Robotica Colaborativa Marina: Explorando Escenarios con NauSim y YOLO

Rob´otica Colaborativa Marina: Explorando Escenarios con NauSim y YOLO Ortiz-Toro, César Antonioa,∗, Guti´errez, Alvaroa, Chaos-Garc´ıa, Dictinob, Cerrada-Collado, Cristinab, Luque-Nieto, Miguel Ángelc, Clemente-Medina, M. Carmenc aEscuela T´ecnica Superior de Ingenieros de Telecomunicaci´on, Universidad Polit´ecnica de Madrid, Avenida Complutense, 30, 28040 Madrid, Espa˜na bDepartamento de Ciencias de la Computaci´on y Control Autom´atico UNED , Madrid, Madrid, Espa˜na. cInstituto de Ingenier´ıa Oce´anica, Escuela T´ecnica Superior de Ingenier´ıa de Telecomunicaci´on, Universidad de M´alaga, Cervantes, 2. 29071 M´alaga Espa˜na. To cite this article: Ortiz-Toro, C.A., Guti´errez, A., Chaos-Garc´ıa, D., Luque-Nieto, M.A., Cerrada-Collado, C., Clemente-Medina, M.C. 2025. Collaborative Marine Robotics: Exploring Scenarios with NauSim and YOLO. Jornadas de Autom´atica, 46. https://doi.org/10.17979/ja-cea.2025.46.12260 Resumen Este art´ ıculo presenta los resultados de las pruebas con NauSim, un simulador de c´ odigo abierto para drones acu´ aticos, junto con el sistema de visi´ on por computador YOLO en el contexto de la rob´ otica colaborativa para el control y posicionamiento de veh´ ıculos de superficie no tripulados (USV). Se desarrollan algoritmos de control para tareas como formaciones, seguimiento de rutas y evasi´ on de obst´ aculos, que se prueban en simulaci´ on y en escenarios reales. Los resultados muestran un notable rendimiento general del sistema y buena correspondencia entre la simulaci´ on y la realidad, apoyando la viabilidad del sistema propuesto. Palabras clave: Simulaci´ on, Veh´ ıculos Mar´ ıtimos Aut´ onomos, Sistemas multiveh´ ıculo, Sensores/actuadores, Navegaci´ on, Programaci´ on y Visi´ on Collaborative Marine Robotics: Exploring Scenarios with NauSim and YOLO Abstract This work presents the results of tests with NauSim, an open source simulator for waterborne drones, together with the YOLO computer vision system in the context of collaborative robotics for the control and positioning of unmanned surface vehicles (USVs). Control algorithms for tasks such as formations, route following and obstacle avoidance are developed and tested in simulation and real scenarios. The results show remarkable overall system performance and good correspondence between simulation and reality, supporting the feasibility of the proposed system. Keywords: Simulation, Unmanned marine vehicles, Multi-vehicle systems, Sensors and actuators, Robot Navigation, Programming and Vision 1. Introducci´ on La navegaci´ on aut´ onoma de veh´ ıculos de superficie no tripulados (USV) ha emergido como un campo de investigaci´ on de gran importancia en diversas aplicaciones, desde la monitorizaci´ on ambiental y la inspecci´ on de infraestructuras hasta la seguridad y defensa como se muestra en Barrera et al. (2021). La capacidad de los USV para operar de manera aut´ onoma, individualmente o en formaciones, ofrece ventajas significativas en t´ erminos de eficiencia, seguridad y cobertura. Sin embargo, el desarrollo de sistemas de control robustos para la navegaci´ on en entornos marinos presenta desaf´ ıos debido a la din´ amica no lineal de los veh´ ıculos, las perturbaciones ambientales (corrientes, viento, olas) y la necesidad de percibir y reaccionar ante un entorno din´ amico. Esto hace el uso de simuladores esencial en el desarrollo de sistemas de control, especialmente en las fases iniciales del dise˜ no y las pruebas iniciales de veh´ ıculos marinos, ya que reducen la necesidad de acceso constante a un entorno acu´ atico real y un control sobre el entorno que, de otra manera, no ser´ ıa posi- ∗Autor para correspondencia: [email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Ortiz-Toro, C.A. et al. /Jornadas de Autom´atica, 45 (2025) ble. Se han desarrollado numerosas herramientas para este fin, como UWSim en Prats et al. (2012) y la extensi´ on para Gazebo ”UUV Simulator” en Manh˜ aes et al. (2016). Tambi´ en existen paquetes que integran funcionalidades de simulaci´ on en plataformas conocidas como MATLAB™/Simulink™(ver de Cerqueira Gava et al. (2022)). La tendencia actual se inclina por simuladores que ofrecen gran fidelidad visual utilizando motores 3D comerciales, como HoloOcean presentado en Potokar et al. (2022) y UNav-Sim (Amer et al., 2023). Sin embargo, esto puede generar dependencia de la estructura y las limitaciones de dichos motores. Por otro lado, si bien existen m´ ultiples formas de obtener la posici´ on de un USV como puede verse en Qiao et al. (2023) y Peng et al. (2020), la posibilidad de usar posicionamiento mediante an´ alisis de imagen externa en tiempo real no ha sido convenientemente explotada. Ciertamente el concepto presenta m´ ultiples problemas, como un rango limitado y el ser vulnerable a los cambios de iluminaci´ on del entorno o a condiciones atmosf´ ericas inestables. Sin embargo, su bajo coste tanto de desarrollo, al tener disponible una c´ amara, como de despliegue lo convierte en una opci´ on muy conveniente en las primeras fases de un proyecto o cuando la simplicidad del robot o la cantidad de veh´ ıculos en el sistema desaconsejan m´ etodos m´ as complejos. Este trabajo se centra en el dise˜ no, simulaci´ on y validaci´ on experimental de algoritmos de control para USV, utilizando YOLO (You Only Look Once) (espec´ ıficamente YOLOv8, ver Varghese and Sambath (2024)), como sistema de posicionamiento abordando tres capacidades fundamentales: el mantenimiento de formaciones (est´ aticas y din´ amicas), el seguimiento de rutas con evasi´ on de obst´ aculos y el comportamiento de bandada. La metodolog´ ıa propuesta integra el uso de un simulador de desarrollo propio, NAUSIM (Ortiz-Toro et al., 2024), para la fase de dise˜ no y testeo inicial de los controladores, seguida de pruebas con los veh´ ıculos reales para validar el rendimiento de los algoritmos en condiciones operativas, tanto en un entorno controlado, como en instalaciones portuarias. 2. Materiales y m´ etodos Este trabajo se encuadra dentro del proyecto ”Heterogeneous submarine networks for collaborative, dynamic and profitable exploration” (NEMO4EX). Este proyecto busca crear enjambres de veh´ ıculos aut´ onomos peque˜ nos y econ´ omicos para gestionar tareas coordinadas sin intervenci´ on humana directa. Estos enjambres actuar´ an como un sistema descentralizado que decidir´ a aut´ onomamente el despliegue de cada veh´ ıculo y adaptar´ a su cobertura seg´ un las necesidades del entorno y la informaci´ on colectiva, ofreciendo servicios como posicionamiento, recogida de datos y recarga de bater´ ıas para otros nodos. Se plantea un enfoque de desarrollo h´ ıbrido, donde la fase inicial de dise˜ no y validaci´ on se realiza en un entorno simulado, y posteriormente se transfiere a una plataforma real para pruebas exhaustivas. Como entorno simulado, tanto para el dise˜ no y la validaci´ on como para el control de las pruebas en entornos reales se utiliza el simulador NauSIM. El sistema descrito emplea tres veh´ ıculos BlueROV2 (Robotics, 2016) en su configuraci´ on pesada (Figura 1), adaptados para operar como veh´ ıculo de superficie no tripulado(USV). Cada BlueROV2, en su configuraci´ on pesada, tiene cuatro propulsores horizontales y cuatro verticales, permitiendo seis grados de libertad. Est´ an controlados por una Raspberry Pi