Rob´o ica Colabo a i a Ma ina: Explo ando Escena ios con NauSim y YOLO
O iz-To o, Césa An onioa,∗, Gu i´e ez, Al a oa, Chaos-Ga c´ıa, Dic inob, Ce ada-Collado, C is inab, Luque-Nie o, Miguel
Ángelc, Clemen e-Medina, M. Ca menc
aEscuela T´ecnica Supe io de Ingenie os de Telecomunicaci´on, Uni e sidad Poli ´ecnica de Mad id, A enida Complu ense, 30, 28040 Mad id, Espa˜na
bDepa amen o de Ciencias de la Compu aci´on y Con ol Au om´a ico UNED , Mad id, Mad id, Espa˜na.
cIns i u o de Ingenie ´ıa Oce´anica, Escuela T´ecnica Supe io de Ingenie ´ıa de Telecomunicaci´on, Uni e sidad de M´alaga, Ce an es, 2. 29071 M´alaga Espa˜na.
To ci e his a icle: O iz-To o, C.A., Gu i´e ez, A., Chaos-Ga c´ıa, D., Luque-Nie o, M.A., Ce ada-Collado, C.,
Clemen e-Medina, M.C. 2025. Collabo a i e Ma ine Robo ics: Explo ing Scena ios wi h NauSim and YOLO.
Jo nadas de Au om´a ica, 46. h ps://doi.o g/10.17979/ja-cea.2025.46.12260
Resumen
Es e a ´
ıculo p esen a los esul ados de las p uebas con NauSim, un simulado de c´
odigo abie o pa a d ones acu´
a icos, jun o
con el sis ema de isi´
on po compu ado YOLO en el con ex o de la ob´
o ica colabo a i a pa a el con ol y posicionamien o de
eh´
ıculos de supe icie no ipulados (USV). Se desa ollan algo i mos de con ol pa a a eas como o maciones, seguimien o
de u as y e asi´
on de obs ´
aculos, que se p ueban en simulaci´
on y en escena ios eales. Los esul ados mues an un no able
endimien o gene al del sis ema y buena co espondencia en e la simulaci´
on y la ealidad, apoyando la iabilidad del sis ema
p opues o.
Palab as cla e: Simulaci´
on, Veh´
ıculos Ma ´
ı imos Au ´
onomos, Sis emas mul i eh´
ıculo, Senso es/ac uado es, Na egaci´
on,
P og amaci´
on y Visi´
on
Collabo a i e Ma ine Robo ics: Explo ing Scena ios wi h NauSim and YOLO
Abs ac
This wo k p esen s he esul s o es s wi h NauSim, an open sou ce simula o o wa e bo ne d ones, oge he wi h he
YOLO compu e ision sys em in he con ex o collabo a i e obo ics o he con ol and posi ioning o unmanned su ace
ehicles (USVs). Con ol algo i hms o asks such as o ma ions, ou e ollowing and obs acle a oidance a e de eloped and
es ed in simula ion and eal scena ios. The esul s show ema kable o e all sys em pe o mance and good co espondence
be ween simula ion and eali y, suppo ing he easibili y o he p oposed sys em.
Keywo ds: Simula ion, Unmanned ma ine ehicles, Mul i- ehicle sys ems, Senso s and ac ua o s, Robo Na iga ion,
P og amming and Vision
1. In oducci´
on
La na egaci´
on au ´
onoma de eh´
ıculos de supe icie no i-
pulados (USV) ha eme gido como un campo de in es igaci´
on
de g an impo ancia en di e sas aplicaciones, desde la moni o-
izaci´
on ambien al y la inspecci´
on de in aes uc u as has a la
segu idad y de ensa como se mues a en Ba e a e al. (2021).
La capacidad de los USV pa a ope a de mane a au ´
onoma, in-
di idualmen e o en o maciones, o ece en ajas signi ica i as
en ´
e minos de e iciencia, segu idad y cobe u a.
