{"id":2069,"date":"2021-07-02T12:18:18","date_gmt":"2021-07-02T15:18:18","guid":{"rendered":"https:\/\/icc.fcen.uba.ar\/?p=2069"},"modified":"2025-06-05T10:15:46","modified_gmt":"2025-06-05T13:15:46","slug":"teach-and-replay-una-tecnica-para-robots-aereos-que-toma-altura","status":"publish","type":"post","link":"https:\/\/icc.fcen.uba.ar\/en\/teach-and-replay-una-tecnica-para-robots-aereos-que-toma-altura\/","title":{"rendered":"Teach and Replay: una t\u00e9cnica para robots a\u00e9reos que toma altura"},"content":{"rendered":"

\u00bfC\u00f3mo desarrollar m\u00e9todos de navegaci\u00f3n aut\u00f3noma que sean eficientes para que un robot pueda aprender y repetir un recorrido de manera \u00f3ptima? Desde el Laboratorio de Rob\u00f3tica y Sistemas Embebidos del ICC, se investiga esta t\u00e9cnica de aprendizaje y repetici\u00f3n basada en visi\u00f3n por computadora, utilizando modelos probabil\u00edsticos que se testean con numerosas simulaciones y set de datos, los cuales ayudan a mejorar sustancialmente la tarea de los robots.<\/span><\/p>\n

Los veh\u00edculos a\u00e9reos no tripulados, conocidos com\u00fanmente como drones, son dispositivos que requieren desarrollar una t\u00e9cnica espec\u00edfica de navegaci\u00f3n. Lograr una mejora significativa en este desarrollo es un trabajo muy desafiante. Se entiende que este tipo de navegaci\u00f3n es \u201caut\u00f3noma\u201d debido a que los robots pueden aprender un camino o trayectoria en un mapa, que lo repita varias veces lo mejor posible y que esa tarea se extienda a diferentes dominios, principalmente para monitoreo del ambiente. Esta t\u00e9cnica involucra el procesamiento de im\u00e1genes y visi\u00f3n por computadora para abordar el problema de la navegaci\u00f3n aut\u00f3noma en robots m\u00f3viles, tanto para robots a\u00e9reos como terrestres. A diferencia de c\u00f3mo funciona el dispositivo con un GPS, que s\u00f3lo puede manipularse en un ambiente exterior, la t\u00e9cnica de visi\u00f3n tambi\u00e9n permite que el robot se desplace en un ambiente interior, como un edificio.<\/span><\/p>\n

Desde hace a\u00f1os, en el <\/span>Laboratorio de Rob\u00f3tica y Sistemas Embebidos<\/b>, se investiga c\u00f3mo mejorar esta t\u00e9cnica. \u201c<\/span>Cuando buscamos que el robot haga un monitoreo del entorno, uno tiene la posibilidad de que recorra, que haga una pasada primero por el ambiente de inter\u00e9s, ya sea manualmente con un humano manej\u00e1ndolo o bien usando un algoritmo de exploraci\u00f3n del ambiente, y en ese recorrido armar un mapa del entorno. Esta es, en principio, la fase de aprendizaje<\/span><\/i>\u201d,<\/span> puntualiza<\/span> Mat\u00edas Nitsche<\/b>,<\/span> investigador del ICC en el Laboratorio de Rob\u00f3tica.<\/span><\/p>\n

\"\"

Mat\u00edas Nitsche<\/p><\/div>\n

La navegaci\u00f3n aut\u00f3noma de robots a\u00e9reos basada en visi\u00f3n, fue el tema del trabajo de doctorado de Nitsche. El investigador explica que una vez que el robot va aprendiendo, se puede configurar el sistema en modo \u201crepeat\u201d: lo que hace el robot es repetir el camino, comparando lo que ve en todo momento con lo que tiene almacenado en el mapa. A partir de la relaci\u00f3n entre la visi\u00f3n efectiva y el mapa, el robot a\u00e9reo sabe localizarse en el total del mapa pero adem\u00e1s sabe c\u00f3mo controlar su movimiento para repetir el camino. \u201c<\/span>Hay generalizaciones de esta t\u00e9cnica donde el robot no necesariamente sigue un camino espec\u00edfico sino que puede navegar sobre una red de caminos previamente aprendidos y tomar decisiones en tiempo real<\/span><\/i>\u201d, aclara el investigador.<\/span><\/p>\n

En este contexto, existen dos tipos de enfoques con el que se puede trabajar el sensado del robot. Un enfoque m\u00e9trico y un enfoque no m\u00e9trico. Ambos enfoques fueron trabajados por Nitsche, tanto en doctorado como posdoctorado. \u201c<\/span>En el doctorado trabaj\u00e9 con un enfoque basado en apariencias (appearance based) donde en lugar de hacer una reconstrucci\u00f3n m\u00e9trica del entorno, se guarda la informaci\u00f3n visual, lo que se ve, sin pretender encontrar la posici\u00f3n 3D de los puntos caracter\u00edsticos en el ambiente, sino \u00fanicamente su posici\u00f3n y apariencia en la im\u00e1gen. Por este motivo se comparaba lo que se ve\u00eda en ese momento con lo que se ve\u00eda en el mapa a partir de las marcas visuales y se trataba de hacer que el robot, a partir de su movimiento, vea las cosas desde el mismo punto de vista<\/span><\/i>\u201d, detalla Nitsche. Si bien esta t\u00e9cnica funcion\u00f3 correctamente en la investigaci\u00f3n, el enfoque presenta limitaciones ya que sin conocer la estructura m\u00e9trica del ambiente resulta m\u00e1s dif\u00edcil distinguir ciertas situaciones de movimiento: existe cierta ambig\u00fcedad al no saber la distancia real del objeto, por lo que en el movimiento no se puede identificar.<\/span><\/p>\n

\u201c<\/span>A partir de este resultado en la tesis, volv\u00ed al enfoque m\u00e9trico. Pas\u00e9 de utilizar una c\u00e1mara simple a una c\u00e1mara est\u00e9reo que permite visualizar la profundidad. E incorpor\u00e9 una unidad inercial que sirve para seguir cuadro a cuadro las marcas visuales en la imagen, por m\u00e1s que el robot haga giros muy r\u00e1pidos. El gir\u00f3scopo indica los giros que tiene el robot y el aceler\u00f3metro los desplazamientos a muy corto plazo. Todo ello fusionado con la c\u00e1mara del sensor, permite realizar una estimaci\u00f3n probabil\u00edstica con una t\u00e9cnica basada en minimizaci\u00f3n<\/span><\/i>\u201d, explica el investigador del ICC y doctor en Ciencias de la Computaci\u00f3n.\u00a0\u00a0<\/span><\/p>\n

Desde hace a\u00f1os la comunidad cient\u00edfica utiliza t\u00e9cnicas de fusi\u00f3n basadas en filtros (la m\u00e1s com\u00fan es el de Kalman) pero recientemente se\u00a0 empez\u00f3 a trabajar en una forma diferenciada de fusionar informaci\u00f3n con m\u00e9todos basados en minimizaci\u00f3n: consiste en armar modelos probabil\u00edsticos de los sensores, plantearuna funci\u00f3n de costo y correr una minimizaci\u00f3n; y el resultado es la informaci\u00f3n final de inter\u00e9s, que ser\u00eda la pose del robot ajustada a los valores de los sensores.<\/span><\/p>\n

La pregunta que uno podr\u00eda hacerse es, <\/span>\u00bfcu\u00e1n precisas son las simulaciones de los modelos respecto a la realidad?<\/b><\/p>\n

Por un lado, Nitsche comenta que en su grupo los investigadores est\u00e1n trabajando con modelos probabil\u00edsticos y con <\/span>datasets<\/span><\/i> que son incorporados por las simulaciones de las trayectorias del robot; al desarrollar la t\u00e9cnica en un simulador y pasarla a los movimientos de la realidad cuando se vuela el robot, en general es un ajuste de constantes de esos modelos. Y suelen funcionar correctamente, m\u00e1s all\u00e1 de que las unidades inerciales suelen tener mucho offset, desviaciones en la medici\u00f3n de distancia, que es necesario calibrar. Por otro lado, el investigador recalca que simular una imagen real, por m\u00e1s realista que sea la herramienta, es muy complejo. Lo es porque aparecen diversos obst\u00e1culos como el ruido en la imagen, distorsi\u00f3n del lente, caracter\u00edsticas de iluminaci\u00f3n del ambiente o sombras, etc. Todo ello complica enormemente el trabajo de sensado.<\/span><\/p>\n