con una placa de expansi´ on que integra una unidad de medici´ on inercial, un magnet´ ometro y un sensor de presi´ on. Adem´ as, cada veh´ ıculo est´ a equipado con un aparato de ecosondeo y un sonar mec´ anico de barrido para navegaci´ on. Los tres robots est´ an conectados a un ´ unico ordenador central a trav´ es de enlaces USB configurados como interfaces de red IP, con cada robot tratado como una entidad aut´ onoma con acceso exclusivo a sus propios sensores. El movimiento de cada robot se gestiona mediante dos controladores PID independientes (uno para el avance lineal y otro para el giro angular), cuyos par´ ametros se afinaron inicialmente en simulaci´ on y luego experimentalmente. Estos controladores generan valores de activaci´ on que son convertidos en comandos MAVLink (Koubˆ aa et al., 2019) por la unidad central y enviados a cada veh´ ıculo, cerrando el ciclo de control. La coordinaci´ on entre los robots se facilita mediante el intercambio de mensajes dentro del simulador, lo que es el ´ unico m´ etodo para compartir informaci´ on entre ellos. Este dise˜ no enfatiza la modularidad, escalabilidad y la capacidad de simular interacciones entre veh´ ıculos completamente aut´ onomos. Figura 1: Imagen del BlueROV2 en su configuraci´ on pesada. Se realizan pruebas en dos escenarios reales: en el tanque de pruebas del Laboratorio de Puertos, ubicado en las instalaciones de la Escuela T´ ecnica Superior de Ingenieros Civiles de la UPM y en uno de los muelles situados en la base naval de Puntales, en C´ adiz (ver Figura 2). En estos escenarios, la posici´ on estimada de cada robot se obtiene a partir de una c´ amara externa capturando v´ ıdeo en tiempo real, conectada directamente al ordenador central. Puesto que en un entorno acu´ atico real es muy dif´ ıcil posicionarse en una vista cenital, en cada uno de los escenarios se realiza una calibraci´ on de perspectiva sobre la c´ amara, haciendo la correcci´ on correspondiente en cada uno de los ”frames”del v´ ıdeo, para evitar la que la distorsi´ on de perspectiva afecte al posicionamiento. La detec- Ortiz-Toro, C.A. et al. /Jornadas de Autom´atica, 45 (2025) ci´ on y posicionamiento de cada uno de los veh´ ıculos se realiza mediante un modelo generado partiendo de YOLOv8. YOLO es una arquitectura de red neuronal convolucional (CNN) de etapa ´ unica dise˜ nada para la detecci´ on de objetos en tiempo real. YOLO procesa la imagen completa en una sola pasada, prediciendo directamente las cajas delimitadoras y las probabilidades de clase. Esta arquitectura permite un procesamiento notablemente r´ apido, ideal para aplicaciones en tiempo real como el guiado de veh´ ıculos aut´ onomos. Figura 2: Escenarios de prueba junto con sus hom´ ologos virtuales; tanque de pruebas del Laboratorio de Puertos en la fila superior y base naval de Puntales en la inferior. La posici´ on estimada de cada robot se asocia a su identificador y es suministrada exclusivamente al proceso de control correspondiente, configur´ andose, desde el punto de vista de los veh´ ıculos, como un sensor m´ as. 2.1. NAUSIM El n´ ucleo de la arquitectura de NauSim se basa en el modelo sensor-controlador-actuador. El modelo de arquitectura sensor-controlador-actuador es un marco fundamental en el dise˜ no y operaci´ on de drones, asegurando una ejecuci´ on eficiente y precisa de las tareas. Este modelo divide la funcionalidad del dron en tres capas interconectadas: sensores, controladores y actuadores. Este enfoque estructurado permite una retroalimentaci´ on continua y ajustes en tiempo real, configurando el dron sea como una herramienta vers´ atil y adaptable. No solo eso, la arquitectura a´ ısla los diferentes componentes del dron, permiten