Planificación de trayectorias para vehículos de superficie no tripulados

Proyecto Fin de Carrera Ingeniería de Telecomunicación Formato de Publicación de la Escuela Técnica Superior de Ingeniería Autor: F. Javier Payán Somet Tutor: Juan José Murillo Fuentes Dep. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2013 Proyecto Fin de Máster Máster en Ingeniería Electrónica, Robótica y Automática Planificación de Trayectorias para Vehículos de Superficie no Tripulados Autor: Víctor Quesada Conejero Tutor: Ángel Rodríguez Castaño Dpto. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2023 Proyecto Fin de Máster Máster en Ingeniería Electrónica, Robótica y Automática Planificación de Trayectorias para Vehículos de Superficie no Tripulados Autor: Víctor Quesada Conejero Tutor: Ángel Rodríguez Castaño Profesor Contratado Doctor Interino Dpto. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2023 Proyecto Fin de Máster: Planificación de Trayectorias para Vehículos de Superficie no Tripulados Autor: Víctor Quesada Conejero Tutor: Ángel Rodríguez Castaño El tribunal nombrado para juzgar el trabajo arriba indicado, compuesto por los siguientes profesores: Presidente: Vocal/es: Secretario: acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: Agradecimientos A mi familia y amigos I Resumen En la actualidad los sistemas autónomos nos acompañan en nuestro día a día pero aun quedan muchos retos por superar en este área de conocimiento. Los vehículos autónomos representan un caso de uso muy interesante tanto desde el punto de vista científico como tecnológico y en el mundo naval se comienzan a ver los primeros avances para el desarrollo de sistemas de navegación autónomos. El objetivo de este trabajo ha sido investigar y desarrollar algoritmos de la familia C-Space sampling-based para generar trayectorias para vehículos de superficie no tripulados. El objetivo principal se ha basado en la integración de restricciones cinemáticas y dinámicas en el algoritmo RRT* durante la fase de exploración. Mediante experimentos de simulación se ha probado el algoritmo desarrollado y se han evaluado sus características principales. Entre las sugerencias para trabajos futuros se incluyen incorporar información dinámica en la generación de trayectorias y la detección de inexactitudes del modelo en entornos reales debido a los efectos de distintos estados de mar, aumentando así los margenes de seguridad cuando sea necesario. III 2Capítulo 1. Introducción Figura 1.1 Imagen de la embarcación Vendaval. 1.3 Estructura del documento La estructura de la memoria se divide en los siguientes apartados: primero se ha presentado una introducción del trabajo realizado, seguido por un segundo capítulo centrado en el estado del arte, tercer y cuarto capítulo tratarán sobre la arquitectura software planteada y el método teórico implementado respectivamente y para finalizar un capítulo con los experimentos realizados y otro con las conclusiones obtenidas del trabajo realizado. 2 Estado del arte - ¿Es un niño o una niña? - Creo que es un poco pronto para empezar a imponerle roles, ¿no cree? El sentido de la vida, 1983 En este capítulo se expone el estado actual del estado del arte de la planificación en general y en concreto dentro de la planificación de trayectorias con restricciones cinemáticas y dinámicas, además de estudios planteados para la planificación de trayectorias para USV. 2.1 Planificación Planificar puede ser definido como el proceso de idear una serie de acciones que nos llevan a un objetivo deseado, este concepto puede aplicarse a campos muy distantes de la robótica como la organización industrial o juegos matemáticos como las torres de Hanói. Uno de los problemas matemáticos más famosos relacionados con el concepto de planificar es el problema del vendedor viajero, también llamado problema del viajante, enunciado por los matemáticos William Rowan Hamilton y Thomas Kirkman. El problema busca la respuesta al siguiente enunciado "Dado una lista de ciudades y una lista de distancia entre cada par de ciudades, ¿Cuál es la ruta con la menor distancia que recorra todas las ciudades una sola vez?", dicho problema puede ser una definición precisa de lo que hoy consideramos en robótica "Path planner". En concreto, en la robótica aparece una denominación más concreta "Motion planner" que puede ser tratada como un subproblema del "Path