Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 9 (3): e465. Julio-Septiembre, 2026. https://doi.org/10.37636/recit.v9n3e465
1 ISSN: 2594-1925
Artículo de investigación
Sistema de mapeo y planificación de rutas con fusión multisensorial para
navegación autónoma de un robot móvil tipo uniciclo
Multi-sensor fusion-based mapping and path planning system for autonomous navigation of a
unicycle-type mobile robot
Gilberto Ramos , Luis Arturo García Delgado , Ricardo Ramón Pérez Alcocer
Universidad de Sonora, Blvd. Luis Encinas J, Calle Av. Rosales &, Centro, 83000 Hermosillo, Sonora, México
Autor de correspondencia: Gilberto Ramos, Universidad de Sonora, Blvd. Luis Encinas J, Calle Av. Rosales &, Centro,
83000 Hermosillo, Sonora, México. Correo electrónico: brtdevkit@gmail.com. ORCID: 0009-0001-4388-733X.
Recibido: 15 de abril del 2026 Aceptado: 4 de agosto del 2026 Publicado: 14 de agosto del 2026
Resumen. - En este trabajo se presenta un sistema de mapeo y planificación de rutas para un robot móvil con ruedas tipo uniciclo
(WMR, Wheeled Mobile Robot), implementado sobre la plataforma AmigoBot, con el objetivo de permitir la navegación autónoma
desde una posición inicial hasta un destino definido en un entorno estructurado. El sistema se organiza en tres componentes
principales: generación y visualización de mapas de ocupación, planificación de trayectorias y control de movimiento con evasión
de obstáculos. La implementación se realizó utilizando el Sistema Operativo para Robots (ROS, Robot Operating System) y la
arquitectura ARIA (Advanced Robotics Interface for Applications). La representación del entorno se construye mediante la fusión de
datos provenientes de un arreglo de sensores ultrasónicos y una cámara de profundidad Kinect. La fusión se realiza mediante la
intersección de mapas binarios, complementada con un filtrado espacial basado en vecindad para suavizar inconsistencias locales
en la rejilla de ocupación. La planificación de rutas se basa en el algoritmo A*, seguido de una etapa de simplificación geométrica
mediante trazado de rayos (ray casting), con el objetivo de reducir la cantidad de nodos en la trayectoria. El seguimiento de la ruta
se implementa mediante un controlador proporcional de error de postura (posición y orientación), incorporando un esquema de
evasión de obstáculos reactivo basado en campos potenciales repulsivos. Los resultados experimentales muestran que el sistema
logra una reducción del 92 % en el número de nodos de la ruta original y del 62.5 % respecto a sus puntos de inflexión gracias al
proceso de simplificación geométrica. En las pruebas de navegación autónoma en tiempo real, el robot completó exitosamente la
trayectoria en un tiempo de 1 minuto y 32 segundos, manteniendo el error de seguimiento respecto a los puntos de control acotado
por debajo de 0.25 m durante las transiciones. Ante la presencia de obstáculos adicionales no cartografiados, el módulo reactivo
garantizó una tasa de éxito del 100 % en la evasión de colisiones, registrando una distancia mínima de seguridad de 3.6 cm en las
regiones con mayor restricción espacial del entorno. Estos resultados evidencian que la arquitectura de software propuesta es capaz
de generar mapas de ocupación consistentes, planificar trayectorias eficientes con baja complejidad geométrica y ejecutar
navegación autónoma segura en el entorno experimental.
Palabras clave: Planificación de rutas; WMR; A*; Ray casting; Mapas de ocupación.
Abstract. – This paper presents a mapping and path planning system for a unicycle-type wheeled mobile robot (WMR), implemented
on the AmigoBot platform, aimed at enabling autonomous navigation from a starting position to a defined destination within a
structured environment. The system comprises three main components: occupancy map generation and visualization, trajectory
planning, and motion control with obstacle avoidance. Implementation was carried out using the Robot Operating System (ROS) and
the Advanced Robotics Interface for Applications (ARIA) architecture. The environmental representation is constructed by fusing
data from an ultrasonic sensor array and a Kinect depth camera. Data fusion is achieved through the intersection of binary maps,
complemented by neighborhood-based spatial filtering to smooth out local inconsistencies in the occupancy grid. Path planning relies
on the A* algorithm, followed by a geometric simplification stage using ray casting to reduce the number of nodes in the trajectory.
Path following is implemented via a proportional controller based on pose error (position and orientation), incorporating a reactive
obstacle avoidance scheme based on repulsive potential fields. Experimental results demonstrate that the system achieves a 92%
reduction in the number of nodes from the original path and a 62.5% reduction in inflection points, thanks to the geometric
simplification process. In real-time autonomous navigation tests, the robot successfully completed the trajectory in 1 minute and 32
seconds, maintaining the tracking error relative to control points below 0.25 m during transitions. In the presence of additional
unmapped obstacles, the reactive module ensured a 100% success rate in collision avoidance, recording a minimum safety distance
of 3.6 cm in the environment's most spatially constrained areas. These results demonstrate that the proposed software architecture is
capable of generating consistent occupancy maps, planning efficient trajectories with low geometric complexity, and executing safe
autonomous navigation within the experimental environment.
Keywords: Path planning; WMR; A*; Ray casting; Occupancy maps.
2 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
1. Introducción
Los vehículos autónomos han adquirido una relevancia significativa en las últimas décadas debido a su
creciente aplicación en diversos ámbitos, incluyendo sistemas de asistencia doméstica como robots
aspiradores, transporte autónomo de personas y aplicaciones industriales en entornos logísticos y de
almacenamiento, como centros de distribución automatizados. Asimismo, en el ámbito de exploración y
rescate, estos sistemas son empleados en entornos peligrosos o de difícil acceso para el ser humano.