\"\"

Figura ejemplo 1: Ambientes de simulaci\u00f3n<\/p><\/div>\n

Al mismo tiempo, uno de los problemas habituales suele ser el grado de error en la pose del robot tras recorrer largas distancias, que si bien indica una posici\u00f3n en el mapa no es donde realmente est\u00e1 ubicado. Para ella, el investigador adopt\u00f3 un enfoque denominado \u201crelativo\u201d que (a diferencia del enfoque absoluto) usa la pose del robot en referencia a puntos de inter\u00e9s en el mapa, (obst\u00e1culos, paredes, objetos, etc.), va sacando fotos por cada metro que se mueve y guarda la informaci\u00f3n en el mapa como una cadena de transformaciones relativas. De ese modo, la pose del robot est\u00e1 en referencia al punto anterior (keyframe) lo que disminuye el grado de error (en el enfoque absoluto la pose se toma desde un sistema inicial de coordenadas).<\/span><\/p>\n

El trabajo posdoctoral de Mat\u00edas Nitsche fue realizado bajo la direcci\u00f3n del profesor<\/span> Javier Civera<\/span><\/a> de la Universidad de Zaragoza, un prestigioso investigador experto en t\u00e9cnicas <\/span>Simultaneous Localization and Mapping<\/span><\/i>-SLAM. Esta compleja investigaci\u00f3n est\u00e1 sintetizada en el paper publicado en 2020 en la revista especializada Robotics and Autonomous Systems:<\/span> https:\/\/robotica.dc.uba.ar\/public\/papers\/nitsche2020.pdf<\/span><\/a><\/p>\n

Y,<\/b> \u00bfqu\u00e9 experimentos o pruebas se realizan para contemplar estos ajustes en robots m\u00f3viles aut\u00f3nomos?<\/b><\/p>\n

\u201c<\/span>M\u00e1s all\u00e1 de las pruebas en simulaci\u00f3n y set de datos, la t\u00e9cnica tiene un grado de complejidad tan alto que los experimentos, que no fueron muchos, se enfocaron en una prueba de concepto y hacer algunas mediciones: volar el drone para ense\u00f1arle un camino de algunos metros y hacerlo repetir el camino varias veces desde distintas posiciones para mostrar c\u00f3mo lo retomaba<\/span><\/i>\u201d, relata Nitsche y describe las dificultades asociadas a las pruebas: todo el m\u00e9todo se ejecuta arriba del drone, lo cual es muy desafiante porque \u201ctiene una computadora embebida muy limitada y tiene todos los sensores a bordo, volar el drone y sensar los datos al mismo tiempo es realmente complicado, por lo que si la prueba funciona digamos que funcionaron muchas variables juntas\u201d, agrega el investigador.<\/span><\/p>\n

\"\"

Figura ejemplo 2A: Vista exterior durante la fase de aprendizaje del experimento, utilizando un robot a\u00e9reo experimental. En la l\u00ednea roja se aprecia la parte del camino que posteriormentente fue repetido de forma aut\u00f3noma.<\/p><\/div>\n

\"\"

Figura ejemplo 2B: Trayectoria seguida durante la fase de repetici\u00f3n del experimento.<\/p><\/div><\/p>\n

Por \u00faltimo, cabe aclarar que la t\u00e9cnica utilizada se est\u00e1 extendiendo al uso de robots terrestres omnidireccionales, especialmente aquellos que realizan tareas de carga y descarga en una f\u00e1brica. Para hacer funcionar el dispositivo se est\u00e1 utilizando un l\u00e1ser 2D, fusionado con una unidad inercial y odometr\u00eda (sensores en las ruedas del robot). Todo ello forma parte de la tesis de doctorado de Sebasti\u00e1n Bedin, dirigida por Nitsche. \u201c<\/span>La t\u00e9cnica de teach and replay aplica muy bien a la problem\u00e1tica de carga terrestre donde se trata de ense\u00f1arle al robot los caminos que debe recorrer dentro de la f\u00e1brica<\/span><\/i>\u201d, concluye Nitsche.<\/span><\/p>\n