planner". En concreto, en "Motion planner" se busca el conjunto de acciones de control que llevan al robot de un estado inicial a un estado final deseado. En este trabajo nos centraremos en el "Path planning" con algunas consideraciones adicionales (2.2). Como podemos observar en al Figura 2.1, en la actualidad podemos dividir los enfoques teóricos de resolución de trayectorias en los siguientes campos: • Reactive-Computing-Based Path Planning: Esta categoría agrupa los algoritmos de planificación en los que el entorno solo indica la ubicación y la forma de los obstáculos presentes. Generalmente, el entorno conocido es limitado debido a que es generado a través de los sensores a bordo del sistema. Estos algoritmos suelen funcionar como planificadores locales, minimizando el tiempo de cómputo y generando trayectorias de maniobra para evitar obstáculos que aparecen durante el seguimiento de una ruta generada por otro algoritmo de planificación global. Podemos diferenciar dos subcategorías: – Reactive Manoeuvre: donde la presencia de un obstáculo genera una nueva maniobra de forma inmediata [10]. – Local Optimization: donde la actual trayectoria es modificada para evitar el obstáculo detectado [12]. • Soft-Computing-Based Path Planning: Esta categoría de algoritmos de planificación se caracteriza por no intentar obtener soluciones exactas, sino aproximarse a ellas con una tolerancia de imprecisión 3 4Capítulo 2. Estado del arte acotada. Son especialmente ventajosos en problemas con entornos dinámicos, un gran número de variables a tener en cuenta o un sistema con muchos grados de libertad. Por regla general necesitan de un ajuste específico de los parámetros de los algoritmos para cada uno de los casos de uso, lo cual conlleva a la necesidad de realizar experimentos de calibración tanto en simulación como en entornos reales para poder medir el desempeño real del algoritmo. Podemos diferenciar tres subcategorías: – Evolutionary Computation: Estos algoritmos, también llamados Meta-heurísticos o inspirados en la naturaleza, están inspirados en el comportamiento biológico, dado una serie de individuos iniciales con características únicas entre ellos. Los individuos con mejor resultado van mutando hasta encontrar un individuo con el set de configuración que mejor resultado da para un problema dado. – Fuzzy control: Mediante una serie de instrucciones lógicas se consigue desarrollar un sistema de planificación que resuelve problemas como la exploración de zonas no estructuradas. – Machine learning: Mediante machine learning se puede generar un sistema de planificación de trayectorias, dependiendo de la técnica usada pueden evaluarse distintas funciones objetivos y conseguir resultados. • C-Space-Search-Based Path Planning: Esta categoría de algoritmos de planificación se caracteriza por definir el espacio de búsqueda como una discretización de todos los posibles estados de configuración del vector de estados del robot. Dentro del espacio de búsqueda se encuentran tanto el estado inicial como el estado final, o al menos estados con un error asumible definido por la discretización realizada. El resultado de estos algoritmos es una sucesión de estados que producen una evolución tal que transforma del estado inicial al estado final. Dichos algoritmos son altamente dependientes de la discretización de los estados y las restricciones impuestas en la transición de estos, es común encontrar algoritmos auxiliares de suavizado a la salida de estos para paliar los efectos de la discretización. Podemos diferenciar dos subcategorías: – Graph Search: En este caso el algoritmo dispone de un grafo preexistente, cada uno de dichos nodos representan un estado del sistema, el cual es explorado por un algoritmo para encontrar la mejor ruta posible según la función de coste definida. – Sampling-Based: En contraposición con los algoritmos graph search no existen un grafo preexisten y el algoritmo va explorando el espacio de estados, incluso una vez encontrada una solución factible puede continuar explorándolo para mejorar la solución existente. • Optimal-Control-Based Path Planning: Como el propio nombre de esta categoría indica, el problema de planificación se aborda desde el punto de vista de control óptimo. En este caso, en contraposición al soft-computing, el problema está completamente cerrado y no existen parámetros de ajuste ni tolerancia frente a la solución óptima. Podemos diferenciar dos subcategorías: – PDE solving: El algoritmo resuelve una ecuación del tipo Partial Derivate Equation (PDE) sobre una discretización, basado en el Dynamic Programming Principle (DPP). – Numerical Optimization: En este caso se resuelve una optimización numérica de una solución inicial existente para que sea factible realizarla dada unas restricciones cinemáticas y dinámicas. 