Sin emba go, el desa ollo de sis emas de con ol obus-
os pa a la na egaci´
on en en o nos ma inos p esen a desa ´
ıos
debido a la din´
amica no lineal de los eh´
ıculos, las pe u ba-
ciones ambien ales (co ien es, ien o, olas) y la necesidad de
pe cibi y eacciona an e un en o no din´
amico. Es o hace el
uso de simulado es esencial en el desa ollo de sis emas de
con ol, especialmen e en las ases iniciales del dise˜
no y las
p uebas iniciales de eh´
ıculos ma inos, ya que educen la ne-
cesidad de acceso cons an e a un en o no acu´
a ico eal y un
con ol sob e el en o no que, de o a mane a, no se ´
ıa posi-
∗Au o pa a co espondencia: [email p o ec ed]
A ibu ion-NonComme cial-Sha eAlike 4.0 In e na ional (CC BY-NC-SA 4.0)
O iz-To o, C.A. e al. /Jo nadas de Au om´a ica, 45 (2025)
ble. Se han desa ollado nume osas he amien as pa a es e in,
como UWSim en P a s e al. (2012) y la ex ensi´
on pa a Ga-
zebo ”UUV Simula o ” en Manh˜
aes e al. (2016). Tambi´
en
exis en paque es que in eg an uncionalidades de simulaci´
on
en pla a o mas conocidas como MATLAB™/Simulink™( e
de Ce quei a Ga a e al. (2022)). La endencia ac ual se in-
clina po simulado es que o ecen g an idelidad isual u ili-
zando mo o es 3D come ciales, como HoloOcean p esen ado
en Po oka e al. (2022) y UNa -Sim (Ame e al., 2023). Sin
emba go, es o puede gene a dependencia de la es uc u a y
las limi aciones de dichos mo o es.
Po o o lado, si bien exis en m´
ul iples o mas de ob e-
ne la posici´
on de un USV como puede e se en Qiao e al.
(2023) y Peng e al. (2020), la posibilidad de usa posicio-
namien o median e an´
alisis de imagen ex e na en iempo eal
no ha sido con enien emen e explo ada. Cie amen e el con-
cep o p esen a m´
ul iples p oblemas, como un ango limi ado
y el se ulne able a los cambios de iluminaci´
on del en o no
o a condiciones a mos ´
e icas ines ables. Sin emba go, su bajo
cos e an o de desa ollo, al ene disponible una c´
ama a, co-
mo de despliegue lo con ie e en una opci´
on muy con enien e
en las p ime as ases de un p oyec o o cuando la simplicidad
del obo o la can idad de eh´
ıculos en el sis ema desaconsejan
m´
e odos m´
as complejos.
Es e abajo se cen a en el dise˜
no, simulaci´
on y alida-
ci´
on expe imen al de algo i mos de con ol pa a USV, u ili-
zando YOLO (You Only Look Once) (espec´
ı icamen e YO-
LO 8, e Va ghese and Samba h (2024)), como sis ema de
posicionamien o abo dando es capacidades undamen ales:
el man enimien o de o maciones (es ´
a icas y din´
amicas), el
seguimien o de u as con e asi´
on de obs ´
aculos y el compo -
amien o de bandada. La me odolog´
ıa p opues a in eg a el uso
de un simulado de desa ollo p opio, NAUSIM (O iz-To o
e al., 2024), pa a la ase de dise˜
no y es eo inicial de los con-
olado es, seguida de p uebas con los eh´
ıculos eales pa a
alida el endimien o de los algo i mos en condiciones ope-
a i as, an o en un en o no con olado, como en ins alaciones
po ua ias.
2. Ma e iales y m´
e odos
Es e abajo se encuad a den o del p oyec o ”He e oge-
neous subma ine ne wo ks o collabo a i e, dynamic and p o-
i able explo a ion” (NEMO4EX). Es e p oyec o busca c ea
enjamb es de eh´
ıculos au ´
onomos peque˜
nos y econ´
omicos
pa a ges iona a eas coo dinadas sin in e enci´
on humana
di ec a. Es os enjamb es ac ua ´
an como un sis ema descen-
alizado que decidi ´
a au ´
onomamen e el despliegue de cada
eh´
ıculo y adap a ´
a su cobe u a seg´
un las necesidades del
en o no y la in o maci´
on colec i a, o eciendo se icios co-
mo posicionamien o, ecogida de da os y eca ga de ba e ´
ıas
pa a o os nodos.
Se plan ea un en oque de desa ollo h´
ıb ido, donde la ase
inicial de dise˜
no y alidaci´
on se ealiza en un en o no simu-
lado, y pos e io men e se ans ie e a una pla a o ma eal pa-
a p uebas exhaus i as. Como en o no simulado, an o pa a el
dise˜
no y la alidaci´
on como pa a el con ol de las p uebas en
en o nos eales se u iliza el simulado NauSIM.
El sis ema desc i o emplea es eh´
ıculos BlueROV2 (Ro-
bo ics, 2016) en su con igu aci´
on pesada (Figu a 1), adap ados
pa a ope a como eh´
ıculo de supe icie no ipulado(USV).
Cada BlueROV2, en su con igu aci´
on pesada, iene cua o p o-
pulso es ho izon ales y cua o e icales, pe mi iendo seis g a-
dos de libe ad. Es ´
an con olados po una Raspbe y Pi con
una placa de expansi´
on que in eg a una unidad de medici´
on
ine cial, un magne ´
ome o y un senso de p esi´
on. Adem´
as,
cada eh´
ıculo es ´
a equipado con un apa a o de ecosondeo y
un sona mec´
anico de ba ido pa a na egaci´
on.