tanto la reusabilidad de partes ya implementadas como una transici´ on sencilla entre el robot simulado y el real. La interacci´ on de esta arquitectura con el mundo simulado se hace a trav´ es de un modelo f´ ısico, que traduce las acciones de los actuadores al estado en el que se encontrar´ a el robot dentro del espacio simulado. Sensores: Incluyen tanto sensores reales (Posicionamiento, c´ amaras, LIDAR, etc.) como virtuales (p ej. , detectores de colisi´ on). Cada sensor se ejecuta en un hilo independiente con una frecuencia de actualizaci´ on configurable, simulando de forma realista su comportamiento en el mundo real. No se distingue entre sensores simulados y reales, lo que permite una integraci´ on directa con hardware real tras el entrenamiento de modelos de control. Controladores: Procesan la informaci´ on proveniente de los sensores para generar ordenes para los actuadores. Pueden variar desde simples scripts hasta algoritmos complejos de aprendizaje. El sistema permite jerarqu´ ıas de controladores, facilitando transiciones entre modos (por ejemplo, manual y autom´ atico). Actuadores: Los actuadores (motores, servos, etc.) ejecutan las ´ ordenes del controlador. En simulaci´ on, se modelan mediante interfaces f´ ısicas que traducen ordenes en movimientos en el entorno virtual. En robots reales, pueden estar conectados directamente al hardware o gestionados mediante middleware como MAVLink o ROS2. Independientemente de las funcionalidades que incluya, un simulador para rob´ otica se suele organizar alrededor de un espacio virtual, una representaci´ on del mundo real donde el proceso de simulaci´ on tiene lugar. En este simulador, la visualizaci´ on del entorno virtual se realiza mediante el motor Panda3D (Goslin and Mine, 2004). Actualmente bajo licencia BSD y mantenido por la activa comunidad de usuarios, Panda3D (originalmente ”Platform Agnostic Networked Display Architecture”, aunque el acr´ onimo en s´ ı ha ca´ ıdo en desuso) fue desarrollado inicialmente por Disney Interactive en 2002 para su divisi´ on de realidad virtual en parques tem´ aticos. Panda3D ofrece un completo conjunto de funcionalidades, es completamente multiplataforma, y presenta una ”interface” completamente desarrollada en Python. 2.1.1. Modelo f´ısico Como modelo f´ ısico para la simulaci´ on de este veh´ ıculo se han adaptado e implementado dos versiones, una simplificada, una completa, de los modelos matem´ aticos de simulaci´ on de din´ amicas para BlueROV2. Se utilizar´ a la notaci´ on compacta de Fossen Fossen (2011). Definimos la velocidad del veh´ ıculo en relaci´ on con el marco de su cuerpo como ν=[u,v,w,p,q,r]T,ν∈R6, donde las seis variables de velocidad corresponden 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 vector que combina las posiciones y los ´ angulos de Euler con respecto al marco del mundo. Si se supone que no hay fuerzas externas tales como corrientes o la influencia de la correa de sujeci´ on, su modelo cinem´ atico se puede expresar como Ecuaci´ on 1. (MRB +MA)˙ ν+(CRB(ν)+CA(ν))ν+D(ν)ν+g(η)=τ(1) Donde: MRB ∈R6×6: matriz de masa del cuerpo r´ ıgido. MA∈R6×6: matriz de masa a˜ nadida. La matriz de masa a˜ nadida cuantifica la inercia a˜ nadida debida al fluido circundante. Ortiz-Toro, C.A. et al. /Jornadas de Autom´atica, 45 (2025) CRB(ν): matriz de Coriolis y centr´ ıfuga del cuerpo r´ ıgido. Esta matriz describe las fuerzas que act´ uan sobre una part´ ıcula debido a la rotaci´ on del sistema de referencia. CA(ν): matriz de Coriolis para la masa a˜ nadida. Cuantifica la inercia en un en sistema en rotaci´ on resultado tanto de la rotaci´ on del sistema de referencia como de la inercia adicional debida al fluido desplazado. D(ν): matriz