2.2 Planificación con restricciones dinámicas 5 Figura 2.1 Esquema de los distintos enfoques existentes en la actualidad al problema de "Path planning" [ 17 ]. 2.2 Planificación con restricciones dinámicas La planificación de trayectorias puede centrarse únicamente en la búsqueda de una serie de estados de un sistema que permiten evolucionar entre un estado inicial hasta un estado objetivo final. Incluso puede centrarse únicamente en la búsqueda de una solución geométrica, estando fuera de su estudio si el sistema tiene la capacidad o no de realizar dicha trayectoria. En esta sección se presentarán algunos planteamientos del problema de planificación con restricciones cinemáticas y dinámicas. Una de las primeras contribuciones que reflejan la importancia de las restricciones cinemáticas y dinámicas se puede observar en el artículo publicado por LaValle [ 7 ], donde se estudia el caso de un planificador "sampling-based" en el que se tiene en cuenta la cinemática a la hora de generar nuevos estados. Se pueden observar resultados de planificaciones cuyo espacio de estado es de dimensión 12 y se planifica sobre un sistema subactuado con cinco entradas. El principal inconveniente de este sistema es su alto coste computacional. Otra aproximación a la planificación con restricciones plantea dividir el problema en dos etapas [ 15 ]. Durante la primera etapa se realiza una planificación sin restricciones cinemáticas, únicamente teniendo en cuenta la geometría del sistema. En la segunda etapa la trayectoria se transforma hasta ser compatible con las restricciones cinemáticas y dinámicas. Una de las principales desventajas de este método es la posibilidad de encontrar rutas en la primera etapa que sean compatibles con la geometría, pero no con las restricciones, lo que produce como resultado un fallo en el algoritmo, pudiendo existir otras rutas que sí sean factible pero impliquen un coste superior en la primera etapa. Por último podemos encontrar el trabajo presentado en el artículo [ 1 ], donde se plantea un algoritmo de planificación para quadrotors con manipuladores. El objetivo de dicho algoritmo es conseguir trayectorias físicamente factibles mediante la evolución de estados interpolando curvas "spline" de cuarto orden, como se puede observar en la Figura 2.2. Esta es una técnica eficiente desde del punto de vista del coste computacional. 6Capítulo 2. Estado del arte Figura 2.2 Algoritmo RRT*-DA: Optimal Rapidly-exploring Random Tree algorithm that incorporates dynamics awareness [1]. 2.3 Sistemas autónomos para embarcaciones Para finalizar, en esta sección se expondrá el estado del arte referente a la planificación para USV. Frente al estudio de la planificación para otros sistemas, nos encontramos con una serie de características que lo hacen especialmente interesante y propone un amplio espectro de enfoques en su estudio [21]. Figura 2.3 Planteamiento de la arquitectura para realización de misiones totalmente autónomas mediante USVs [19]. Una de ellas es la disparidad de distancias entre distintos tipos de misiones, desde algoritmos que consideran la climatología para determinar rutas en largas distancias [ 18 ] a planificaciones en el interior de puertos, donde los obstáculos dinámicos toman una importancia crítica y la interpretación de las COLREGs entra en juego para la planificación [3]. Otro punto de vista a evaluar es el tipo de misión que se va a solicitar realizar, pudiendo estar centrada en la realización de una ruta compleja debido al entorno, buscando maximizar la información obtenida de un área delimitada o incluso realizar de forma eficiente el seguimiento de otras embarcaciones. Algunos ejemplos del estado del arte los podemos encontrar en el caso de mantener formaciones de varios USV para el seguimiento de otras embarcaciones [13] o misiones de patrullaje para control de costas [20]. La planificación en USV tiene la peculiaridad del alto número de perturbaciones asociadas, esto provoca que la dimensión del espacio de planificación crece de manera desmedida, lo que provoca que sea de especial interés la planificación bajo control óptimo [8] [9]. 