Los es obo s es ´
an conec ados a un ´
unico o denado cen-
al a a ´
es de enlaces USB con igu ados como in e aces de
ed IP, con cada obo a ado como una en idad au ´
onoma con
acceso exclusi o a sus p opios senso es. El mo imien o de ca-
da obo se ges iona median e dos con olado es PID indepen-
dien es (uno pa a el a ance lineal y o o pa a el gi o angu-
la ), cuyos pa ´
ame os se a ina on inicialmen e en simulaci´
on
y luego expe imen almen e. Es os con olado es gene an alo-
es de ac i aci´
on que son con e idos en comandos MAVLink
(Koubˆ
aa e al., 2019) po la unidad cen al y en iados a ca-
da eh´
ıculo, ce ando el ciclo de con ol. La coo dinaci´
on en-
e los obo s se acili a median e el in e cambio de mensajes
den o del simulado , lo que es el ´
unico m´
e odo pa a com-
pa i in o maci´
on en e ellos. Es e dise˜
no en a iza la modu-
la idad, escalabilidad y la capacidad de simula in e acciones
en e eh´
ıculos comple amen e au ´
onomos.
Figu a 1: Imagen del BlueROV2 en su con igu aci´
on pesada.
Se ealizan p uebas en dos escena ios eales: en el anque
de p uebas del Labo a o io de Pue os, ubicado en las ins a-
laciones de la Escuela T´
ecnica Supe io de Ingenie os Ci iles
de la UPM y en uno de los muelles si uados en la base na al de
Pun ales, en C´
adiz ( e Figu a 2). En es os escena ios, la posi-
ci´
on es imada de cada obo se ob iene a pa i de una c´
ama a
ex e na cap u ando ´
ıdeo en iempo eal, conec ada di ec a-
men e al o denado cen al. Pues o que en un en o no acu´
a ico
eal es muy di ´
ıcil posiciona se en una is a ceni al, en cada
uno de los escena ios se ealiza una calib aci´
on de pe spec-
i a sob e la c´
ama a, haciendo la co ecci´
on co espondien e
en cada uno de los ” ames”del ´
ıdeo, pa a e i a la que la
dis o si´
on de pe spec i a a ec e al posicionamien o. La de ec-
O iz-To o, C.A. e al. /Jo nadas de Au om´a ica, 45 (2025)
ci´
on y posicionamien o de cada uno de los eh´
ıculos se ealiza
median e un modelo gene ado pa iendo de YOLO 8. YOLO
es una a qui ec u a de ed neu onal con olucional (CNN) de
e apa ´
unica dise˜
nada pa a la de ecci´
on de obje os en iempo
eal. YOLO p ocesa la imagen comple a en una sola pasada,
p ediciendo di ec amen e las cajas delimi ado as y las p oba-
bilidades de clase. Es a a qui ec u a pe mi e un p ocesamien-
o no ablemen e ´
apido, ideal pa a aplicaciones en iempo eal
como el guiado de eh´
ıculos au ´
onomos.
Figu a 2: Escena ios de p ueba jun o con sus hom´
ologos i uales; anque de
p uebas del Labo a o io de Pue os en la ila supe io y base na al de Pun ales
en la in e io .
La posici´
on es imada de cada obo se asocia a su iden i i-
cado y es suminis ada exclusi amen e al p oceso de con ol
co espondien e, con igu ´
andose, desde el pun o de is a de
los eh´
ıculos, como un senso m´
as.
2.1. NAUSIM
El n´
ucleo de la a qui ec u a de NauSim se basa en el mo-
delo senso -con olado -ac uado . El modelo de a qui ec u a
senso -con olado -ac uado es un ma co undamen al en el
dise˜
no y ope aci´
on de d ones, asegu ando una ejecuci´
on e i-
cien e y p ecisa de las a eas. Es e modelo di ide la unciona-
lidad del d on en es capas in e conec adas: senso es, con o-
lado es y ac uado es. Es e en oque es uc u ado pe mi e una
e oalimen aci´
on con inua y ajus es en iempo eal, con igu-
ando el d on sea como una he amien a e s´
a il y adap able.
No solo eso, la a qui ec u a a´
ısla los di e en es componen es
del d on, pe mi en an o la eusabilidad de pa es ya imple-
men adas como una ansici´
on sencilla en e el obo simula-
do y el eal. La in e acci´
on de es a a qui ec u a con el mundo
simulado se hace a a ´
es de un modelo ´
ısico, que aduce las
acciones de los ac uado es al es ado en el que se encon a ´
a el
obo den o del espacio simulado.