Para que un robot sea considerado autónomo, debe ser capaz de percibir su entorno, tomar decisiones y
ejecutar acciones de navegación sin intervención humana directa. El desempeño en tareas de navegación
depende directamente de la calidad de la información sensorial disponible y de la capacidad del sistema
para estimar su pose, entendida como la posición y orientación del robot dentro del entorno operativo [1].
A partir de estas necesidades surge el problema de localización y mapeo simultáneo, conocido como SLAM
(Simultaneous Localization and Mapping). Este problema consiste en construir un mapa del entorno
mientras se estima simultáneamente la pose del robot dentro de dicho mapa [2]. Sus aplicaciones son
particularmente relevantes en entornos sin acceso a sistemas de posicionamiento global, tales como
interiores, minas o ambientes subacuáticos [3]–[7]. El problema de SLAM puede descomponerse en
submódulos como la adquisición de datos sensoriales, la representación del entorno, la estimación de la
pose y la planificación de rutas [8]–[11].
Sin embargo, la implementación de arquitecturas de navegación autónoma en plataformas robóticas
experimentales presenta desafíos asociados a restricciones de integración de hardware y software,
disponibilidad limitada de documentación técnica y dependencia de herramientas de software heredadas
o con soporte limitado. Estas condiciones son comunes en plataformas de investigación o educativas
basadas en hardware descontinuado, lo que dificulta la implementación directa de soluciones modernas
de navegación.
En este contexto, el presente trabajo propone una arquitectura de navegación autónoma basada en el
Sistema Operativo para Robots (ROS, Robot Operating System), un framework de software de código
abierto ampliamente utilizado en robótica para la gestión coordinada de percepción, control y
planificación. Este sistema se utiliza para la integración de percepción sensorial, generación de mapas en
rejilla, planificación de trayectorias y control de movimiento, implementado sobre el robot móvil tipo
uniciclo (WMR, Wheeled Mobile Robot) AmigoBot™ desarrollado por Adept MobileRobots Inc.
La principal contribución de este trabajo es el desarrollo de un sistema de software de visualización y
planificación de rutas que integra la construcción del mapa, su representación en rejilla y la selección
interactiva de objetivos de navegación dentro de un entorno gráfico intuitivo. A diferencia de herramientas
de visualización estándar como RViz, que se enfocan principalmente en la visualización de información
del sistema, la plataforma desarrollada permite la interacción directa con el mapa para la definición de
metas de navegación y la generación de trayectorias planificadas dentro del mismo entorno.
Adicionalmente, el sistema cuenta con una arquitectura modular que permite la incorporación de distintos
algoritmos de planificación de trayectorias y control de movimiento. En este trabajo se implementa una
estrategia de control proporcional, aunque la estructura propuesta facilita su extensión a otros métodos de
control y su adaptación a diferentes plataformas robóticas.
3 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Finalmente, debido a las limitaciones de documentación y soporte del hardware utilizado, correspondiente
a un robot móvil diferencial AmigoBot (modelo 2004, basado en el microcontrolador Renesas H8S) con
software heredado (legacy), se desarrolló un sistema de percepción y adquisición de datos que permite su
integración en un entorno moderno basado en ROS, habilitando su operación dentro del flujo de
navegación propuesto.
El documento se organiza de la siguiente manera. En la Sección 2 se presentan los antecedentes relevantes.
La Sección 3 describe la metodología propuesta, incluyendo el modelo cinemático del robot, el esquema
de generación de mapas y el algoritmo de planificación de trayectorias. La Sección 4 presenta la
arquitectura del sistema y el esquema de control utilizado para la validación experimental. La Sección 5
expone los resultados obtenidos y, finalmente, la Sección 6 presenta las conclusiones y trabajo futuro.
2. Antecedentes
En robótica móvil se emplea una amplia variedad de sensores para la percepción y representación del
entorno, entre los que destacan sensores ultrasónicos, sistemas LiDAR y cámaras de profundidad [12]–
[16]. A partir de estos dispositivos es posible obtener información espacial del entorno, la cual puede
procesarse para construir modelos virtuales que permitan la ejecución de tareas de navegación autónoma.
Entre las representaciones más utilizadas para modelar el entorno se encuentran los mapas métricos,
topológicos, basados en características y los mapas de ocupación [17]–[21]. Dentro de estas alternativas,
los mapas de ocupación constituyen una solución ampliamente adoptada debido a su representación
discreta del entorno mediante rejillas bidimensionales, en las que cada celda codifica el estado de
ocupación de una región del espacio [22]. Esta representación ofrece un equilibrio adecuado entre
simplicidad computacional, capacidad descriptiva y facilidad de integración con algoritmos de
planificación.
Una vez obtenida la representación del entorno, la navegación requiere el uso de algoritmos de
planificación de rutas que permitan determinar trayectorias seguras entre una posición inicial y un destino.
Entre los métodos clásicos se encuentra el algoritmo de Dijkstra [23], del cual derivan enfoques heurísticos
más eficientes como el algoritmo A* (A-star) [24]. También existen métodos como D* Lite [25],
orientados a la replanificación en entornos dinámicos, así como técnicas de exploración basadas en
muestreo como los árboles aleatorios de exploración rápida (RRT, Rapidly-Exploring Random Trees) [26],
utilizados principalmente en espacios continuos de alta dimensión.
En este trabajo se emplean mapas de ocupación debido a su adecuación para representar entornos
estructurados y su compatibilidad directa con algoritmos de búsqueda en rejillas discretas. En particular,
se selecciona el algoritmo A* debido a su eficiencia computacional y su capacidad para generar
trayectorias libres de colisión, lo cual lo hace adecuado para la arquitectura de navegación propuesta.
4 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
3. Metodología
El sistema de mapeo y planificación de rutas se implementó sobre la arquitectura distribuida mostrada en
la Figura 1.
Figura 1. Arquitectura distribuida del sistema y flujo de datos de comunicación inalámbrica (protocolo ROS) entre la estación maestra a
bordo (Orange Pi 5 Plus) y la estación esclava en tierra (PC de control).