3 Arquitectura del sistema e implementación K.I.S.S. Kelly Johnson, 1960 Fran Real, 2022 Tr as exponer en los capítulos anteriores aspectos generales del trabajo y el estado del arte actual en planificación de vehículos autónomos de superficie continuaremos con la arquitectura e implementación realizada. Para ello, este capítulo se dividirá en las siguientes secciones: primero, un planteamiento general de la arquitectura, tras el cual, se detallarán las herramientas utilizadas y la justificación de su uso. 3.1 Arquitectura software La definición de una arquitectura software nunca es una tarea sencilla, requiere de un análisis riguroso de las necesidades reales del sistema para poder adaptar soluciones que sean óptimas para el desempeño del mismo. Esto entra en conflicto directo con las metodologías actuales de gestión de proyectos que, alejándose del tradicional método en cascada, buscan una evolución constante de los requisitos del proyecto y una revisión crítica de los anteriores. Es por ello que la arquitectura software no puede ceñirse en buscar el rendimiento como objetivo principal, sino un compromiso entre la flexibilidad y el rendimiento. En esta arquitectura se ha asociado dicha flexibilidad mediante el desarrollo modular del software. De esta forma, siempre que se respeten las interfaces de comunicación, podemos adaptarnos a los requisitos que vayan siendo descubiertos a lo largo del desarrollo. Como se puede observar en la figura 3.1, el sistema completo consta de un total de 4 aplicaciones independientes, y cada una de ellas ha sido desarrollada para realizar una tarea concreta, lo cual facilita la depuración de errores del sistema completo. Figura 3.1 Esquema de la arquitectura implementada. 7 8Capítulo 3. Arquitectura del sistema e implementación 3.1.1 Planificador de trayectorias Se trata del núcleo principal de funcionamiento del sistema. Tras recibir la definición de la misión por parte del gestor de misiones y mediante la información recopilada en el mapa de planificación proporciona una serie de waypoints. Dichos waypoints constituyen una ruta realizable para el sistema cuyo modelo es utilizado para comprobar las colisiones. En el Capítulo 4 se expone en detalle el funcionamiento del método propuesto. 3.1.2 Gestor de misiones Aplicación auxiliar del sistema que proporcionará los waypoints que definen la misión a realizar. Este trabajo se ha realizado mediante la implementación de una aplicación con interfaz gráfica que permite enviar una serie de misiones previamente definidas. En una implementación rigurosa del sistema, esta función estaría embebida en un sistema HMI que usaría el operario responsable de la embarcación. 3.1.3 Visualizador Aplicación auxiliar del sistema que proporciona una representación gráfica del estado del sistema. Mediante esta aplicación se mostrará por pantalla información de utilidad como: la misión solicitada, el estado de la embarcación, el mapa considerado en la planificación, así como la ruta propuesta. En una implementación rigurosa del sistema, esta función estaría embebida en un sistema HMI que usaría el operario responsable de la embarcación. 3.1.4 Mapa de planificación Esta aplicación proporcionará la información requerida por la aplicación ¨Planificador de trayectorias¨para poder determinar las zonas navegables. Queda fuera del alcance de este trabajo el funcionamiento de esta aplicación. Desde el punto de vista del sistema completo, esta aplicación recibirá un punto en coordenadas geodésicas, un radio en kilómetros y una profundidad en metros y devolverá un listado de polígonos cerrados complejos definidos por una serie de puntos ordenados en coordenadas geodésicas. Todo elemento devuelto por esta aplicación será tratado como un obstáculo para el sistema. 3.2 Medios utilizados En esta sección se detallarán las herramientas utilizadas para llevar a cabo del trabajo, así como una justificación del uso de estas. Se ha tratado de usar, siempre que ha sido posible, herramientas de software libre. 