos de diagramas de bloques o incluso los diagramas de estados pueden ser usados para crear programas. Este modelo de ingenier´ıa elimina la etapa de codificaci´on de las fases del desarrollo de sistemas, con el consiguiente ahorro de tiempo y de posibles errores que lo hacen imprescindible para el desarrollo de sistemas cr´ıticos como dispositivos m´edicos o de control de automoci´on. Una caracter´ıstica de los enfoques MDE es que al prescindir de la fase de programaci´on, permite dedicar m´as tiempo a los objetivos del aprendizaje. Si bien, la programaci´on de sistemas reales de control es una competencia deseable en m´ultiples titulaciones de ingenier´ıa, su utilizaci´on como medio para desarrollar pr´acticas de laboratorio plantea ciertos inconvenientes, especialmente cuando los alumnos poseen un origen heterog´eneo. Entre los inconvenientes m´as relevantes se tienen los siguientes: La introducci´on del uso de una herramienta o lenguaje de programaci´on desconocidos para el alumnado que puede no formar parte de los resultados del aprendizaje de la asignatura. La necesidad por parte del profesor de familiarizarse previamente con el lenguaje y la versi´on del entorno de desarrollo utilizado en cada asignatura lo que aumenta su carga de trabajo. El empleo de un tiempo adicional de clase dedicado a explicar los equipos y a practicar el uso de las nuevas herramientas, restando tiempo de clase a otros contenidos. El alumno invierte un porcentaje del tiempo de laboratorio en la traducci´on de los modelos en programas. El profesor invierte un tiempo, del dedicado a la supervisi´on de las pr´acticas, en la interpretaci´on y depuraci´on del c´odigo desarrollado por los alumnos, reduciendo el n´umero de grupos posibles y aumentando su carga de trabajo. La evaluaci´on de las pr´acticas requiere de una abstracci´on de la aplicaci´on de los conceptos de la asignatura, sin tener en cuenta los aspectos de la programaci´on. La dificultad de evaluar el aprendizaje de los conceptos de los trabajos pr´acticos entre los distintos alumnos, si los resultados dependen de experiencia previas con el entorno de desarrollo y habilidades de programaci´on. Dentro del contexto de la adaptaci´on de los estudios de Ingenier´ıa al Espacio Europeo de Educaci´on Superior, las competencias adquiridas por el estudiante se han tomado como la referencia por la cual se definen los planes de estudio. En el caso de la Ingenier´ıa (aunque tambi´en en otros campos) se han publicado diversas ´ Ordenes Ministeriales que enuncian qu´e competencias tienen que adquirir los estudiantes de un determinado t´ıtulo, sobre todo para que el t´ıtulo en cuesti´on permita el acceso a determinadas profesiones reguladas, como la Ingenier´ıa Industrial. Sin embargo, las competencias, aun siendo un instrumento ´util, han resultado complejas de entender y de aplicar, y al mismo tiempo no son la referencia habitual en el entorno de la Ingenier´ıa en Europa, sino que en su lugar se prefieren los resultados del aprendizaje. Es decir, aquello de lo que los estudiantes de un determinado programa son capaces cuando lo han superado con ´exito. Sobre esta idea se basa, por ejemplo, el marco de acreditaci´on EUR-ACE, propuesto por la European Network for Accreditation of Engineering Education (ENAEE). Este sello de calidad facilita a los programas que lo consiguen el reconocimiento internacional tanto acad´emica como profesionalmente. Recientemente la ANECA, en colaboraci´on con el Instituto de la Ingenier´ıa de Espa˜na, ha elaborado un marco espa˜nol para la obtenci´on del sello EURACE. An´alogamente, se ha desarrollado un marco para la obtenci´on del sello EUR-INF, en el ´ambito de la Ingenier´ıa Inform´atica. En ambos casos supone la incorporaci´on de criterios adicionales a los ya existentes en el proceso de renovaci´on de la acreditaci´on de los t´ıtulos. Esos criterios adicionales se resumen en el apoyo