Senso es: Incluyen an o senso es eales (Posiciona-
mien o, c´
ama as, LIDAR, e c.) como i uales (p ej. ,
de ec o es de colisi´
on). Cada senso se ejecu a en un
hilo independien e con una ecuencia de ac ualizaci´
on
con igu able, simulando de o ma ealis a su compo a-
mien o en el mundo eal. No se dis ingue en e senso es
simulados y eales, lo que pe mi e una in eg aci´
on di-
ec a con ha dwa e eal as el en enamien o de mode-
los de con ol.
Con olado es: P ocesan la in o maci´
on p o enien e de
los senso es pa a gene a o denes pa a los ac uado es.
Pueden a ia desde simples sc ip s has a algo i mos
complejos de ap endizaje. El sis ema pe mi e je a qu´
ıas
de con olado es, acili ando ansiciones en e modos
(po ejemplo, manual y au om´
a ico).
Ac uado es: Los ac uado es (mo o es, se os, e c.) eje-
cu an las ´
o denes del con olado . En simulaci´
on, se
modelan median e in e aces ´
ısicas que aducen o -
denes en mo imien os en el en o no i ual. En obo s
eales, pueden es a conec ados di ec amen e al ha dwa-
e o ges ionados median e middlewa e como MAVLink
o ROS2.
Independien emen e de las uncionalidades que incluya,
un simulado pa a ob´
o ica se suele o ganiza al ededo de
un espacio i ual, una ep esen aci´
on del mundo eal don-
de el p oceso de simulaci´
on iene luga . En es e simulado , la
isualizaci´
on del en o no i ual se ealiza median e el mo-
o Panda3D (Goslin and Mine, 2004). Ac ualmen e bajo li-
cencia BSD y man enido po la ac i a comunidad de usua-
ios, Panda3D (o iginalmen e ”Pla o m Agnos ic Ne wo ked
Display A chi ec u e”, aunque el ac ´
onimo en s´
ı ha ca´
ıdo en
desuso) ue desa ollado inicialmen e po Disney In e ac i e
en 2002 pa a su di isi´
on de ealidad i ual en pa ques em´
a i-
cos. Panda3D o ece un comple o conjun o de uncionalida-
des, es comple amen e mul ipla a o ma, y p esen a una ”in e -
ace” comple amen e desa ollada en Py hon.
2.1.1. Modelo ´ısico
Como modelo ´
ısico pa a la simulaci´
on de es e eh´
ıcu-
lo se han adap ado e implemen ado dos e siones, una sim-
pli icada, una comple a, de los modelos ma em´
a icos de si-
mulaci´
on de din´
amicas pa a BlueROV2. Se u iliza ´
a la no a-
ci´
on compac a de Fossen Fossen (2011). De inimos la eloci-
dad del eh´
ıculo en elaci´
on con el ma co de su cue po como
ν=[u, ,w,p,q, ]T,ν∈R6, donde las seis a iables de elo-
cidad co esponden a la oscilaci´
on, el balanceo, el cabeceo y
la gui˜
nada, y η=[x,y,z, ϕ, θ, ψ]T,η∈R6, como el ec o que
combina las posiciones y los ´
angulos de Eule con espec o al
ma co del mundo. Si se supone que no hay ue zas ex e nas
ales como co ien es o la in luencia de la co ea de sujeci´
on,
su modelo cinem´
a ico se puede exp esa como Ecuaci´
on 1.
(MRB +MA)˙
ν+(CRB(ν)+CA(ν))ν+D(ν)ν+g(η)=τ(1)
Donde:
MRB ∈R6×6: ma iz de masa del cue po ´
ıgido.
MA∈R6×6: ma iz de masa a˜
nadida. La ma iz de ma-
sa a˜
nadida cuan i ica la ine cia a˜
nadida debida al luido
ci cundan e.
O iz-To o, C.A. e al. /Jo nadas de Au om´a ica, 45 (2025)
CRB(ν): ma iz de Co iolis y cen ´
ı uga del cue po ´
ıgi-
do. Es a ma iz desc ibe las ue zas que ac ´
uan sob e
una pa ´
ıcula debido a la o aci´
on del sis ema de e e-
encia.
CA(ν): ma iz de Co iolis pa a la masa a˜
nadida. Cuan-
i ica la ine cia en un en sis ema en o aci´
on esul ado
an o de la o aci´
on del sis ema de e e encia como de
la ine cia adicional debida al luido desplazado.
D(ν): ma iz de amo iguamien o hid odin´
amico. Las
ue zas de amo iguaci´
on son una ue za de a as e e-
sul ado de la iscosidad del luido.
g(η): ec o de ue zas y momen os hid os ´
a icos (g a-
edad y lo abilidad).