3.2.1 Lenguajes utilizados Para el desarrollo del proyecto se han utilizado distintos lenguajes de programación, dependiendo de las necesidades de cada tarea: 1. MATLAB-SimuLink Se trata del lenguaje sobre el que se ha desarrollado el planificador. La decisión de usar MATLAB y no otro entorno de desarrollo fue tomada debido a la facilidad de integrar el modelado del sistema en bucle cerrado del USV, además de ofrecer una plataforma de depuración fácil e integración con ROS. 2. C++ Mediante el generador de código que proporciona MATLAB se ha implementado el sistema de planificación en C++ permitiendo mayor eficiencia y, por ende, reduciendo los tiempos de planificación. Dicho esto, supone una desventaja importante a la hora de desarrollar, ya que se ha incluido un paso intermedio entre el desarrollo e implementación que conlleva un aumento sustancial de los tiempos de despliegue y depuración. 3. Python Python ha sido utilizado como lenguaje auxiliar para desarrollar aplicaciones de test y de interfaz para realizar simulaciones del sistema completo. Gracias a la facilidad y flexibilidad del lenguaje es idóneo para este tipo de tareas que no requieren un alto coste computacional. 3.2.2 Programas utilizados Los programas utilizados durante el desarrollo del proyecto han sido los siguientes: 3.2 Medios utilizados 9 1. ROS Robot Operating System es un framework de código abierto que proporciona un entorno estructurado y robusto para el desarrollo de software para robots. Se puede definir como una colección de herramientas, librerías y convenciones que facilitan el desarrollo de software enfocado a la robótica [14]. 2. Git Por último, he querido mencionar el uso del software de control de versiones durante la totalidad del proyecto. La decisión de usar Git y no otro software es debido a que ya tenía experiencia con el mismo y lo considero una herramienta importante a la hora de desarrollar un proyecto. 4 Método de planificación ¡Mira detrás de ti! ¡Un mono con tres cabezas!. Guybrush Threepwood, 1990 En este capítulo se expondrá el método desarrollado para este trabajo, un algoritmo de planificación de la rama de exploración aleatoria enfocado en asegurar la factibilidad de las rutas generadas mediante la comprobación de colisiones utilizando tanto una geometría aproximada del elemento móvil como un modelo dinámico del mismo. Este capítulo se dividirá en dos secciones: la primera de ellas enfocada al algoritmo de exploración y la segunda a presentar el modelo dinámico empleado por el algoritmo. 4.1 RRT*-DA Figura 4.1 Evolución de la longitud de la ruta planificada durante el proceso de planificación mediante un algoritmo RRT*. La primera solución se encuentra en el instante T1. El resto del tiempo de planificación disponible Tp se invierte en optimizar la solución.. En línea con las consideraciones anteriores, se planteará una estrategia de planificación basada en algoritmos de muestreo aleatorio. En concreto, se pretende hacer uso de la familia de algoritmos RRT* [ 6 ]. Como se representa en la Figura 4.1, el algoritmo RRT* se caracteriza por ser un algoritmo asintóticamente óptimo, ya que la longitud de la ruta planificada tiende al valor óptimo a medida que se aumenta el tiempo de planificación. Dicho algoritmo RRT* permite encontrar rutas navegables en tiempos reducidos (T1 en la figura), optimizando su longitud durante el tiempo de planificación disponible restante (Tp en la figura). Adicionalmente, con el fin de minimizar los tiempos de cálculo mientras se maximiza la eficiencia de la ruta, 11 18 Capítulo 5. Experimentos Figura 5.4 Misión inicial planificada para el experimento de replanificación y zona de exclusión validada. Figura 5.5 Misión replanificada tras la validación de una zona de exclusión. 5.2.4 Conclusiones Mediante este experimento se ha validado la capacidad del planificador para ofrecer rutas alternativas, evitando así la colisión con elementos no considerados en la planificación inicial. 5.3 Seguimiento de trayectorias Una vez validada la capacidad del planificador de generar rutas coherentes, se continuará realizando experimentos para la validación de la capacidad de generar rutas realizables para un sistema igual al modelo impuesto en las restricciones cinemáticas y dinámicas durante la etapa de exploración. En este experimento se evaluará la capacidad del planificador de surtir al sistema de control de los waypoints para generar las trayectorias de seguimiento. Además, se comprobará que las trayectorias son factibles bajo las restricciones cinemáticas y dinámicas impuestas por el modelo. 