El sistema consta de dos estaciones: una estación maestra, integrada por un robot móvil con configuración
cinemática tipo uniciclo, modelo AmigoBot de la marca Adept Mobile Robots™, y una monoplaca Orange
Pi 5 Plus encargada de la adquisición de datos sensoriales y la ejecución de los algoritmos de control; y
una estación esclava, compuesta por una computadora de escritorio destinada a la visualización del
entorno y a la planificación de rutas. Ambas estaciones operan bajo Ubuntu 20.04 y utilizan ROS Noetic,
implementado bajo una arquitectura distribuida basada en nodos que se comunican mediante mecanismos
de publicación y suscripción.
La plataforma AmigoBot dispone de encoders en ambas ruedas motrices para la estimación de odometría
y un arreglo de ocho sensores ultrasónicos, de los cuales se emplean únicamente los seis orientados al
frente. El sistema se extendió físicamente (Figura 2) mediante una cámara de profundidad Kinect y una
unidad de medición inercial (IMU) 3DM-GX4-45 para la orientación del vehículo.
Figura 2. Distribución física de la instrumentación y sensores integrados en el WMR AmigoBot.
5 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
(2)
(1)
La adquisición de datos se realiza en ROS mediante el paquete RosAria [27] para los datos de sonares y
encoders de la plataforma Amigobot. Por otra parte, la información de la cámara Kinect se captura a través
del controlador libfreenect [28] y el paquete laserscan_kinect [29], el cual transforma la imagen de
profundidad en un escáner láser equivalente para su integración en la rejilla de ocupación. La
comunicación inalámbrica entre ambas estaciones permite delegar el procesamiento gráfico y de
planificación a la estación esclava, reduciendo la carga computacional a bordo del vehículo.
3.1 Modelo cinemático
Se considera un WMR como el mostrado en la Figura 3.
Figura 3. Representación del modelo cinemático no holonómico del robot tipo uniciclo.
El vehículo opera bajo la restricción de rodamiento puro sin deslizamiento lateral, lo que implica una
restricción no holonómica que impide la existencia de velocidad lateral en el robot. Bajo esta
consideración, la pose del robot respecto a un marco inercial 󰇝󰇞 se define mediante el vector de
coordenadas generalizadas 󰇟󰇠
donde y representan la posición del centro de masa del robot en el plano, y representa la orientación
del eje del sistema de referencia del cuerpo 󰇝󰇞 respecto al marco inercial.
El modelo cinemático del WMR está dado por
󰇗 󰇛󰇜
󰇗 󰇛󰇜
6 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
󰇗
donde y denotan la velocidad lineal y angular respectivamente, constituyendo las entradas de control
del sistema.
3.2 Generación de mapas
Para capturar la geometría del espacio de trabajo sin requerir un modelado explícito de la incertidumbre
de los sensores, se adoptó un enfoque de adquisición directa de datos durante una fase de exploración
teleoperada en un entorno estacionario.
El proceso de construcción se implementa de forma incremental (Figura 4). Las mediciones de distancia
y profundidad se transforman a un sistema de referencia común y se proyectan al plano de trabajo.
Posteriormente, estas observaciones se discretizan en índices de una rejilla de ocupación de resolución
fija, asignando un valor binario igual a 1 a las celdas correspondientes.
Figura 4. Algoritmo de mapeo.
3.3 Transformaciones geométricas
Para garantizar la consistencia espacial entre las mediciones provenientes de los distintos sensores y su
correcta integración en la rejilla de ocupación, es necesario expresar todas las observaciones dentro de un
mismo sistema de referencia global. En este contexto, se emplean transformaciones geométricas
homogéneas que permiten proyectar los puntos medidos desde los marcos locales de los sensores hacia el
marco inercial del mapa, asegurando coherencia en el proceso de construcción del entorno.
7 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
(3)
(4)
(5)
Sea 

 un punto, obtenido mediante los sensores ultrasónicos del robot, expresado en el
marco del robot 󰇝󰇞. Su transformación al marco inercial 󰇝󰇞 se realiza mediante
donde
󰇛󰇜 es una matriz de transformación homogénea de que expresa representa la
orientación y translación del robot en el plano.
Para el sensor Kinect, las mediciones se encuentran en el marco del sensor 󰇝󰇞 se obtienen en coordenadas
polares 󰇛󰇜, las cuales se convierten a coordenadas cartesianas mediante
󰇛󰇜 󰇛󰇜
donde  es el desplazamiento del sensor respecto del centro del robot. Por lo tanto


 se transforma al marco inercial mediante
A diferencia de las validaciones en entornos controlados que emplean pasillos despejados y geometrías
uniformes, las condiciones experimentales de este trabajo se desarrollaron en un entorno de laboratorio
real, bajo condiciones estáticas o no cambiantes del entorno. En la Figura 5 se ilustra la distribución física
y complejidad del escenario utilizado para las pruebas.
Figura 5. Escenario experimental de navegación.
8 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Para la generación adecuada de mapas, se realiza un barrido angular controlado alrededor del eje del robot,
permitiendo que los seis sonares frontales y el sensor de profundidad capturen información del entorno de
forma simultánea, lo que permite una evaluación directa de la consistencia estructural entre ambos mapas
sin requerir procesos adicionales de registro espacial.
La Figura 6 presenta la comparativa entre el mapa generado por sonares y el obtenido por la cámara de
profundidad, configurados con una dimensión de 200 x 200 celdas y una resolución de 0.1 m por celda,
lo que cubre un área de 20 m 20 m (400 m²). Ambas modalidades ofrecen una representación
cualitativamente consistente de la distribución real del laboratorio.
Figura 6. Comparativa estructural de las rejillas de ocupación antes de la fusión: (A) Mapa por sonares, (B) Mapa por cámara
de profundidad.