de amortiguamiento hidrodin´ amico. Las fuerzas de amortiguaci´ on son una fuerza de arrastre resultado de la viscosidad del fluido. g(η): vector de fuerzas y momentos hidrost´ aticos (gravedad y flotabilidad). τ∈R6: vector de esfuerzos generados por los actuadores. El BlueROV2 en su configuraci´ on pesada est´ a equipado con ocho propulsores T200. La relaci´ on entre los comandos de entrada a cada propulsor y las fuerzas/momentos generados se modela seg´ un la expresi´ on 2. τ=B·G(s)·µ(2) Donde µ∈R8es un vector de se˜ nales de control a los propulsores (normalizado en [−1,1]), B∈R6×8corresponde a la matriz de asignaci´ on de empuje (posici´ on y orientaci´ on de los propulsores) y G(s)∈R8×8es la matriz de funciones de transferencia de los propulsores. Finalmente, adem´ as de la din´ amica, se considera la relaci´ on cinem´ atica entre los marcos de referencia del veh´ ıculo y del mundo mostrada en la Ecuaci´ on 3: ˙ η=J(η)·ν(3) donde J(η) es la matriz Jacobiana que transforma las velocidades del body frame al world frame, dependiendo de la orientaci´ on del veh´ ıculo. Este modelo ha sido implementado dentro del entorno de simulaci´ on NauSim utilizando los par´ ametros hidrodin´ amicos medidos experimentalmente para el BlueROV2, seg´ un los datos presentados en von Benzon et al. (2022) a partir de los trabajos desarrollados en Wu (2018). 2.2. Casos de uso Los m´ odulos de control se plantean como m´ aquinas de estado simples, donde se actualiza una posici´ on objetivo dependiendo de las variables relevantes en cada momento y se deja en manos del controlador PID alcanzar dicha posici´ on. Se han desarrollado e implementado los siguientes algoritmos de control : Formaciones Est´ aticas: Los USV se posicionan formando patrones predefinidos,(e.g., l´ ınea, tri´ angulo, cuadrado. Los veh´ ıculos comunican al resto del enjambre si han alcanzado su posici´ on asignada y manteniendo la posici´ on, en caso de ser necesario, hasta que el grupo completa la formaci´ on especificada. Formaciones Din´ amicas: La formaci´ on se mueve como una unidad, manteniendo la estructura relativa entre los veh´ ıculos mientras siguen una trayectoria global. Esto implica que cada USV ajusta su posici´ on y velocidad para seguir a un l´ ıder virtual o a un punto de referencia en movimiento, manteniendo la distancia y orientaci´ on deseadas con respecto a sus vecinos. Formaciones de Bandada (Flocking): El algoritmo de bandada permite que los veh´ ıculos de superficie no tripulados (USV) se muevan juntos de forma coordinada siguiendo a un l´ ıder o sin control centralizado, inspir´ andose en la naturaleza. Cada USV sigue reglas locales como las esbozadas en Reynolds (1987) para interactuar con sus vecinos: evitan colisiones, igualan su direcci´ on y velocidad con los USV cercanos, y se mantienen cerca del centro del grupo. Todos los veh´ ıculos comparten su posici´ on con la bandada. Seguimiento de Rutas y Evasi´ on: Los USV siguen una ruta predefinida mientras evitan colisiones con otros veh´ ıculos. La estrategia de evasi´ on se integra con el controlador de seguimiento de ruta, utilizando la informaci´ on de posicionamiento de YOLO para detectar y predecir las trayectorias de los obst´ aculos y generar trayectorias evasivas. Los veh´ ıculos comunican su posici´ on al resto del enjambre. 