τ∈R6: ec o de es ue zos gene ados po los ac uado-
es.
El BlueROV2 en su con igu aci´
on pesada es ´
a equipado
con ocho p opulso es T200. La elaci´
on en e los comandos
de en ada a cada p opulso y las ue zas/momen os gene a-
dos se modela seg´
un la exp esi´
on 2.
τ=B·G(s)·µ(2)
Donde µ∈R8es un ec o de se˜
nales de con ol a los p o-
pulso es (no malizado en [−1,1]), B∈R6×8co esponde a
la ma iz de asignaci´
on de empuje (posici´
on y o ien aci´
on de
los p opulso es) y G(s)∈R8×8es la ma iz de unciones de
ans e encia de los p opulso es.
Finalmen e, adem´
as de la din´
amica, se conside a la ela-
ci´
on cinem´
a ica en e los ma cos de e e encia del eh´
ıculo y
del mundo mos ada en la Ecuaci´
on 3:
˙
η=J(η)·ν(3)
donde J(η) es la ma iz Jacobiana que ans o ma las e-
locidades del body ame al wo ld ame, dependiendo de la
o ien aci´
on del eh´
ıculo.
Es e modelo ha sido implemen ado den o del en o no de
simulaci´
on NauSim u ilizando los pa ´
ame os hid odin´
amicos
medidos expe imen almen e pa a el BlueROV2, seg´
un los da-
os p esen ados en on Benzon e al. (2022) a pa i de los
abajos desa ollados en Wu (2018).
2.2. Casos de uso
Los m´
odulos de con ol se plan ean como m´
aquinas de
es ado simples, donde se ac ualiza una posici´
on obje i o de-
pendiendo de las a iables ele an es en cada momen o y se
deja en manos del con olado PID alcanza dicha posici´
on.
Se han desa ollado e implemen ado los siguien es algo i mos
de con ol :
Fo maciones Es ´
a icas: Los USV se posicionan o man-
do pa ones p ede inidos,(e.g., l´
ınea, i´
angulo, cuad a-
do. Los eh´
ıculos comunican al es o del enjamb e si
han alcanzado su posici´
on asignada y man eniendo la
posici´
on, en caso de se necesa io, has a que el g upo
comple a la o maci´
on especi icada.
Fo maciones Din´
amicas: La o maci´
on se mue e como
una unidad, man eniendo la es uc u a ela i a en e los
eh´
ıculos mien as siguen una ayec o ia global. Es o
implica que cada USV ajus a su posici´
on y elocidad
pa a segui a un l´
ıde i ual o a un pun o de e e encia
en mo imien o, man eniendo la dis ancia y o ien aci´
on
deseadas con espec o a sus ecinos.
Fo maciones de Bandada (Flocking): El algo i mo de
bandada pe mi e que los eh´
ıculos de supe icie no i-
pulados (USV) se mue an jun os de o ma coo dina-
da siguiendo a un l´
ıde o sin con ol cen alizado, ins-
pi ´
andose en la na u aleza. Cada USV sigue eglas lo-
cales como las esbozadas en Reynolds (1987) pa a in-
e ac ua con sus ecinos: e i an colisiones, igualan su
di ecci´
on y elocidad con los USV ce canos, y se man-
ienen ce ca del cen o del g upo. Todos los eh´
ıculos
compa en su posici´
on con la bandada.
Seguimien o de Ru as y E asi´
on: Los USV siguen una
u a p ede inida mien as e i an colisiones con o os
eh´
ıculos. La es a egia de e asi´
on se in eg a con el con-
olado de seguimien o de u a, u ilizando la in o ma-
ci´
on de posicionamien o de YOLO pa a de ec a y p e-
deci las ayec o ias de los obs ´
aculos y gene a ayec-
o ias e asi as. Los eh´
ıculos comunican su posici´
on al
es o del enjamb e.
3. Resul ados
A pa i de una se ie de 1330 con eniendo los USV obje i-
o (BlueROV2 ojo ,BlueROV2 ama illo y BlueROV2 azul)
en di e sas condiciones de iluminaci´
on, ´
angulos y ondos
acu´
a icos, se ha cons uido un conjun o da os e ique ado con
las apa iciones de cada eh´
ıculo, di ididos al y como se
mues a en la Tabla 1. En la Figu a 3 pueden e se algunos
ejemplos de im´
agenes e ique adas pa e del conjun o.