El mapa de ultrasonido exhibe mayor dispersión y ruido, mientras que el de profundidad aporta contornos
más definidos y continuidad geométrica. Al evaluar la similitud entre ambas representaciones mediante
una métrica de coincidencia de celdas ocupadas, se obtuvo un valor del 59.39%, lo que refleja las
diferencias en la naturaleza de los sensores y la ausencia de una optimización global tipo SLAM.
3.4 Fusión sensorial
Para obtener una representación más consistente del entorno, se propone una estrategia de combinación
basada en la intersección de ambos mapas.
Sean y  los mapas generados a partir de los sensores ultrasónicos y de la cámara de
profundidad, respectivamente. Entonces, el mapa combinado se define como la intersección  ,
conservando únicamente aquellas celdas clasificadas como ocupadas en ambas representaciones. Esta
operación permite reducir detecciones inconsistentes y reforzar las estructuras espaciales comúnmente
observadas por ambos sensores.
9 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
La Figura 7 muestra el mapa resultante de intersección  . Se observa una reducción
significativa del ruido, con una mejor definición de paredes y estructuras del entorno, aunque con una
ligera pérdida de detalle en regiones con baja coincidencia entre sensores.
Figura 7. Mapa  
La intersección de los mapas permite eliminar ruido y detecciones espurias. No obstante, este proceso
puede introducir discontinuidades locales debido a la pérdida de celdas aisladas durante la operación de
intersección. Para mejorar la continuidad espacial y la definición de los bordes, se aplica un filtro de
vecindad sobre el mapa binario resultante [30].
El filtrado se realiza mediante una vecindad celdas alrededor de una celda central; es decir, se
consideran las ocho direcciones adyacentes. Para cada celda 󰇛󰇜 se calcula el número de vecinos
ocupados 󰇛󰇜.
El estado final de la celda se determina mediante una regla basada en umbrales: una celda permanece
ocupada si ya lo estaba y cuenta con al menos un vecino ocupado, o se marca como ocupada si estaba
libre y tiene al menos dos vecinos ocupados; en caso contrario, se considera libre. Este procedimiento es
análogo a operaciones de filtrado espacial y morfológico empleadas en procesamiento de imágenes, donde
el estado de cada elemento se actualiza en función de la información local de su vecindad. En este
contexto, dicho filtrado permite reducir ocupaciones espurias y mejorar la coherencia estructural del mapa
generado.
El mapa resultante en la Figura 8 recupera el detalle perdido en la Figura 7 durante la operación de
intersección, preservando al mismo tiempo la reducción de ruido obtenida mediante la fusión. Esto permite
disponer de una representación más consistente del entorno para la etapa posterior de planificación de
rutas.
10 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
(6)
(7)
Figura 8. Mapa  filtrado.
3.5 Planificación de rutas: A*
La planificación de rutas se lleva a cabo mediante el algoritmo A* [31]. Este tipo de algoritmos modela
la rejilla de ocupación como un grafo, donde los nodos corresponden a cada una de las celdas de la matriz,
mientras que las aristas representan las conexiones entre celdas adyacentes.
El criterio de selección se basa en la función de evaluación
󰇛󰇜󰇛󰇜󰇛󰇜
donde 󰇛󰇜 representa el costo acumulado desde el nodo de inicio hasta el nodo actual , mientras que
󰇛󰇜 corresponde a una estimación heurística del costo restante hasta el nodo objetivo.
La heurística permite al algoritmo priorizar aquellos nodos que tienen mayor probabilidad de encontrarse
más próximos al objetivo.
En este trabajo se emplea la distancia octil [32], la cual permite movimientos diagonales y resulta adecuada
para entornos discretizados con conectividad en ocho direcciones. Sean 󰇛󰇜 y 󰆒󰇛󰆒󰆒󰇜 dos puntos
definidos sobre una cuadrícula discreta. La distancia octil entre ambos se define como
octil󰇛󰆒󰇜  󰇛󰇜 
donde  󰆒 y  󰆒 representan las diferencias absolutas en las coordenadas horizontal
y vertical, respectivamente.
11 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Esta métrica asigna un costo a los desplazamientos diagonales, mientras que los movimientos
cardinales tienen un costo unitario implícito en el término , proporcionando una estimación
consistente del costo de navegación sobre la rejilla.
Durante el proceso de búsqueda, el algoritmo expande iterativamente el nodo más prometedor, generando
sus vecinos y actualizando sus costos asociados hasta alcanzar el nodo objetivo o agotar el espacio de
búsqueda.
La ruta obtenida mediante A* es óptima dentro de la rejilla discreta; sin embargo, el entorno real de
navegación es continuo. Por ello, se aplica un procedimiento de simplificación basado en trazado de rayos
(ray casting) [33], con el objetivo de eliminar puntos intermedios redundantes y obtener trayectorias más
suaves.
El principio fundamental de este procedimiento es la verificación de línea de vista entre pares de puntos
de la trayectoria. Este enfoque constituye la base de métodos como Theta* [34], los cuales extienden A*
al permitir conexiones directas entre nodos con visibilidad mutua.
Si no se detecta colisión entre dos puntos, se considera que existe visibilidad directa y, en consecuencia,
los puntos intermedios pueden eliminarse sin comprometer la seguridad de la ruta.
Estos métodos basados en visibilidad han sido ampliamente utilizados en distintos dominios, como la
planificación de movimiento en robótica móvil, donde se emplean para la simplificación de trayectorias y
la mejora del seguimiento en entornos discretizados [35], así como en generación de rutas eficientes y
realistas para agentes autónomos dentro de entornos virtuales [36].
La verificación de línea de vista se realiza mediante la ecuación de la recta que une dos puntos 󰇛󰇜
y 󰇛󰇜. El algoritmo distingue tres casos, según la pendiente de la recta:
Línea vertical: si , se recorren todas las celdas entre y , verificando la ocupación en
cada una de ellas.
Pendiente suave (  ): se itera sobre el eje y se calcula round 󰇡
󰇢, evaluando la
ocupación de cada celda correspondiente.