5.4 Tiempos de planificación 19 5.3.1 Motivación La motivación principal de este experimento es evaluar la capacidad del planificador de calcular una ruta factible para el modelo implementado. Adicionalmente, se evaluará la capacidad del planificador de surtir de puntos objetivo al seguimiento de rutas mientras calcula posibles nuevas colisiones provocadas por las desviaciones del sistema durante la realización de la ruta. 5.3.2 Condiciones Se define una misión con colisión con costa, se generará la ruta de forma autónoma y se realizará una simulación del modelo que complete dicha ruta. 5.3.3 Resultados Tras la realización del experimento bajo distintas condiciones se ejemplifica el resultado de este mediante la Figura 5.6 de las zonas negras representan los obstáculos del mapa de planificación, las marcas violetas presentan los puntos objetivos de la misión, las circunferencias azules representan los waypoints generados por el planificador. Figura 5.6 Misión planificada y realizada de forma autónoma. 5.3.4 Conclusiones Mediante este experimento se ha validado la capacidad del planificador para generar rutas factibles para las condiciones del modelo implementado, así como la capacidad de aportar waypoints al seguimiento de rutas mientras calcula posibles nuevas colisiones. 5.4 Tiempos de planificación Tras las validaciones anteriores restará comprobar que los tiempos de planificación son suficientemente rápidos como para ser utilizados de forma online. Esto quiere decir sería posible realizar la completa planificación de una ruta dentro de un tiempo tolerable. Los tiempos de planificación son altamente variables debido a una amplia variedad de parámetros que pueden afectar a los cálculos, es por ello que las condiciones de este experimento estarán acotadas bajo suposiciones de uso real. 5.4.1 Motivación La motivación principal de este experimento es evaluar la capacidad del planificador de calcular una ruta factible dentro de un tiempo tolerable que permita su ejecución. 20 Capítulo 5. Experimentos 5.4.2 Condiciones Se establecen las siguientes condiciones en este experimento: 1. Se considera un tiempo máximo de planificación de 20 segundos. Si durante este tiempo no se ha encontrado una ruta a efectos de este experimento se considerará como una ruta no realizable. 2. La distancia máxima de la ruta será de 4 kilómetros. 3. La ruta deberá contener tramos que colisionen con costa, esta condición descarta rutas que puedan ser resueltas únicamente uniendo los tramos proporcionados sin añadir WP intermedios. 4. Se realizará un total de 20 ejercicios, un número suficiente para caracterizar el comportamiento no determinista del método presentado. 5.4.3 Resultados Durante distintos ejercicios se recogen los tiempos correspondientes a la obtención de la solución inicial (T1) y el tiempo total de planificación (TP), tal y como se puede observar en la Figura 5.7. Cabe destacar que se han detectado dos comportamientos inesperados durante la experimentación: El primero de ellos se puede observar en los ejercicios 3 y 8, en los cuales el tiempo de planificación se ve reducido respecto al máximo valor establecido, además de forma no consistente en el instante de finalización. Tras un análisis detallado se ha determinado que este comportamiento se produce al planificar rutas especialmente cortas, las cuales, producen un área de planificación pequeña y produciendo un aumento en la velocidad de cómputo hasta llegar al máximo de iteraciones establecidas, 3000 en estos experimentos. El segundo de ellos se puede observar en el ejercicio 16, en el cual el tiempo de planificación y el tiempo hasta obtener una solución inicial son igual. Este comportamiento se manifiesta tras la incapacidad del planificacior de obtener una ruta factible y, por tanto, fallar el experimento. Figura 5.7 Registro de instantes en los que se encuentra una solución inicial.. 5.4.4 Conclusiones Mediante este experimento se ha validado la capacidad del planificador para proporcionar rutas factibles bajo limitaciones temporales que habilitan la posibilidad de emplearlo para el cálculo de rutas online. Se ha detectado que bajo misiones especialmente complejas, debido a los obstáculos implicados, se incrementa considerablemente el porcentaje de error. Un caso puede observarse en la Figura 5.8. 