U ilizando es e conjun o se ha gene ado un modelo YO-
LO pa a ealiza el posicionamien o en la escena median e
una c´
ama a ex e na. La alidaci´
on ealizada con el conjun o
de p ueba mues a una no able capacidad pa a di e encia en-
e las ca ego ´
ıas de obje os de inidas, con una p ecisi´
on 0,97,
y un ” ecall” de 0,96. La ma iz de con usi´
on (Tabla 2) o ece
una isi´
on de allada de la calidad de la clasi icaci´
on con cla-
si icaciones e ´
oneas m´
ınimas y un n´
ume o muy limi ado de
casos donde los eh´
ıculos se con unden con el ondo. En cuan-
o a la calidad del posicionamien o en s´
ı, el modelo mues a
una p ecisi´
on p omedio (mAP) de 0,97 pa a un IoU (in e sec-
ci´
on sob e la uni´
on) de 0,5. Aunque el mAP a umb ales de
IoU m´
as es ic os (0,95) es m´
as bajo ,0,62 ,sigue siendo un
esul ado no able y demues a que el modelo es capaz de una
localizaci´
on p ecisa.
Tabla 1: Composici´
on y dis ibuci´
on del conjun o de da os usado en la gene-
aci´
on del modelo YOLO.
En enamien o Validaci´
on Tes To al
V. azul 363 102 99 564
V. ama illo 289 97 92 478
V. ojo 279 98 103 480
To al 931 297 294 1522
O iz-To o, C.A. e al. /Jo nadas de Au om´a ica, 45 (2025)
Figu a 3: Conjun o de da os; ejemplos de im´
agenes e ique adas.
Tabla 2: Modelo pa a la de ecci´
on de los USV en im´
agenes. P uebas con el
conjun o de es ; Ma iz de con usi´
on.
Ac ual
P edicci´
on
V.azul V.ama illo V. ojo Fondo
V. azul 93 1 0 4
V. ama illo 0 87 0 2
V. ojo 1 0 101 3
Fondo 5 4 2 -
Aunque no es es ic amen e necesa io pa a es as p uebas,
pues o que a cada eh´
ıculo le co esponde una clase espec´
ı i-
ca, pa a ob ene una e aluaci´
on m´
as ealis a del endimien-
o de YOLO en escena ios complejos, se u iliza BoT-SORT
(Bounding Box T acke wi h Simple Online Real- ime T ac-
king) pa a ealiza el seguimien o de obje os. BoT-SORT es
una ex ensi´
on com´
un pa a de ec o es como YOLO, que man-
iene iden i icado es ´
unicos pa a los obje os a lo la go del
´
ıdeo, incluso con oclusiones o cambios de pose. La p´
e dida
de seguimien o en BoT-SORT ep esen a un allo sos enido en
la iden i icaci´
on de un obje o a lo la go del iempo, indicando
si uaciones l´
ımi e en la de ecci´
on de im´
agenes que pod ´
ıan
a ec a nega i amen e un p og ama de con ol, lo que la con-
ie e en una m´
e ica m´
as ´
u il que po ejemplo simplemen e el
n´
ume o de allos de YOLO.
Compa ando es os p´
e didas de seguimien o en los en o -
nos de la piscina de la piscina y el pue o, encon amos que
exis e un aumen o sus ancial del n´
ume o de eces que el sis-
ema de posicionamien o pe di´
o la pis a de los obo s en el
escena io del muelle. De es a o ma aunque enemos el iem-
po de p uebas egis ado es simila en los dos casos (43:26 en
18 p uebas di e en es, en el caso del pue o, 39:17 en la pis-
cina, en 16 p uebas) el sis ema pe di´
o es seguimien o de los
eh´
ıculos casi el doble de eces (121 en e a 62). La ma cada
di e encia de endimien o en e los dos en o nos nos da una
idea de c´
omo la complejidad y la a iabilidad del en o no in-
luye en la p ecisi´
on del sis ema de posicionamien o basado
en YOLO.
Cen ´
andonos en el endimien o de los algo i mos de con-
ol, en la Figu a 4 se p esen a una compa aci´
on de las a-
yec o ias seguidas po los eh´
ıculos en di e en es si uaciones,
an o en simulaci´
on como en un en o no eal. Dado que siem-
p e a a exis i di e encias an o en las condiciones iniciales
de las p uebas como en la posibles pe u baciones del en o no
en e escena ios simulados y eales, busca emos e i ica si el
compo amien o p og amado en el simulado se ep oduce de
mane a simila en un escena io ´
ısico con condiciones an´
alo-
gas, an es que una alidaci´
on pu amen e cuan i a i a.