Pendiente pronunciada ( ): se itera sobre el eje para evitar omitir celdas; para cada valor
discreto de , se calcula round 󰇡
󰇢 y se verifica la ocupación.
El algoritmo de trazado de rayos se aplica sobre los puntos de inflexión de la ruta obtenida mediante A*,
es decir, en los cambios de dirección de la trayectoria.
4. Implementación del Sistema
La implementación de los métodos descritos se llevó a cabo mediante el desarrollo de un software de
mapeo, visualización y planificación de rutas implementado en C++, el cual se ejecuta en la estación
esclava. Este software constituye una de las principales contribuciones del presente trabajo, al
proporcionar un entorno gráfico unificado para la construcción, procesamiento y visualización de mapas
de ocupación, así como para la selección interactiva de objetivos y la generación de trayectorias de
12 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
navegación. El sistema genera las referencias de posición que posteriormente son enviadas al controlador
de navegación, encargado del seguimiento de trayectoria y la evasión local de obstáculos. Asimismo, su
arquitectura modular permite la incorporación de diferentes estrategias de control y su adaptación a otras
plataformas robóticas con modificaciones mínimas.
4.1 Interfaz de usuario
Con el fin de facilitar la visualización de mapas y la planificación de rutas, se desarrolló una interfaz
gráfica de usuario basada en las bibliotecas SFML (Simple and Fast Multimedia Library) y TGUI. La
biblioteca SFML se emplea para la gestión de la ventana de renderizado, el manejo de eventos y la
representación gráfica de los mapas de rejilla, mientras que TGUI se utiliza para la construcción de los
elementos interactivos de la interfaz, tales como menús, botones, ventanas de configuración y controles
de usuario.
La interfaz desarrollada permite visualizar en tiempo real el mapa generado, seleccionar de forma intuitiva
posiciones objetivo sobre la rejilla de ocupación, ejecutar el proceso de planificación de trayectorias y
supervisar la ruta calculada antes de su envío al robot móvil.
La interfaz resultante se muestra en la Figura 9.
Figura 9. Interfaz de usuario del visualizador de mapas y planificador de rutas. El cuadro rojo en el centro representa la
ubicación actual del vehículo.
13 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
(8)
(9)
(10)
(11)
(12)
Como puede observarse, la interfaz cuenta con un área principal de visualización de mapas de rejilla,
donde la celda marcada en rojo identifica la posición instantánea del vehículo durante la navegación.
Asimismo, incorpora una ventana flotante que despliega la pose estimada del robot.
Adicionalmente, se incluye una barra de menú que integra funciones para la carga y exportación de mapas,
la ejecución del proceso de planificación y el inicio de la navegación. También dispone de un indicador
de coordenadas de rejilla, el cual señala en tiempo real la celda sobre la que se encuentra el cursor,
facilitando la selección precisa de objetivos.
El interruptor denominado Live habilita la adquisición continua de datos sensoriales, permitiendo la
generación y actualización dinámica del mapa durante la operación del sistema.
4.2 Control de navegación
Para llevar a cabo el seguimiento de la ruta planificada, se empleó un controlador proporcional de posición
y orientación, al cual se le actualiza dinámicamente la referencia deseada conforme el robot se aproxima
a los puntos sucesivos de la ruta.
Sea el error de posición definido por
donde y son las componentes de la posición actual del robot, mientras que y corresponden a
las coordenadas del punto objetivo.
A partir del error de posición se obtiene la orientación deseada mediante
󰇛󰇜
La función de referencia de la velocidad lineal se calcula en función de la magnitud del error de posición
y se define como
donde es una constante proporcional asociada al error de posición.
Por otro lado, la referencia de velocidad angular se calcula en función del error de orientación
donde es la constante proporcional asociada al error de orientación, definido como
14 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
(13)
(14)
donde es la posición angular estimada por la IMU.
Con el fin de dotar al sistema de capacidad reactiva ante obstáculos no representados en el mapa, se
emplean las mediciones del arreglo frontal de sensores ultrasónicos y del sensor de profundidad. La
distancia al obstáculo detectado se obtiene a partir del promedio de las mediciones válidas, denotado como
s.
Cuando un obstáculo se encuentra dentro de un radio de influencia , se genera un vector de repulsión
lateral, perpendicular a la dirección del obstáculo. Este vector se define como
󰇛󰇜
󰇛󰇜
donde es la ganancia del campo repulsivo. El signo se selecciona en función de la posición relativa del
obstáculo, permitiendo definir el sentido de la desviación lateral.
Para incorporar el efecto de la repulsión en el control, se modifica el error de posición como
󰆒󰇛󰇜
󰆒
donde es una constante que escala el error.
A partir de este nuevo error, se recalcula la orientación deseada, permitiendo modificar la trayectoria de
forma reactiva para evitar colisiones mientras se preserva el objetivo de seguimiento de ruta.
5. Resultados
Con el fin de validar el funcionamiento de los métodos propuestos y del sistema desarrollado, se empleó
el mapa mostrado en la Figura 8 para la planificación de trayectorias y la ejecución de pruebas de
navegación autónoma.
La Figura 10 muestra el mapa dentro del software de visualización, además de la ruta planificada mediante
el método de A*.
15 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Figura 10. Visualización del mapa junto con la ruta planificada mediante el algoritmo A*.
La ruta planificada inicia en el origen del mapa, indicado en color rojo, mientras que la meta se representa
en color verde. La trayectoria calculada por A* se muestra en color azul y evita adecuadamente las celdas
ocupadas del entorno (celdas amarillas). La línea blanca corresponde a la ruta simplificada obtenida
mediante el procedimiento de trazado de rayos.
La planificación se realizó desde la posición inicial (0,0) hasta la posición (200,296) en coordenadas
discretas del mapa, equivalente a la posición física (-4.932, -4.644) m. Al tratarse de una ruta de puntos
discretos, los puntos de control (waypoints) en la realización del avance del vehículo se actualizan cuando
el error de navegación es menor a 0.25 m, lo que permite un seguimiento continuo y un movimiento fluido
del mismo.