5.4 Tiempos de planificación 21 Figura 5.8 Ejemplo de misión especialmente compleja para el planificador debido a los obstáculos implicados. 6 Conclusiones y trabajos futuros Always look on the bright side of life. La vida de Bryan, 1979 Co mo capítulo final de este trabajo de fin de máster se presentan las conclusiones recogidas a lo largo de su desarrollo y validación tras realizar los experimentos, así como un apartado final dedicado posibles líneas de trabajos futuros. 6.1 Conclusiones Tras evaluar los experimentos realizados, los siguientes hitos del proyecto han sido superados: 1. Tiempo de planificación: Se ha conseguido desarrollar e implementar una metodología de planificación que permite cumplir con las restricciones impuestas en el tiempo de planificación. 2. Planificación con restricciones cinemáticas y dinámicas: Queda demostrado en los experimentos que las rutas realizadas mediante las restricciones cinemáticas y dinámicas impuestas por el modelo produce trayectorias factibles para el sistema definido. 3. Replanificación de trayectorias: Tras la detección de nuevos obstáculos el planificador genera trayectorias coherentes para la evasión del obstáculo y la continuación con la misión definida. 6.2 Trabajos futuros Debido a la limitación de tiempo algunas ideas se han ido descartando o aplazando a lo largo del desarrollo del proyecto en pos de centrar los recursos en elementos más importantes. Tras el estudio del estado del arte de la planificación de trayectorias y la experiencia ganada tras el desarrollo de este proyecto, surgen las siguientes líneas de trabajo futuro: 6.2.1 Información semántica del entorno En la planificación de trayectorias para robots marítimos contamos con elemento muy interesante, la cartografía náutica. Como se puede observar en la Figura 6.1 la cartografía contiene un mapa detallado de información valiosa para la planificación como: líneas de costa, veriles, boyas con información referente a la restricción que imponen. Toda esta información y más puede ser integrada en un planificador para obtener rutas que tengan en cuenta la normativa naval. 23 24 Capítulo 6. Conclusiones y trabajos futuros Figura 6.1 Captura de la cartografía náutica de Ceuta [11]. 6.2.2 Evaluación del error del modelo mediante estimación del estado del mar El modelo que se emplea para la definición de las restricciones dinámicas y cinemáticas estaba caracterizado bajo unas condiciones del estado de mar determinada. Mediante la estimación del estado de mar durante la planificación se podría variar la geometría de la embarcación para tener en cuenta posibles inexactitudes del modelo y aumentar la seguridad. 6.2.3 Planificación con posicionamiento dinámico La embarcación del proyecto FAVENTAN cuenta con la posibilidad de ser comandado mediante posicionamiento dinámico, de esta forma el sistema pasa a ser tratado como un sistema holónomo y es posible realizar trayectorias que serían imposibles para el sistema no holónomo. Una posible línea de desarrollo futuro podría ser la planificación bajo estas condiciones en entornos de puerto o durante maniobras de atraque y desatraque. 6.2.4 Planificación con COLREGs Las COLREGs definen la actuación esperada de una embarcación durante una situación de aproximación a otra embarcación, dicho con otras palabras define la actuación frente a situaciones con posibilidad de colisión entre dos embarcaciones. En el proyecto FAVENTAN el sistema reactivo cuenta con una interpretación de dicha normativa, una posible línea de desarrollo futuro sería implementar dicho reglamento en el planificador para aumentar sus capacidades autónomas y seguridad. 6.2.5 Replanificación frente a elementos dinámicos Actualmente, el planificador considera todos los obstáculos como elementos estáticos, velocidad y aceleración nula. Esto es así debido al incremento en el coste computacional que sería integrar en el espacio de planificación el tiempo como variable, además del tratamiento de la estimación de los vectores velocidad y aceleración de los obstáculos. Una línea de futuro abierta en este trabajo es el estudio de la planificación frente a obstáculos dinámicos. 