institucional al t´ıtulo y, precisamente, los resultados del aprendizaje. Lograr este sello se plantea como el pr´oximo reto que deben superar los programas de Ingenier´ıa en Espa˜na. Para superar el criterio de resultados del aprendizaje el t´ıtulo en cuesti´on deber´a demostrar que todos los egresados alcanzan, sistem´aticamente, los resultados que establece ENAEE, relativos a conocimiento y comprensi´on, an´alisis en Ingenier´ıa, proyectos de Ingenier´ıa, investigaci´on e innovaci´on, aplicaci´on pr´actica de la Ingenier´ıa, y competencias transversales. Esos resultados, que se describen con detalle en [1], deben alcanzarse a trav´es de asignaturas concretas del programa. Cobra as´ı gran relevancia la capacidad para definir qu´e resultados del aprendizaje se logra en cada asignatura, y de qu´e modo se pone en pr´actica. El empleo de MATLAB ySimulink en la docencia ven´ıa siendo identificado con las pr´acticas de ordenador en simulaci´on, y tan s´olo en algunos casos se Figura 1: Vistas superior e inferior de la plataforma educativa de Rob´otica M´ovil PIERO pod´ıa interactuar con el mundo real, pero a costa de una alta inversi´on tanto material como de software y mantenimiento del mismo. Sin embargo, Mathworks ha dado un gran paso en este sentido con la incorporaci´on del soporte hardware para plataformas de bajo coste, tales como Arduino, Lego,Raspberry Pi y tel´efonos m´oviles/tabletas. Esto ha motivado trabajos en los que se usa Simulink para MDE en rob´otica [2, 4], los haptics [3] y tambi´en, como en este caso a la educaci´on [8]. El presente art´ıculo se encuentra estructurado de la siguiente manera: en la siguiente secci´on se describe la plataforma rob´otica educativa previamente desarrollada para estas aplicaciones. En la secci´on 3 se describe la experiencia de uso de esta herramienta desde el punto de vista subjetivo del profesor, y en la secci´on 4 se describe el experimento realizado para la evaluaci´on objetiva del aprendizaje. Finalmente, la secci´on 5 analiza los resultados obtenidos y establece las conclusiones. 2. PLATAFORMA ROB ´ OTICA PIERO 2.1. Hardware Las plataformas rob´oticas PIERO [5] consisten en un robot m´ovil con tracci´on diferencial (V´ease Figura 1) y basadas en Arduino han demostrado una gran robustez y versatilidad para el empleo en diferentes asignaturas de rob´otica, control y mecatr´onica. La plataforma posee un sistema modular para reconfigurar su sistema sensorial y un sistema centralizado donde se pueden apreciar los siguientes componentes principales de su configuraci´on m´as b´asica: dos servomotores motores provistos de codificadores angulares incrementales de efecto hall (con 1 grado de resoluci´on), un circuito de potencia basado en un puente-h doble de hasta 2 Amperios, una bater´ıa de pol´ımero de litio de tres celdas en serie y 2200mAh, un Arduino con una shield para facilitar el cableado, un LED RGB co- Figura 2: Bloque principal de control de velocidad en Simulink. mo sistema de se˜nalizaci´on visual de eventos como el de bater´ıa baja, dos sensores anal´ogicos de distancia por infrarrojos y un m´odulo de comunicaciones Bluetooth. Las dimensiones de la plataforma, su robustez, autonom´ıa y facilidad de uso la hacen muy adecuadas para su uso en laboratorios docentes de asignaturas de grado ´o m´aster. 2.2. Control de bajo nivel Con el objeto de poder realizar pr´acticas de rob´otica es necesario contar con un sistema de control de bajo nivel que controle los actuadores. En concreto, se ha desarrollado un bloque de control de velocidad de las ruedas que implementa un control realimentado mediante un algoritmo PI como se observa en la Figura 2. El bloque de control de velocidad para Simulink se les proporciona a los alumnos y posee como entrada el vector de referencias de velocidad de las ruedas y devuelve como salida el vector de velocidades reales de las ruedas. 