Los eh´
ıculos mues an un compo amien o simila en en-
o nos eales al obse ado en las simulaciones, especialmen e
cuando se u ilizan con olado es sencillos pa a a eas como el
man enimien o de o maciones es ´
a icas y din´
amicas. Los ex-
pe imen os han con i mado que los USV pueden sos ene an-
o o maciones es ´
a icas como din´
amicas, pueden segui u as
y se capaces de e adi o os eh´
ıculos en mo imien o de o -
ma segu a en caso de se necesa io, de o ma simila a como
se compo an en las simulaciones. Es e compo amien o am-
bi´
en se da en el ´
ambi o del compo amien o de bandada, donde
se e idencian los compo amien o eme gen es de o maciones
cohe en es y din´
amicas ipos de las eglas de bandada an o en
en o nos simulados como eales.
Si bien es un si uaci´
on espe ada y ambi´
en p esen e en
escena ios simulados, exis e una endencia en los eh´
ıculos
a ”desliza se” de sus posiciones en las o maciones es ´
a icas
con mayo acilidad en un en o no eal. De mane a simila ,
las p uebas en escena ios eales, pa icula men e las ealiza-
das en el pue o, e elan ayec o ias m´
as i egula es pa a los
eh´
ıculos. A pesa de es a ines abilidad, el esul ado gene al
no se e comp ome ido g acias a la acci´
on compensa o ia de
los con olado es PID, que ges ionan e icazmen e es as pe -
u baciones. Cabe des aca que, a pesa de su simplicidad, los
con olado es p obados demues an una no able esiliencia an-
e allos en el posicionamien o, lo que sub aya su obus ez en
condiciones ope a i as di e sas.
4. Conclusiones
Los esul ados ob enidos en es as p uebas mues an an o
la e icacia de NauSim como una he amien a obus a pa a el
desa ollo, p ueba y alidaci´
on expe imen al de algo i mos de
con ol pa a eh´
ıculos de supe icie no ipulados (USV). Se
ha demos ado con ´
exi o el desa ollo de algo i mos de con ol
pa a el man enimien o de o maciones (es ´
a icas y din´
amicas),
el seguimien o de u as con e asi´
on de obs ´
aculos y el compo -
amien o de bandada. La in eg aci´
on de YOLO como sis ema
de posicionamien o en iempo eal se mues a como una so-
luci´
on econ´
omica y de ´
apida implemen aci´
on pa a en o nos
acu´
a icos, p opo cionando esul ados p ecisos y con iables, a
pesa de los allos en el seguimien o obse ados debido a a-
iaciones en iluminaci´
on, ondos complejos y oclusiones.
Ag adecimien os
Es e abajo cuen a con el apoyo de la sub-
enci´
on PID2023-146540OB inanciada po MCI-
N/AEI/10.13039/501100011033. Es e abajo ha sido pa -
cialmen e inanciado po la Comisi´
on Eu opea en el con ex o
del p oyec o SMAUG, inanciado po Ho izon Eu ope G an
Ag eemen Acue do 101121129
Re e encias
Ame , A., ´
Al a ez-Tu˜
n´
on, O., U˘
gu lu, H. ˙
I., Seje sen, J. L. F., B odskiy, Y.,
Kayacan, E., 2023. Una -sim: A isually ealis ic unde wa e obo ics si-
O iz-To o, C.A. e al. /Jo nadas de Au om´a ica, 45 (2025)
(a) (b)
(c) (d)
Figu a 4: Ras o de mo imien o; compa a i a del compo amien o de los con olado es en a ias si uaciones en escena ios i uales y eales u ilizando 3 eh´
ıcu-
los di e en es. En la Figu a 4(a) se mues a el mo imien o seguido al cambia de una o maci´
on en l´
ınea a una o maci´
on en i´
angulo. En Figu a 4(b) se compa a
el cambio de di ecci´
on en una o maci´
on din´
amica en iangulo. La Figu a 4(c) mues a el compo amien o de una bandada al ealiza un cambio de di ecci´
on. En
la Figu a 4(d) se pueden e las simili udes en el mo imien o en un escena io i ual y un ap ueba eal en una si uaci´
on de e asi´
on de colisiones en e eh´
ıculos.
mula o and syn he ic da a-gene a ion amewo k. In: 2023 21s In e na-
ional Con e ence on Ad anced Robo ics (ICAR). IEEE, pp. 570–576.
DOI: 10.48550/a Xi .2310.11927
Ba e a, C., Pad on, I., Luis, F., Llinas, O., 2021. T ends and challenges in
unmanned su ace ehicles (us ): F om su ey o shipping. T ansNa : In-
e na ional Jou nal on Ma ine Na iga ion and Sa e y o Sea T anspo a ion
15.
DOI: 10.12716/1001.15.01.13
de Ce quei a Ga a, P. D., Nascimen o J´
unio , C. L., Belchio de F anc¸a Sil a,
J. R., Adabo, G. J., 2022. Simu2 i a: A gene al pu pose unde wa e ehi-
cle simula o . Senso s 22 (9), 3255.