La Tabla 1 muestra los resultados de optimización de ruta planeada, desde el punto inicial a la meta se
obtuvo una ruta con 75 waypoints.
Tabla 1. Métricas de optimización de trayectoria.
Métrica
Nodos de la trayectoria original
Puntos de inflexión detectados
Nodos de la trayectoria optimizada
Reducción respecto a puntos de inflexión
Reducción respecto a la trayectoria original
16 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Los resultados muestran una reducción significativa en el número de nodos requeridos para describir la
trayectoria final. En particular, la optimización logró una reducción del 92.0% respecto al número total de
nodos o waypoints generados por A*, evidenciando la capacidad del procedimiento de simplificación para
eliminar redundancias geométricas introducidas por la discretización de la rejilla.
5.1. Resultados de navegación
Para llevar a cabo la navegación se emplearon las siguientes constantes:
Ganancia proporcional en posición 
Ganancia proporcional angular 
Ganancia del campo repulsivo 
Radio de influencia del obstáculo m
Constante de escalamiento de 󰆒 
La Figura 11 presenta el recorrido del robot dentro del mapa generado a partir de la información sensorial.
Como se observa, la trayectoria experimental permite al robot desplazarse desde la posición inicial hasta
la meta sin colisiones con los obstáculos presentes en el entorno, lo que evidencia la correcta integración
entre el sistema de mapeo y el módulo de navegación.
Figura 11. Ruta del robot experimental sobre el mapa generado.
Asimismo, se aprecia que la trayectoria ejecutada sigue la estructura general de la ruta planificada,
presentando desviaciones locales en ciertas regiones del entorno. Estas variaciones son esperables debido
17 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
a la naturaleza continua del sistema dinámico, la discretización del mapa de ocupación y la acción del
término de evasión reactiva.
La Figura 12 compara los puntos de control (en color rosa), correspondientes a los puntos obtenidos
mediante el procedimiento de simplificación por ray casting, con la secuencia de referencia percibida por
el controlador (en gris claro), la cual consiste en la repetición temporal de los mismos puntos de la ruta
discreta hasta que se cumple la condición de cambio de waypoint. La trayectoria ejecutada por el robot se
muestra en color azul. Además, los obstáculos no considerados en el mapa, pero registrados por los
sensores durante la ejecución del experimento, se representan mediante cruces en color negro. Estos
puntos corresponden a obstáculos detectados en línea durante la navegación, los cuales podrían haber
provocado una colisión en ausencia del campo potencial de repulsión.
Figura 12. Comparación entre trayectoria ejecutada, ruta de referencia y puntos de control.
Como se puede observar, el robot inició su recorrido con una orientación opuesta a la meta. Durante la
ejecución se registraron dos obstáculos, adicionales al mapa, los cuales fueron evitados mediante la
aplicación del campo potencial, desviando la trayectoria y permitiendo completar la tarea.
En la Figura 13 se observa que el error de distancia a los puntos de control, el cual disminuye a medida
que el robot se aproxima a cada punto, alcanzando valores inferiores a 0.25 m en sus proximidades. Una
vez que se selecciona el siguiente punto de control como referencia, el error aumenta en consecuencia y
posteriormente vuelve a disminuir conforme el robot se acerca a dicho punto. Este comportamiento se
repite de manera consistente a lo largo de toda la ruta.
18 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Figura 13. Error de distancia respecto a los puntos de control.
El robot es capaz de esquivar cada uno de los obstáculos dentro del mapa, así como los obstáculos
adicionales detectados mediante los sensores frontales. La Figura 14 muestra la distancia mínima a los
obstáculos con respecto a la trayectoria.
Figura 14. Distancia mínima del robot a los obstáculos a lo largo de la trayectoria seguida.
19 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Estos resultados muestran que el sistema mantiene un seguimiento consistente de la ruta de referencia,
además de mantener una distancia mínima de seguridad a los obstáculos, siendo ésta de 3.6 cm en la región
donde la geometría del entorno es más estrecha.
5. Conclusiones
El sistema desarrollado permite la generación de mapas de ocupación, la planificación de rutas y la
regulación del movimiento del robot, logrando la ejecución exitosa de tareas de navegación en el entorno
experimental. En términos generales, los mapas obtenidos presentan una calidad suficiente para
representar de forma funcional la estructura del entorno, lo que permite la planificación de rutas
consistentes. El algoritmo de simplificación basado en línea de vista (ray casting) demostró ser eficiente
para mitigar las redundancias de la discretización por rejilla, logrando una reducción del 92% en los nodos
de la trayectoria original del algoritmo y del 62.5% respecto a sus puntos de inflexión. Esto se traduce
en rutas cinemáticamente viables y con transiciones de dirección más suaves, reduciendo la complejidad
del camino computado. La estrategia de control, que combina la regulación de error de postura con campos
potenciales repulsivos, cumplió con los requerimientos de diseño. El sistema garantizó el seguimiento de
los waypoints y una tasa de éxito del 100% en la evitación de colisiones en el escenario de prueba,
reaccionando ante obstáculos dinámicos o no cartografiados inicialmente. A pesar de los resultados
obtenidos, se identificaron limitaciones inherentes al sistema. La fidelidad de la cartografía depende
directamente del alcance y la susceptibilidad a la oclusión de los sensores empleados. Asimismo, la
ausencia de un algoritmo de optimización de lazo cerrado (como Loop Closure) o de un sistema de
localización global puede provocar una deriva acumulativa (drift) en la estimación de la odometría a largo
plazo. En entornos dinámicos, estas limitantes podrían comprometer la consistencia del mapa respecto al
estado real del entorno. Como trabajo futuro, se propone la incorporación de técnicas de localización y
mapeo simultáneo (SLAM), que permitan mejorar la estimación de la posición del robot mientras se
construye el mapa del entorno en tiempo real. Asimismo, se plantea la integración de mecanismos de
optimización del mapeo y filtrado probabilístico, con el objetivo de mejorar la consistencia espacial y
reducir la influencia del ruido sensorial en la representación del entorno.