3. Resultados A partir de una serie de 1330 conteniendo los USV objetivo (BlueROV2 rojo ,BlueROV2 amarillo y BlueROV2 azul) en diversas condiciones de iluminaci´ on, ´ angulos y fondos acu´ aticos, se ha construido un conjunto datos etiquetado con las apariciones de cada veh´ ıculo, divididos tal y como se muestra en la Tabla 1. En la Figura 3 pueden verse algunos ejemplos de im´ agenes etiquetadas parte del conjunto. Utilizando este conjunto se ha generado un modelo YOLO para realizar el posicionamiento en la escena mediante una c´ amara externa. La validaci´ on realizada con el conjunto de prueba muestra una notable capacidad para diferenciar entre las categor´ ıas de objetos definidas, con una precisi´ on 0,97, y un ”recall” de 0,96. La matriz de confusi´ on (Tabla 2) ofrece una visi´ on detallada de la calidad de la clasificaci´ on con clasificaciones err´ oneas m´ ınimas y un n´ umero muy limitado de casos donde los veh´ ıculos se confunden con el fondo. En cuanto a la calidad del posicionamiento en s´ ı, el modelo muestra una precisi´ on promedio (mAP) de 0,97 para un IoU (intersecci´ on sobre la uni´ on) de 0,5. Aunque el mAP a umbrales de IoU m´ as estrictos (0,95) es m´ as bajo ,0,62 ,sigue siendo un resultado notable y demuestra que el modelo es capaz de una localizaci´ on precisa. Tabla 1: Composici´ on y distribuci´ on del conjunto de datos usado en la generaci´ on del modelo YOLO. Entrenamiento Validaci´ on Test Total V. azul 363 102 99 564 V. amarillo 289 97 92 478 V. rojo 279 98 103 480 Total 931 297 294 1522 Ortiz-Toro, C.A. et al. /Jornadas de Autom´atica, 45 (2025) Figura 3: Conjunto de datos; ejemplos de im´ agenes etiquetadas. Tabla 2: Modelo para la detecci´ on de los USV en im´ agenes. Pruebas con el conjunto de test; Matriz de confusi´ on. Actual Predicci´ on V.azul V.amarillo V.rojo Fondo V. azul 93 1 0 4 V. amarillo 0 87 0 2 V. rojo 1 0 101 3 Fondo 5 4 2 - Aunque no es estrictamente necesario para estas pruebas, puesto que a cada veh´ ıculo le corresponde una clase espec´ ıfica, para obtener una evaluaci´ on m´ as realista del rendimiento de YOLO en escenarios complejos, se utiliza BoT-SORT (Bounding Box Tracker with Simple Online Real-time Tracking) para realizar el seguimiento de objetos. BoT-SORT es una extensi´ on com´ un para detectores como YOLO, que mantiene identificadores ´ unicos para los objetos a lo largo del v´ ıdeo, incluso con oclusiones o cambios de pose. La p´ erdida de seguimiento en BoT-SORT representa un fallo sostenido en la identificaci´ on de un objeto a lo largo del tiempo, indicando situaciones l´ ımite en la detecci´ on de im´ agenes que podr´ ıan afectar negativamente un programa de control, lo que la convierte en una m´ etrica m´ as ´ util que por ejemplo simplemente el n´ umero de fallos de YOLO. Comparando estos p´ erdidas de seguimiento en los entornos de la piscina de la piscina y el puerto, encontramos que existe un aumento sustancial del n´ umero de veces que el sistema de posicionamiento perdi´ o la pista de los robots en el escenario del muelle. De esta forma aunque tenemos el tiempo de pruebas registrado es similar en los dos casos (43:26 en 18 pruebas diferentes, en el caso del puerto, 39:17 en la piscina, en 16 pruebas) el sistema perdi´ o es seguimiento de los veh´ ıculos casi el doble de veces (121 frente a 62). La marcada diferencia de rendimiento entre los dos entornos nos da una idea de c´ omo la complejidad y la variabilidad del entorno influye en la precisi´ on del sistema de posicionamiento basado en YOLO. Centr´ andonos en el rendimiento de los algoritmos de control, en la Figura 4 se presenta una comparaci´ on de las trayectorias seguidas por los veh´ ıculos en diferentes situaciones, tanto en simulaci´ on como en un entorno real. Dado que siempre va a existir diferencias tanto en las condiciones iniciales de las pruebas como en la posibles perturbaciones del entorno entre escenarios simulados y reales, buscaremos verificar si el comportamiento programado en el simulador se reproduce de manera similar en un escenario f´ ısico con condiciones an´ alogas, antes que una validaci´ on puramente cuantitativa. Los veh´ ıculos muestran un comportamiento similar en entornos reales al observado en las simulaciones, especialmente cuando se utilizan controladores sencillos para tareas como el mantenimiento de formaciones est´ aticas y din´ amicas. Los experimentos han confirmado que los USV pueden sostener tanto formaciones est´ aticas como din´ amicas, pueden seguir rutas y ser capaces de evadir otros veh´ ıculos en movimiento de forma segura en caso de ser necesario, de forma similar a como se comportan en las simulaciones. Este comportamiento tambi´ en se da en el ´ ambito del comportamiento de bandada, donde se evidencian los comportamiento emergentes de formaciones coherentes y din´ amicas tipos de las reglas de bandada tanto en entornos simulados como reales. Si bien es un situaci´ on esperada y tambi´ en presente en escenarios simulados, existe una tendencia en los veh´ ıculos a ”deslizarse” de sus posiciones en las formaciones est´ aticas con mayor facilidad en un entorno real. De manera similar, las pruebas en escenarios reales, particularmente las realizadas en el puerto, revelan trayectorias m´ as irregulares para los veh´ ıculos. A pesar de esta inestabilidad, el resultado general no se ve comprometido gracias a la acci´ on compensatoria de los controladores PID, que gestionan eficazmente estas perturbaciones. Cabe destacar que, a pesar de su simplicidad, los controladores probados demuestran una notable resiliencia ante fallos en el posicionamiento, lo que subraya su robustez en condiciones operativas diversas. 4. Conclusiones Los resultados obtenidos en estas pruebas muestran tanto la eficacia de NauSim como una herramienta robusta para el desarrollo, prueba y validaci´ on experimental de algoritmos de control para veh´ ıculos de superficie no tripulados (USV). Se ha demostrado con ´ exito el desarrollo de algoritmos de control para el mantenimiento de formaciones (est´ aticas y din´ amicas), el seguimiento de rutas con evasi´ on de obst´ aculos y el comportamiento de bandada. La integraci´ on de YOLO como sistema de posicionamiento en tiempo real se muestra como una soluci´ on econ´ omica y de r´ apida implementaci´ on para entornos acu´ aticos, proporcionando resultados precisos y confiables, a pesar de los fallos en el seguimiento observados debido a variaciones en iluminaci´ on, fondos complejos y oclusiones. Agradecimientos Este trabajo cuenta con el apoyo de la subvenci´ on PID2023-146540OB financiada por MCIN/AEI/10.13039/501100011033. Este trabajo ha sido parcialmente financiado por la Comisi´ on Europea en el contexto del proyecto SMAUG, financiado por Horizon Europe Grant Agreement Acuerdo 101121129 Referencias Amer, A., ´ Alvarez-Tu˜ n´ on, O., U˘ gurlu, H. ˙ I., Sejersen, J. L. F., Brodskiy, Y., Kayacan, E., 2023. Unav-sim: A visually realistic underwater robotics si- Ortiz-Toro, C.A. et al. /Jornadas de Autom´atica, 45 (2025) (a) (b) (c) (d) Figura 4: Rastro de movimiento; comparativa del comportamiento de los controladores en varias situaciones en escenarios virtuales y reales utilizando 3 veh´ ıculos diferentes. En la Figura 4(a) se muestra el movimiento seguido al cambiar de una formaci´ on en l´ ınea a una formaci´ on en tri´ angulo. En Figura 4(b) se compara el cambio de direcci´ on en una formaci´ on din´ amica en triangulo. La Figura 4(c) muestra el comportamiento de una bandada al realizar un cambio de direcci´ on. En la Figura 4(d) se pueden ver las similitudes en el movimiento en un escenario virtual y un aprueba real en una situaci´ on de evasi´ on de colisiones entre veh´ ıculos. mulator and synthetic data-generation framework. In: 2023 21st International Conference