DOI: 10.3390/s22093255
Fossen, T. I., 2011. Handbook o ma ine c a hyd odynamics and mo ion
con ol. John Wiley & Sons.
DOI: 10.1002/9781119994138
Goslin, M., Mine, M. R., 2004. The panda3d g aphics engine. Compu e
37 (10), 112–114.
DOI: 10.1109/MC.2004.180
Koubˆ
aa, A., Allouch, A., Alajlan, M., Ja ed, Y., Belghi h, A., Khalgui, M.,
2019. Mic o ai ehicle link (ma link) in a nu shell: A su ey. IEEE Ac-
cess 7, 87658–87680.
DOI: 10.1109/ACCESS.2019.2924410
Manh˜
aes, M. M. M., Sche e , S. A., Voss, M., Doua , L. R., Rauschenbach,
T., 2016. Uu simula o : A gazebo-based package o unde wa e in e en-
ion and mul i- obo simula ion. In: OCEANS 2016 MTS/IEEE Mon e ey.
Ieee, pp. 1–8.
DOI: 10.1109/OCEANS.2016.7761080
O iz-To o, C. A., Ce ada-Collado, C., Mo eno-Salinas, D., Chaos-Ga cia,
D., Ga cia-Su´
a ez, K. L., O e o-Ro h, P., Vidal-Pe ez, J. M., Luque-
Nie o, M. A., V´
azquez, A. I., F aile-A danuy, J. J., Neg o-Valdecan os,
V., Jimenez-Yguacel, E., A anda-Almansa, J., Zazo-Bello, S., Zu i ia, P. J.,
Magdalena-Layos, L., Pa as-Mo al, J., Gu ie ez, A., 2024. Explo ing uu
de elopmen wi h nausim: An open-sou ce simula ion pla o m. In: 2024
Global Con e ence on Wi eless and Op ical Technologies (GCWOT). pp.
1–7.
DOI: 10.1109/GCWOT63882.2024.10805602
Peng, Z., Wang, J., Wang, D., Han, Q.-L., 2020. An o e iew o ecen ad an-
ces in coo dina ed con ol o mul iple au onomous su ace ehicles. IEEE
T ansac ions on Indus ial In o ma ics 17 (2), 732–745.
DOI: 10.1109/TII.2020.3004343
Po oka , E., Ash o d, S., Kaess, M., Mangelson, J. G., 2022. Holoocean: An
unde wa e obo ics simula o . In: 2022 In e na ional Con e ence on Ro-
bo ics and Au oma ion (ICRA). IEEE, pp. 3040–3046.
DOI: 10.1109/ICRA46639.2022.9812353
P a s, M., Pe ez, J., Fe n´
andez, J. J., Sanz, P. J., 2012. An open sou ce ool
o simula ion and supe ision o unde wa e in e en ion missions. In:
2012 IEEE/RSJ in e na ional con e ence on In elligen Robo s and Sys-
ems. IEEE, pp. 2577–2582.
DOI: 10.1109/IROS.2012.6385788
Qiao, Y., Yin, J., Wang, W., Dua e, F., Yang, J., Ra i, C., 2023. Su ey o
deep lea ning o au onomous su ace ehicles in ma ine en i onmen s.
IEEE T ansac ions on In elligen T anspo a ion Sys ems 24 (4), 3678–
3701.
DOI: 10.1109/TITS.2023.3235911
Reynolds, C. W., 1987. Flocks, he ds and schools: A dis ibu ed beha io-
al model. In: P oceedings o he 14 h annual con e ence on Compu e
g aphics and in e ac i e echniques. pp. 25–34.
DOI: 10.1145/37402.37406
Robo ics, B., 2016. Blue o 2: The wo ld’s mos a o dable high-pe o mance
o . BlueROV2 Da ashee ; Blue Robo ics: To ance, CA, USA.
Va ghese, R., Samba h, M., 2024. Yolo 8: A no el objec de ec ion algo i hm
wi h enhanced pe o mance and obus ness. In: 2024 In e na ional Con e-
ence on Ad ances in Da a Enginee ing and In elligen Compu ing Sys-
ems (ADICS). IEEE, pp. 1–6.
DOI: 10.1109/ADICS58448.2024.10533619
on Benzon, M., Sø ensen, F. F., U h, E., Jou oy, J., Linige , J., Pede sen,
S., 2022. An open-sou ce benchma k simula o : Con ol o a blue o 2 un-
de wa e obo . Jou nal o Ma ine Science and Enginee ing 10 (12), 1898.
DOI: 10.3390/jmse10121898
Wu, C.-J., 2018. 6-do modelling and con ol o a emo ely ope a ed ehicle.
Ph.D. hesis.