7. Agradecimientos
Los autores desean agradecer el apoyo brinda por SECIHTI mediante la asignación de la beca CVU
2064835, y por el apoyo recibido por parte del Departamento de Investigación en Física de la Universidad
de Sonora.
8. Agradecimientos de autoría
Luis Arturo García Delgado: Conceptualización; Recursos; Ideas; Metodología; Análisis formal;
Investigación; Recursos; Análisis de datos; Borrador original; Revisión y edición. Ricardo Ramon Pérez
Alcocer: Conceptualización; Recursos; Ideas; Metodología; Análisis formal; Investigación; Recursos;
Análisis de datos; Borrador original; Revisión y edición. Gilberto Ramos Valenzuela: Conceptualización;
Ideas; Metodología; Análisis formal; Investigación; Análisis de datos; Escritura; Borrador original;
Revisión y edición.
20 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
Referencias
[1] A. Giannaros, A. Karras, L. Theodorakopoulos, C. Karras, P. Kranias, N. Schizas, et al., “Autonomous
vehicles: Sophisticated attacks, safety issues, challenges, open topics, blockchain, and future directions,”
Journal of Cybersecurity and Privacy, vol. 3, no. 3, pp. 493–543, 2023, doi: 10.3390/jcp3030025.
[2] A. Taheri and Z. C. Xia, “SLAM; definition and evolution,” Engineering Applications of Artificial
Intelligence, vol. 97, 2021, Art. no. 104032, doi: 10.1016/j.engappai.2020.104032.
[3] Z. Ren, L. Wang, and L. Bi, “Robust GICP-based 3D LiDAR SLAM for underground mining
environment,” Sensors, vol. 19, no. 13, 2019, Art. no. 2915, doi: 10.3390/s19132915.
[4] M. Hao, J. Ren, X. Ji, Y. Bi, S. Zhao, and M. Wu, “Research on multimodal data enhanced SLAM
algorithm for global mapping of underground coal mines,” Scientific Reports, vol. 15, no. 1, 2025, Art.
no. 37124, doi: 10.1038/s41598-025-37124-0.
[5] Y. Huang, J. McConnell, X. Lin, and B. Englot, “DRACo-SLAM2: Distributed Robust Acoustic
Communication-efficient SLAM for Imaging Sonar Equipped Underwater Robot Teams with Object
Graph Matching,” in 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS),
IEEE, 2025, pp. 3587–3594, doi: 10.1109/IROS62453.2025.10970000.
[6] M. Heshmat, L. Saad Saoud, M. Abujabal, A. Sultan, M. Elmezain, L. Seneviratne, and I. Hussain,
“Underwater SLAM meets deep learning: challenges, multi-sensor integration, and future directions,”
Sensors, vol. 25, no. 11, 2025, Art. no. 3258, doi: 10.3390/s25113258.
[7] J. Lim and K. H. Chon, “Minimax Rao-blackwellized particle filtering in 2D LiDAR SLAM,”
International Journal of Control, Automation and Systems, vol. 22, no. 6, 2024, pp. 1947–1957, doi:
10.1007/s12555-023-0268-z.
[8] T. P. Kucner, M. Magnusson, S. Mghames, L. Palmieri, F. Verdoja, C. S. Swaminathan, et al., “Survey
of maps of dynamics for mobile robots,” The International Journal of Robotics Research, vol. 42, no. 11,
pp. 977–1006, 2023, doi: 10.1177/02783649231169812.
[9] I. Ullah, D. Adhikari, H. Khan, M. S. Anwar, S. Ahmad, and X. Bai, “Mobile robot localization:
Current challenges and future prospective,” Computer Science Review, vol. 53, 2024, Art. no. 100651,
doi: 10.1016/j.cosrev.2024.100651.
[10] L. Yang, P. Li, S. Qian, H. Quan, J. Miao, M. Liu, et al., “Path planning technique for mobile robots:
A review,” Machines, vol. 11, no. 10, 2023, Art. no. 980, doi: 10.3390/machines11100980.
[11] Z. Zhou, X. Feng, S. Di, and X. Zhou, “A LiDAR mapping system for robot navigation in dynamic
environments,” IEEE Transactions on Intelligent Vehicles, 2023, doi: 10.1109/TIV.2023.3298456.
21 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
[12] L. Sun, Y. Zhang, and H. Yu, “Multi-sensor perception and spatial mapping for mobile robots in
dynamic environments: A survey,” Robotics and Autonomous Systems, vol. 172, Art. no. 104590, 2024,
doi: 10.1016/j.robot.2023.104590.
[13] J. Jung, Y. Lee, J. Park, and T. K. Yeu, “Multi-modal sonar mapping of offshore cable lines with an
autonomous surface vehicle,” Journal of Marine Science and Engineering, vol. 10, no. 3, p. 361, 2022,
doi: 10.3390/jmse10030361.
[14] H. Huang, L. Li, F. Cheng, and S. K. Yeung, “Photo-SLAM: Real-time simultaneous localization
and photorealistic mapping for monocular stereo and RGB-D cameras,” in Proceedings of the IEEE/CVF
Conference on Computer Vision and Pattern Recognition (CVPR), pp. 21584–21593, 2024, doi:
10.1109/CVPR52733.2024.02039.
[15] T. Grebner, A. Grathwohl, P. Schoeder, V. Janoudi, and C. Waldschmidt, “Probabilistic SAR
processing for high-resolution mapping using millimeter-wave radar sensors,” IEEE Transactions on
Aerospace and Electronic Systems, vol. 59, no. 5, pp. 4800–4814, 2023, doi:
10.1109/TAES.2023.10164269.