on Advanced Robotics (ICAR). IEEE, pp. 570–576. DOI: 10.48550/arXiv.2310.11927 Barrera, C., Padron, I., Luis, F., Llinas, O., 2021. Trends and challenges in unmanned surface vehicles (usv): From survey to shipping. TransNav: International Journal on Marine Navigation and Safety of Sea Transportation 15. DOI: 10.12716/1001.15.01.13 de Cerqueira Gava, P. D., Nascimento J´ unior, C. L., Belchior de Franc¸a Silva, J. R., Adabo, G. J., 2022. Simu2vita: A general purpose underwater vehicle simulator. Sensors 22 (9), 3255. DOI: 10.3390/s22093255 Fossen, T. I., 2011. Handbook of marine craft hydrodynamics and motion control. John Wiley & Sons. DOI: 10.1002/9781119994138 Goslin, M., Mine, M. R., 2004. The panda3d graphics engine. Computer 37 (10), 112–114. DOI: 10.1109/MC.2004.180 Koubˆ aa, A., Allouch, A., Alajlan, M., Javed, Y., Belghith, A., Khalgui, M., 2019. Micro air vehicle link (mavlink) in a nutshell: A survey. IEEE Access 7, 87658–87680. DOI: 10.1109/ACCESS.2019.2924410 Manh˜ aes, M. M. M., Scherer, S. A., Voss, M., Douat, L. R., Rauschenbach, T., 2016. Uuv simulator: A gazebo-based package for underwater intervention and multi-robot simulation. In: OCEANS 2016 MTS/IEEE Monterey. Ieee, pp. 1–8. DOI: 10.1109/OCEANS.2016.7761080 Ortiz-Toro, C. A., Cerrada-Collado, C., Moreno-Salinas, D., Chaos-Garcia, D., Garcia-Su´ arez, K. L., Otero-Roth, P., Vidal-Perez, J. M., LuqueNieto, M. A., V´ azquez, A. I., Fraile-Ardanuy, J. J., Negro-Valdecantos, V., Jimenez-Yguacel, E., Aranda-Almansa, J., Zazo-Bello, S., Zufiria, P. J., Magdalena-Layos, L., Parras-Moral, J., Gutierrez, A., 2024. Exploring uuv development with nausim: An open-source simulation platform. In: 2024 Global Conference on Wireless and Optical Technologies (GCWOT). pp. 1–7. DOI: 10.1109/GCWOT63882.2024.10805602 Peng, Z., Wang, J., Wang, D., Han, Q.-L., 2020. An overview of recent advances in coordinated control of multiple autonomous surface vehicles. IEEE Transactions on Industrial Informatics 17 (2), 732–745. DOI: 10.1109/TII.2020.3004343 Potokar, E., Ashford, S., Kaess, M., Mangelson, J. G., 2022. Holoocean: An underwater robotics simulator. In: 2022 International Conference on Robotics and Automation (ICRA). IEEE, pp. 3040–3046. DOI: 10.1109/ICRA46639.2022.9812353 Prats, M., Perez, J., Fern´ andez, J. J., Sanz, P. J., 2012. An open source tool for simulation and supervision of underwater intervention missions. In: 2012 IEEE/RSJ international conference on Intelligent Robots and Systems. IEEE, pp. 2577–2582. DOI: 10.1109/IROS.2012.6385788 Qiao, Y., Yin, J., Wang, W., Duarte, F., Yang, J., Ratti, C., 2023. Survey of deep learning for autonomous surface vehicles in marine environments. IEEE Transactions on Intelligent Transportation Systems 24 (4), 3678– 3701. DOI: 10.1109/TITS.2023.3235911 Reynolds, C. W., 1987. Flocks, herds and schools: A distributed behavioral model. In: Proceedings of the 14th annual conference on Computer graphics and interactive techniques. pp. 25–34. DOI: 10.1145/37402.37406 Robotics, B., 2016. Bluerov2: The world’s most affordable high-performance rov. BlueROV2 Datasheet; Blue Robotics: Torrance, CA, USA. Varghese, R., Sambath, M., 2024. Yolov8: A novel object detection algorithm with enhanced performance and robustness. In: 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS). IEEE, pp. 1–6. DOI: 10.1109/ADICS58448.2024.10533619 von Benzon, M., Sørensen, F. F., Uth, E., Jouffroy, J., Liniger, J., Pedersen, S., 2022. An open-source benchmark simulator: Control of a bluerov2 underwater robot. Journal of Marine Science and Engineering 10 (12), 1898. DOI: 10.3390/jmse10121898 Wu, C.-J., 2018. 6-dof modelling and control of a remotely operated vehicle. Ph.D. thesis.