2.3. Un solo controlador de velocidad para toda la flota Para la utilizaci´on y evaluaci´on de la eficiencia docente de estas herramientas se ha construido una flota de s´eis robots (V´ease Figura 3). El sistema de control de velocidad se ajusta para cada servomotor y para cada uno de los robots mediante un proceso previo basado en la identificaci´on del sistema y sus par´ametros, para obtener un control de velocidad con el rendimiento deseado y equilibrado en ambas ruedas. Para llevar a cabo este proceso de identificaci´on se ha desarrollado una herramienta interactiva que facilita a los profesores la obtenci´on del modelo. Para tal fin, se han establecido unos par´ametros de respuesta temporal de tiempo de subida de 0,5sy un tiempo de establecimiento de 0,91s. Cada uno de los motores de cada uno de los robots PIERO poseer´a unos par´ametros distintos tanto de su modelo coFigura 3: Flota de robots PIERO utilizada para medir el rendimiento de la metodolog´ıa de Ingenier´ıa Basada en Modelos Figura 4: Ventana de selecci´on del n´umero de robot Piero que lo identifica. mo de constantes del controlador PI. Sin embargo, por simplicidad se ha decidido que todos los alumnos descarguen utilicen el mismo controlador, al que se le ha incluido un par´ametro que identifica el robot, a introducir por el alumno, mediante el cual el controlador selecciona los par´ametros correspondientes de una tabla (V´ease Figura 4). El la Figura 5 se muestra el proceso de selecci´on del conjunto de par´ametros de cada robot. La parametrizaci´on se encuentra dentro de la funci´on InitFcn perteneciente a los callbacks asociados al bloque principal. 2.4. Ajuste, Simulaci´on y Ejecuci´on en tiempo real El sistema de control de velocidad est´a basado en un controlador PI proporcionado por Simulink dentro de la secci´on de bloques discretos (V´ease Figura 6). El controlador es un bloque que proporciona funciones de auto-ajuste que requiere de un modelo de simulaci´on del sistema. Dicho modelo se ha incluido dentro del bloque de control de velocidad descrito en la secci´on anterior. El modelo utiliza un control PI independiente para Figura 5: Contenido de la funci´on InitFnc para la particularizaci´on de forma individualizada a cada robot PIERO de los par´ametros de su modelo y de los controladores PI. Figura 6: Diagrama del bucle de control PI independiente para cada rueda sobre el bloque veh´ıculo. cada rueda que act´ua sobre el modelo de veh´ıculo. ´ Esto se ha realizado as´ı para permitir la sintonizaci´on de los controladores dentro del mismo modelo asistidos por la herramienta de sintonizaci´on de PID de Simulink Control Design. Si el modelo se ejecuta en modo de simulaci´on, podemos realizar la pr´actica sin necesidad de disponer de la plataforma de forma trasparente (sin tener que realizar ning´un cambio en el modelo), con el consiguiente ahorro de tiempo en la fase de dise˜no y prueba de resoluci´on de la pr´actica, entre otras ventajas. Figura 7: Diagrama del subsistema veh´ıculo que incluye al sistema real y al modelo de PIERO simulado autoconfigurable. 2.5. Bloques de Simulink pre-programados No obstante la principal forma de ejecuci´on del modelo es sobre la plataforma PIERO, para lo cual hacemos uso de las funciones de generaci´on autom´atica de c´odigo que compilan y descargan nuestro modelo (Deploy) para su ejecuci´on en tiempo real sobe el microcontrolador del Arduino. La ejecuci´on en modo interactivo (External mode) permitir´ıan monitorizar y depurar los modelos pero poseen una utilidad limitada [5] debido a la degradaci´on de los tiempos de respuesta que se produce en el robot. 3. USO DOCENTE DE HERRAMIENTAS MDE La capacidad de poder usar esta herramienta en docencia, sin tener que dedicar tiempo de la asignatura a describir el sistema de desarrollo y aprender a utilizar un entorno de programaci´on ha facilitado su adopci´on en m´ultiples asignaturas. En esta secci´on se describe la experiencia y evaluaciones subjetivas, desde el punto de vista del profesor, de la conveniencia del uso de esta herramienta en determinadas asignaturas de educaci´on superior. 