Sistema de mapeo y planificación de rutas con fusión multisensorial para navegación autónoma de un robot móvil tipo uniciclo
DOI:
https://doi.org/10.37636/recit.v9n3e465Palabras clave:
Planificación de rutas, WMR, Ray casting, Mapas de ocupaciónResumen
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.
Descargas
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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1038/s41598-025-21053-y
[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. DOI: https://doi.org/10.1109/IROS60139.2025.11246631
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1177/02783649231190428
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1109/TIV.2023.3328013
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1109/TAES.2023.3289784
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.3390/ijgi13050166
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1016/j.robot.2023.104570
[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. DOI: https://doi.org/10.1109/ACCESS.2025.3555434
[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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1007/s10729-024-09670-x
[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. DOI: https://doi.org/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. DOI: https://doi.org/10.1109/ICRA48506.2021.9561021
[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. DOI: https://doi.org/10.54097/hset.v39i.6642
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Gilberto Ramos, Luis Arturo García Delgado, Ricardo Ramón Pérez Alcocer
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado (vea The Effect of Open Access).
Cómo citar
