Departamento de Computación

En esta tesis se aborda el ajuste de velocidad de un robot con ruedas tomando en cuenta las texturas y pendientes de los terrenos mas allá de la detección y evasión de obstáculos como en la mayoría de los trabajos actuales se enfocan. El reconocimiento de la apariencia de los terrenos permite a los robots con ruedas adaptar su velocidad tal que, 1) se mueva tan rápido como pueda sin que la navegación llegue a ser peligrosa, 2) se mejora la precisión en la localización del vehículo al emplear métodos basados en odometría. En el manejo de vehículos, los conductores humanos ajustan la velocidad haciendo una estimación de la apariencia promedio del terreno. Cuando un conductor humano encuentra una nueva textura, este emplea su experiencia para estimar que rugosa es la textura, y así establecer la velocidad del carro. Se emplea una red neuronal difusa con la cual se imita la experiencia humana para el manejo de vehículos en terrenos exteriores. Una red neuronal difusa metaclasifica la información de las texturas y de la inclinación de las pendientes de los terrenos para calcular la velocidad de navegación del robot; además, combinado con el método del gradiente este permite la planeación de trayectorias del vehículo. Los resultados experimentales muestran una mejora en el desempeño del robot con el ajuste de velocidad: el deslizamiento de las ruedas del robot es menor, de esta manera el error subyacente de la odometría es menor y de aquí que se mejora la precisión en el auto localización del robot. Las mejoras son con respecto a la distancia recorrida y al tiempo de recorrido del robot. Un primer conjunto de experimentos son realizados empleando un pequeño robot con ruedas el cual ajusta su velocidad mientras navega en superficies con diferentes clases de texturas tales como tierra, tierra con pasto y adoquín. El segundo conjunto de experimentos son realizados empleando imágenes de caminos con tierra, concreto, asfalto y piedras sueltas, las cuales son video grabadas desde un vehículo real conducido a menos de 60 km/hr; al aplicar el presente enfoque el tiempo/distancia requerido para ajustar la velocidad suavemente es garantizado. Dados que la implementación del reconocimiento y navegación es sencilla y computacionalmente barato, y los resultados de la simulación del ajuste de velocidad de un carro, se sugiere que el enfoque propuesto puede ser escalado a vehículos de mayor tamaño.

Abstract

This thesis addresses the velocity updating of wheeled-robots regarding the terrains' textures and slopes beyond detection and avoidance of the obstacles as most current works do. Terrain appearance recognition enables the wheeled-robots to adapt their velocity such that, 1) as speedy as possible it safely navigates, and 2) precision on vehicle localization using odometry-based methods is improved. Human drivers make the velocity adjusting using an estimation of the terrain's average appearance. When a human driver finds a new texture, he uses his experience to learn how rough the texture is, and then sets the car's velocity. A fuzzy neural network that allows for mimicking the human experience by driving vehicles in outdoor terrains is deployed. The fuzzy neural network metaclassifies data about the textures and slopes' inclination of terrains hence to compute the wheeled-vehicle navigation velocity; in addition, combined with the gradient method it enables the vehicle path planning. The experimental tests show improved robot's performance with velocity updating: the wheels of the robot slip very less, thus the wheeled-robot odometry errors are lower too hence precision of robot self-localization is improved. Advances are both with respect to traveled distance and with respect to the spent time for making the travel. The first set of tests are performed using a small wheeled-robot which adjusts velocity while navigating on surfaces with different classes of textures such as ground, grass, and stones paving. The second set of tests are done using images of roads of ground, concrete, asphalt, and loose stones, which are video filmed from a real car driven at less than 60 km/hr of velocity; by applying the present approach the required time/distance ratio to smoothly velocity change is granted. Given the vehicle recognition/navigation implementation is simple and computationally low-cost, and simulation results of the velocity updating of a car, suggests that the proposed approach can be scaled to real vehicles.