3.1. Asignaturas en las que se ha usado Se ha adoptado la plataforma PIERO para la realizaci´on de pr´acticas en un gran n´umero de asignaturas impartidas por el Departamento de Ingenier´ıa de Sistemas y Autom´atica desde el curso 2013-14, como se detalla en la tabla 1. 3.2. Ventajas del uso de MDE Se ha observado que el uso de Ingenier´ıa basada en Modelos para pr´acticas contribuye a reducir los inconvenientes de la necesidad de programaci´on descritos en la Secci´on1. En concreto: Se concentra la atenci´on en los resultados del aprendizaje del programa de la asignatura. El profesor no necesita aprender una nueva herramienta. Se aprovecha mejor el tiempo de las pr´acticas ya que no hay que resolver problemas propios de la programaci´on. El profesor dedica su tiempo de supervisi´on de las pr´acticas de manera m´as eficiente. La evaluaci´on de las pr´acticas se hace m´as f´acil y objetiva ya que se cuenta con un lenguaje gr´afico de alto nivel que expresa de forma directa la intenci´on del alumno. Tabla 1: Asignaturas en las que se ha usado el enfoque MDE durante el curso 2014-15 Asignatura Titulaci´on Regulaci´on Autom´atica Grado Ing. Electr´onica Industrial Rob´otica y Automatizaci´on Grado Ing. Electr´onica, Rob´otica y Mecatr´onica Automatizaci´on y Rob´otica Industrial Grado Ing. en Organizaci´on Industrial Laboratorio de Rob´otica Grado Ing. Electr´onica, Rob´otica y Mecatr´onica Programaci´on de Robots Industriales Grado Ing. Electr´onica Industrial Modelado y Control de Sistemas Mecatr´onicos y Robots M´aster Mecatr´onica Sistemas Mecatr´onicos Tolerantes a Fallos M´aster Mecatr´onica 3.3. Rendimiento docente En particular, en la asignatura de Sistemas Tolerantes a Fallos se han realizado pr´acticas utilizando el enfoque MDE para la realizaci´on de un proyecto robots m´oviles. En comparaci´on con el curso anterior donde se utiliz´o LabVIEW, se han eliminado dos sesiones (una sesi´on te´orica de programaci´on de diagramas de estado en LabVIEW y otra de pr´acticas) permitiendo dedicar m´as tiempo al proyecto. Adem´as los resultados se han obtenido antes y se han alcanzado objetivos de mayor calidad. 4. MEDIDA DEL APRENDIZAJE Para medir los resultados de la utilizaci´on del enfoque MDE basado en los robots m´oviles desarrollados, se ha dise˜nado una pr´actica basada en el modelo cinem´atico de un robot m´ovil Se han realizado dos sesiones para un total de 16 alumnos voluntarios de asignaturas de grado de rob´otica industrial, utilizando una flota de seis robots m´oviles PIERO. En cada sesi´on se plantean tres fases de experimentaci´on con un robot m´ovil con tracci´on diferencial: Experimentar con los efectos de las velocidades de las ruedas y estudiar las trayectorias obtenidas. Modelar la conversi´on entre referencias de velocidades cartesianas y articulares y experimentar con los modelos obtenidos. Cálculo de la posición Cálculo de  la  posición •Odometría –Estimaciónbasadaenacumulacióndemedidasobtenidasdesensores propioceptivos propioceptivos –Integración numérica –Sujetaaacumulacióndeerroresdemedida,deslizamientosyde integración. –Valores iniciales como posición inicial delvehículo. Figura 8: Ejemplo de soluci´on a la tercera parte de la pr´actica de rob´otica m´ovil. Construir el modelo de obtenci´on de las velocidades globales del robot y de su localizaci´on, verificando dichos modelos mediante simulaci´on y ejecuci´on en el sistema f´ısico. Para desarrollar el contenido de la pr´actica se han introducido los conceptos de espacios articulares y cartesianos de un robot m´ovil. Se les ha proporcionado el Jacobiano directo y los alumnos han desarrollado el modelo inverso en Simulink y han representado las variables articulares y cartesianas de manera vectorial, Calculando las velocidades del robot a partir de las velocidades de las ruedas, suministradas por el bloque de control descrito en la secci´on 2.5. Estos trabajos han sido monitorizados por el profesor para ayudar a resolver problemas de implementaci´on. Asimismo se ha definido la pose o vector de posici´on global mediante las coordenadas en el plano XY m´as la orientaci´on θ, obtenidas mediante integraci´on num´erica discreta. El alumno debe de construir el modelo en Simulink para la obtenci´on de dicha pose a partir de las velocidades anteriores. En la Figura 8 se muestra un ejemplo del modelo realizado por los alumnos durante una de las sesiones para completar el objetivo de la tercera parte. 4.1. Desarrollo de la sesi´on pr´actica Se ha planificado el siguiente cronograma de desarrollo de la pr´actica destinada a medir el aprendizaje. Tabla 2: Actividades desarrolladas en la sesi´on pr´actica Actividades Duraci´on Introducci´on 5 min. Evaluaci´on Inicial 5 min. Control articular 15 min. Control Cartesiano 15 min. Odometr´ıa 15 min. Evaluaci´on final 5 min. Para la evaluaci´on objetiva del aprendizaje se ha elaborado un formulario con tres partes: Una parte de preguntas sobre experiencia previa en pr´acticas rob´otica, Simulink y mecatr´onica, ocho preguntas de tipo test sobre los conceptos de rob´otica que se pretenden ense˜nar, y seis preguntas por aspectos de programaci´on y hardware del robot que no son necesario conocer usando el enfoque propuesto. Las tres secciones se ponderan de 0 a 10. Para obtener una medida del incremento en conocimientos relativos a rob´otica y relativos a la plataforma en s´ı, se realiza una prueba de conocimiento antes y despu´es de la pr´actica. Antes se les pide a los alumnos que respondan a las tres secciones del cuestionario de evaluaci´on, y al finalizar se les vuelve a suministrar el mismo formulario, en el que s´olo tienen que responder a las dos ´ultimas secciones. El incremento esperado del aprendizaje deber´ıa producirse exclusivamente en la secci´on de Rob´otica, mientras que los conocimientos sobre la plataforma (que etiquetaremos como Arduino) deben permanecer constantes ya que no han necesitado aprenderlos y los profesores no se los han ense˜nado. 5. RESULTADOS Y CONCLUSIONES Aunque los resultados subjetivos por parte de los profesores son claramente positivos en t´erminos de ventajas aportadas y eficiencia del uso del tiempo del alumno y del profesor, es necesario examinar los datos de la evaluaci´on objetiva realizada mediante los cuestionarios cuyos resultados se sintetizan en la tabla 3. En la fila denominada Rob´otica se eval´uan los conceptos ense˜nados y en la etiquetada Arduino los conceptos no ense˜nados. Tabla 3: Calificaciones promedio, antes y despu´es de la pr´actica, relativas a temas de rob´otica y de conceptos sobre mecatr´onica Nombre Antes Despu´es Rob´otica 3.36 5.39 Arduino 2.60 3.44 Se observa un incremento general en el aprendizaje (V´ease Figura 9 en cuestiones de rob´otica m´ovil y sorprendentemente se observa tambi´en un incremento en la media de puntuaci´on de los conocimientos no ense˜nados, que puede corresponder a un aprendizaje propio motivado por inter´es personal o por obtener una mejor puntuaci´on final. No obstante el incremento en los conceptos ense˜nados es superior. Si bien el n´umero de muestras obtenidas no es a´un significativo, se observa un mayor incremento en alumnos con un menor nivel de experiencia previa 0. 0 1. 0 2. 0 3. 0 4. 0 5. 0 6. 0 7. 0 8. 0 9. 0 10. 0 0.00 1.00 2.00 3.00 4.00 5.00 6.00 Antes Después Robótica Arduino Figura 9: Evaluaci´on objetiva antes y despu´es de la realizaci´on de la pr´actica obtenido de la primera parte de cuestionario, en ambos grupos de conocimientos. La presente propuesta puede analizarse a la luz de este contexto, como una herramienta para poner en pr´actica eficientemente una parte de los resultados del aprendizaje que se˜nala el marco EURACE. En particular, dentro de este marco se consideran particularmente importantes los resultados en cuanto a proyectos de ingenier´ıa y en aplicaci´on pr´actica de la ingenier´ıa. As´ı, dentro del ´area de proyectos de ingenier´ıa, los titulados de grado deben tener: La capacidad de aplicar sus conocimientos para plantear y llevar a cabo proyectos que cumplan unos requisitos previamente especificados. Comprensi´on de los diferentes m´etodos y la capacidad para aplicarlos. El desarrollo de la pr´actica propuesta incide precisamente en el cumplimiento de unos requisitos, as´ı como la comprensi´on de los m´etodos implicados. El desacoplamiento respecto a la tecnolog´ıa empleada permite incidir con m´as intensidad en esto. Dentro del ´area de aplicaci´on pr´actica de ingenier´ıa, los graduados o graduadas deben tener: La capacidad de seleccionar y utilizar equipos, herramientas y m´etodos adecuados. La capacidad de combinar la teor´ıa y la pr´actica para resolver problemas de ingenier´ıa. La comprensi´on de m´etodos y t´ecnicas aplicables y sus limitaciones. Conciencia de las implicaciones, t´ecnicas o no t´ecnicas, de la aplicaci´on pr´actica de la ingenier´ıa. La propuesta facilita la selecci´on de m´etodos adecuados, al margen de la implementaci´on tecnol´ogica. Igualmente contribuye a la combinaci´on de teor´ıa y pr´actica, con mayor eficiencia en cuanto al tiempo dedicado para poder observar c´omo inciden en los resultados obtenidos los m´etodos elegidos, su aplicabilidad y sus limitaciones. Por otra parte, el marco EUR-ACE plantea los resultados del aprendizaje en el plano de grado, pero tambi´en en m´aster. El presente trabajo se ha centrado en el nivel de grado, pero puede ser de inter´es estudiar de qu´e manera pueden contribuir estas t´ecnicas al dise˜no de asignaturas de grado y m´aster dentro de la misma tem´atica, y como pueden ser una herramienta para alcanzar resultados del aprendizaje diferentes. Agradecimientos Nuestros agradecimientos a las profesoras Isabel Garc´ıa Morales e Irene Rivas Blanco que han participado en el proyecto y han colaborado con el desarrollo de este estudio. Asimismo nuestro agradecimiento a todos los alumnos que han colaborado aportando mejoras a la plataforma y realizando las pr´acticas de rob´otica m´ovil. Los trabajos realizados se enmarcan dentro del proyecto de innovaci´on educativa de la Universidad de M´alaga con c´odigo PIE13-134. Referencias [1] ANECA (2015), Gu´ıa de Evaluaci´on para la renovaci´on de la acreditaci´on y la obtenci´on del sello EUR-ACE para t´ıtulos oficiales de Grado y de M´aster en ingenier´ıa, http://eurace.iie.aneca.es/eurace.html [2] Barber, R., Crespo, M. H. J. (2013). Control Practices using Simulink with Arduino as Low Cost Hardware. In The 10th IFAC Symposium on Advances in Control Education. [3] Beni, N.; Grottoli, M.; Ferrise, F.; Bordegoni, M., (2014) Rapid prototyping of low cost 1 DOF haptic interfaces, Haptics Symposium (HAPTICS), 2014 IEEE , vol., no., pp.479,483, 23-26 Feb. 2014 [4] Gartseev, I. B., Lee, L. F., Krovi, V. N. (2011). A low-cost real-time mobile robot platform (ArEduBot) to support projectbased learning in robotics & mechatronics. In Proceedings of 2nd International Conference on Robotics in Education (RiE 2011). [5] Gil-Lozano, J.E. and Ram´ırez, AJ Munoz and L´opez, V Torres and de Gabriel, JM G´omez, (2014), Uso de Simulink y Arduino para Pr´acticas de Rob´otica. Jornadas de Autom´atica 2014, Valencia, Espa˜na. [6] Harel, D. (1987), Statecharts: a visual formalism for complex systems. Science of Computer Programming, 8(3):231 – 274, 1987. ISSN 0167-6423. [7] Schmidt, D.C. (2006), Guest editor’s introduction: Model-driven engineering. Computer, 39(2):0025–31, 2006. [8] Sobota, J., Balda, P., Schlegel, M. (2013). Raspberry Pi and Arduino boards in control education. In Advances in Control Education (Vol. 10, No. 1, pp. 7-12).