6.2.6 Paralelización del proceso de planificación Aunque en el estado final del proyecto hay procesos que aprovechan las bondades de la paralelización, aún quedan muchas tareas que pueden paralelizarse y con ello mejorar el rendimiento total del sistema. Queda pendiente dicha tarea para trabajos futuros. Índice de Figuras 1.1 Imagen de la embarcación Vendaval 2 2.1 Esquema de los distintos enfoques existentes en la actualidad al problema de "Path planning" [17] 5 2.2 Algoritmo RRT*-DA: Optimal Rapidly-exploring Random Tree algorithm that incorporates dynamics awareness [1] 6 2.3 Planteamiento de la arquitectura para realización de misiones totalmente autónomas mediante USVs [ 19 ] 6 3.1 Esquema de la arquitectura implementada 7 4.1 Evolución de la longitud de la ruta planificada durante el proceso de planificación mediante un algoritmo RRT*. La primera solución se encuentra en el instante T1. El resto del tiempo de planificación disponible Tp se invierte en optimizar la solución. 11 4.2 Detalles del funcionamiento del algoritmo RRT*: función STEER (arriba izquierda), función COLLISION (arriba derecha) y funciones NEAR, ADD y REWIRE (abajo) 13 4.3 Ejes tierra y cuerpo del sistema [4] 13 5.1 Visualización amplia de los elementos considerados como obstáculos (rojo) sobre el Puerto de Ceuta 16 5.2 Visualización en detalle de los elementos considerados como obstáculos (rojo) sobre el Puerto de Ceuta 16 5.3 Misión inicial planificada para el experimento de replanificación 17 5.4 Misión inicial planificada para el experimento de replanificación y zona de exclusión validada 18 5.5 Misión replanificada tras la validación de una zona de exclusión 18 5.6 Misión planificada y realizada de forma autónoma 19 5.7 Registro de instantes en los que se encuentra una solución inicial. 20 5.8 Ejemplo de misión especialmente compleja para el planificador debido a los obstáculos implicados 21 6.1 Captura de la cartografía náutica de Ceuta [11] 24 25 Bibliografía [1] Alvaro Caballero, Manuel Bejar, Angel Rodriguez-Castaño, and Anibal Ollero, Motion planning with dynamics awareness for long reach manipulation in aerial robotic systems with two arms , International Journal of Advanced Robotic Systems 15 (2018), no. 3, 1729881418770525. [2] Laurène Claussmann, Marc Revilloud, Dominique Gruyer, and Sébastien Glaser, A review of motion planning for highway autonomous driving , IEEE Transactions on Intelligent Transportation Systems 21 (2020), no. 5, 1826–1848. [3] Yang Gu, Zhenwei Rong, Huzhou Tong, Jia Wang, Yulin Si, and Shujie Yang, Unmanned surface vehicle collision avoidance path planning in restricted waters using multi-objective optimisation complying with colregs, Sensors 22 (2022), no. 15. [4] Rafael Guardeño, Manuel J. López, Jesús Sánchez, and Agustín Consegliere, Autotuning environment for static obstacle avoidance methods applied to usvs , Journal of Marine Science and Engineering 8 (2020), no. 5. [5] Robert Harrison, Dynamically integrating manufacturing automation with logistics , 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), 2019, pp. 21–22. [6] Sertac Karaman and Emilio Frazzoli, Sampling-based algorithms for optimal motion planning , CoRR abs/1105.1186 (2011). [7] Steven M LaValle and James J Kuffner Jr, Randomized kinodynamic planning , The International Journal of Robotics Research 20 (2001), no. 5, 378–400. [8] Luis Lüttgens, Benjamin Jurgelucks, Heinrich Wernsing, Sylvain Roy, Christof Büskens, and Kathrin Flaßkamp, Autonomous navigation of ships by combining optimal trajectory planning with informed graph search, Mathematical and Computer Modelling of Dynamical Systems 28 (2022), no. 1, 1–27. [9] Dongfang Ma, Shunfeng Hao, Weihao Ma, Huarong Zheng, and Xiuli Xu, An optimal control-based path planning method for unmanned surface vehicles in complex environments , Ocean Engineering 245 (2022), 110532. [10] Helen Oleynikova, Dominik Honegger, and Marc Pollefeys, Reactive avoidance using embedded stereo vision for mav flight , 2015 IEEE International Conference on Robotics and Automation (ICRA), 2015, pp. 50–56. [11] OpenSeaMap, Visor cartográfico online, 2023. [12] Lucía Hilario Pérez, Marta Covadonga Mora Aguilar, Nicolás Montés Sánchez, and Antonio Falcó Montesinos, Path planning based on parametric curves , Advanced Path Planning for Mobile Entities (Rastislav Róka, ed.), IntechOpen, Rijeka, 2017. [13] Guohu Qian, Xiang Zheng, Jianhua Wang, Zhigang Xie, Qiwen Wu, and Wei Xu, Equilateral triangular formation of unmanned surface vehicles for target tracking with event-triggered collision avoidance , Ocean Engineering 267 (2023), 113211. 27