[16] S. Y. Alaba, “GPS-IMU Sensor Fusion for Reliable Autonomous Vehicle Position Estimation,” arXiv
preprint arXiv:2405.08119, 2024, doi: 10.48550/arXiv.2405.08119.
[17] M. Münzinger, N. Prechtel, and M. Behnisch, “Mapping the urban forest in detail: From LiDAR
point clouds to 3D tree models,” Urban Forestry & Urban Greening, vol. 74, 2022, Art. no. 127637, doi:
10.1016/j.ufug.2022.127637.
[18] X. Liu, A. Prabhu, F. Cladera, I. D. Miller, L. Zhou, C. J. Taylor, and V. Kumar, “Active metric-
semantic mapping by multiple aerial robots,” in 2023 IEEE International Conference on Robotics and
Automation (ICRA), pp. 3282–3288, 2023, doi: 10.1109/ICRA48891.2023.10161564.
[19] S. Zhao, P. Bhattacharya, and M. Han, “A review of visual-LiDAR fusion based simultaneous
localization and mapping (SLAM) and metric-semantic mapping,” Robotics and Autonomous Systems,
vol. 174, Art. no. 104642, 2024, doi: 10.1016/j.robot.2024.104642.
[20] K. Guo, W. Liu, and J. Pan, “End-to-End Trajectory Distribution Prediction Based on Occupancy
Grid Maps,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
(CVPR), pp. 2242–2251, 2022, doi: 10.1109/CVPR52688.2022.00228.
[21] S. Sunil, S. Mozaffari, R. Singh, B. Shahrrava, and S. Alirezaee, “Feature-Based Occupancy Map-
Merging for Collaborative SLAM,” Sensors, vol. 23, no. 6, 2023, Art. no. 3114, doi: 10.3390/s23063114.
[22] Z. An, X. Rui, and C. Gao, “Improved A* Navigation Path-Planning Algorithm Based on Hexagonal
Grid,” ISPRS International Journal of Geo-Information, vol. 13, no. 5, 2024, Art. no. 166, doi:
10.3390/ijgi13050166.
22 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
[23] M. E. Miyombo, Y. K. Liu, C. M. Mulenga, A. Siamulonga, M. C. Kabanda, P. Shaba, et al., “Optimal
path planning in a real-world radioactive environment: A comparative study of A-star and Dijkstra
algorithms,” Nuclear Engineering and Design, vol. 420, 2024, Art. no. 113039, doi:
10.1016/j.nucengdes.2024.113039.
[24] H. Wang, S. Lou, J. Jing, Y. Wang, W. Liu, and T. Liu, “The EBS-A* algorithm: An improved A*
algorithm for path planning,” PLOS ONE, vol. 17, no. 2, 2022, Art. no. e0263841, doi:
10.1371/journal.pone.0263841.
[25] X. Li, Y. Lu, X. Zhao, X. Deng, and Z. Xie, “Path planning for intelligent vehicles based on improved
D* Lite,” Journal of Supercomputing, vol. 80, no. 1, 2024, Art. no. 1294, doi: 10.1007/s11227-023-05528-
1.
[26] H. Tu, Y. Deng, Q. Li, M. Song, and X. Zheng, “Improved RRT global path planning algorithm based
on Bridge Test,” Robotics and Autonomous Systems, vol. 171, 2024, Art. no. 104570, doi:
10.1016/j.robot.2024.104570.
[27] “ROSARIA,” ROS Wiki. [Online]. Available: https://wiki.ros.org/ROSARIA
[28] “libfreenect,” ROS Wiki. [Online]. Available: https://wiki.ros.org/libfreenect
[29] “laserscan_kinect,” ROS Wiki. [Online]. Available: https://wiki.ros.org/laserscan_kinect
[30] Y. Gong, “OSBF: One-sided box filter for edge-preserving image processing,” IEEE Access, 2025,
doi: 10.1109/ACCESS.2025.10942596.
[31] P. E. Hart, N. J. Nilsson, and B. Raphael, “A formal basis for the heuristic determination of minimum
cost paths,” IEEE Transactions on Systems Science and Cybernetics, vol. 4, no. 2, pp. 100–107, 1968,
doi: 10.1109/TSSC.1968.300136.
[32] H. K. Balakrishnan, A. Suryan, A. P. Alex, S. S. Raj, and G. Zhang, “Heuristic evaluation in A-star
algorithm for enhanced urban UAV path optimization,” SSRN Electronic Journal, 2025, doi:
10.2139/ssrn.5079937.
[33] U. Karki and P. J. Parikh, “Visibility-based layout of a hospital unit—An optimization approach,”
Health Care Management Science, vol. 27, no. 2, 2024, doi: 10.1007/s10729-023-09662-1.
[34] Y. Zhang, Y. Hu, J. Lu, and Z. Shi, “Research on path planning of mobile robot based on improved
Theta* algorithm,” Algorithms, vol. 15, no. 12, Art. no. 477, 2022, doi: 10.3390/a15120477.
[35] J. Zhang, P. Tsiotras, and Y. Yan, “Visibility-aware trajectory optimization for mobile robots in
cluttered environments,” in 2021 IEEE International Conference on Robotics and Automation (ICRA),
pp. 9823–9829, 2021, doi: 10.1109/ICRA48506.2021.9561021.
23 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 9 (3): e465.
[36] D. A. Daohong Liu, “Research of the Path Finding Algorithm A* in Video Games,” Highlights in
Science, Engineering and Technology, vol. 39, pp. 763–768, 2023, doi: 10.54097/hset.v39i.6642.
Derechos de Autor (c) 2026 Gilberto Ramos, Luis Arturo García Delgado, Ricardo Ramón Pérez Alcocer
Este texto está protegido por una licencia Creative Commons 4.0.
Usted es libre para compartir —copiar y redistribuir el material en cualquier medio o formato — y adaptar el documento —
remezclar, transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que
cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se
han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia