122

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

Encuentro de Investigacin en Ingeniera Elctrica

Zacatecas, Zac, Abril 5 7, 2006

Mtodo de Planeacin de Trayectorias

para su Aplicacin en la Navegacin de
Sillas de Ruedas Elctricas
Luis A. Gonzlez, Roberto A. Reyes
Centro de Investigacin y Desarrollo de Tecnologa Digital, Universidad Autnoma de Baja
California
Departamento de Control, Instituto Politcnico Nacional, Tijuana, Baja
California CP-22510.
TEL: +(664)623-1344, correo-e: [email protected], [email protected].
Resumen -- En el estudio de los robots mviles
todava existe campo de investigacin para el
planteamiento de nuevas soluciones a los problemas
de localizacin, planeacin y construccin de mapas.
En sistemas autnomos y semiautnomos, como las
sillas de rueda elctricas, es comn proveerlos de
sistemas que eviten obstculos, caminen por un pasillo
y pasen una puerta. Entre las principales necesidades
de movimiento autnomo se presenta la navegacin en
entornos estrechos y navegacin a travs de reas
cerradas. Este tipo de problemticas pueden ser
apoyadas por mtodos de planeacin de trayectorias
que consideran una optimizacin multiobjetivo.
En este trabajo se presentan los resultados obtenidos
en la prueba de trayectorias a travs de metodologas
con algoritmos genticos que permiten atacar el
problema multiobjetivo y poder aplicarse en una silla
de ruedas elctrica.
Abstract -- The study of mobile robotics is still field of
research on the localization, planning and roads
maps. Autonomous and semiautonomous mobile
robotics incorporate sensors and software systems
that help on the obstacle avoidance problem.
Navigation problems are present on mobile robotics
when moving on small hall ways and true cluttered
environments. Solution to these problems can be
supported by multiobjective optimization for path
planning.
This work present some results on obstacle avoidance
navigation by applying a multeobjective evolutionary
algorithm (MOEA) in order to use it on an electrical
wheelchair

Palabras clave - Campos potenciales, navegacin,

semiautnomo.

I. INTRODUCCIN
Las Sillas de Ruedas Elctricas, mejor conocidas por
sus siglas en ingls como EPW (Electric Power
Wheelchair) proveen una forma funcional de
movilidad para gente con impedimentos en sus
extremidades, ya sea inferiores y superiores. Ms de
200,00 personas en Estados Unidos y 10,000 en
Mxico usan una EPW como su primer medio de
movilidad [1],[2],[3]; sin embargo el incremento por el
uso de estos elementos va en aumento.
Los orgenes de las EPWs comerciales se remonta a
los aos cincuenta [4], el cual es un modelo que en
estructura ha cambiado radicalmente, pero en esencia
mecnica y de desplazamiento sigue teniendo la
misma base: un par de motores y un control manual
para su manejo [5].
La interaccin entre el Instituto Nacional de
Estndares Americano o ANSI por sus siglas en ingls
(American National Standards Institute) y la Sociedad
de Ingeniera de Rehabilitacin y Asistencia
Tecnolgica de Norteamrica o RESNA que por sus
siglas en ingls es (Rehabilitation Engineering and
Assistive Technology Society of North America) ha
dado pie al desarrollo de estndares relacionados con
elementos bsicos en el desarrollo de este tipo de
elementos [6].
Las EPW pueden tambin analizarse desde el punto de
vista de control como se presenta en la Figura 1. El
manejo de la velocidad es la funcin base de un
sistema de control de una silla de ruedas; esto
generalmente se realiza en forma manual por el

123

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

usuario, ajustando la velocidad de desplazamiento a
travs de algn dispositivo de entrada; pero en las
sillas elctricas ms simples, el control de velocidad
tiende a ser de dos o tres posiciones y el usuario
nicamente tiene control de la direccin de la silla.
Estudios han demostrado que la mayora de las
personas que utilizan EPW reportan dificultad en el
control de sus sillas [7] por los mtodos
convencionales, lo cual muestra la gran posibilidad
de la navegacin por medio de sistemas autnomos.

Disturbio
Externo

Direccin

Velocidad

Algoritmo
de
referencia

Algoritmo de
control de
motores

Componentes
del Modelo
(Motores,
Ruedas y
Engranaje)

Velocidad
Actual

Modelos
Cinemtico y
Dinmico de la
Silla de Ruedas

Canal

Algoritmos de
Control
Velocidad/
Evitar
Obstculos

Sensores
Codificador/Tacmetro
Infrarojo/Ultrasonico
Interfaz Usuario-Silla
de Ruedas

Dinmica
del
Vehiculo

Manejador
de motores

Figura 2. Control semiautnomo de una EPW.

Dicho sistema debe permitir mantener una posicin y

soporte adecuado de acuerdo a las maniobras que
realice (aceleraciones, vueltas, etc), adems de
incrementar el rango de maniobrabilidad. La seleccin
de la interfaz es todava un punto de investigacin que
permita expander los rangos de ejecucin de las EPW.

Figura 1 Control Convencional de una Silla de Ruedas Elctrica

III. NAVEGACIN

De lo anterior se presenta la necesidad de

investigacin de tcnicas y algoritmos de control
que permitan una navegacin autnoma o
semiautnoma, en donde la toma de decisiones de
aceleraciones y velocidades sea tomada por la silla
de tal forma, que los cambios bruscos disminuyan
en gran medida y hagan un viaje ms confortable de
los usuarios.

Para un agente mvil, la habilidad de navegar es una

de sus mayores capacidades, por lo que es necesario
para evitar situaciones de peligro, colisiones y
cualquier imprevisto, conocer su entorno de trabajo o
movimiento y decidir por el mejor desplazamiento es
parte del proceso de navegacin.

II. CONTROL
El sistema de control de una silla de ruedas no deja
de asemejarse al de cualquier sistema mvil
semiautnomo o compartido, en donde el usuario
genera instrucciones al dispositivo mvil y se apoya
de sensores para toma de algunas decisiones de su
desplazamiento. Esta aproximacin es tambin
llamada control basado en sensores, esto es debido a
la cadena de sensores externos o internos usados
para la parte del sistema automtico de control,
como se puede ver en la Figura 2.
Esta estrategia es empleada principalmente en
aquellas sillas donde el usuario final sufre de una
limitacin fsica, sensorial o cognoscitiva y necesite
de cierta libertad de movimiento para realizar sus
funciones de trabajo, diversin o personales.

La navegacin puede ser definida como una

combinacin de tres competencias:
1. Propia localizacin.
2. Planeacin de Trayectorias.
3. Construccin e interpretacin de mapas.
La localizacin denota la competencia del elemento
mvil de conocer su propia posicin con respecto a
una de referencia; la planeacin de trayectorias es una
extensin de la localizacin, la cual requiere la
determinacin de la posicin actual del elemento
mvil o localizacin y la posicin del punto a
alcanzar, ambos dentro de la misma estructura de
referencia. Por ltimo, el mapeo no solo cubre los
mapas conocidos por todos sino que se auxilia de
cualquier anotacin que tenga que ver con el entorno
de la estructura de referencia y la habilidad para
descifrar o interpretar dicho mapa.
La estructura de referencia es un componente crucial
de cualquier sistema de navegacin de robots y esta
definida dentro de las tres competencias de la misma.
La estructura de referencia es un punto fijo que define
el ancho de la competencia de navegacin, o dicho
de otra forma, define donde puede localizarse el robot
mvil.
La planeacin de trayectorias en robots mviles es un
problema tpico descrito ampliamente en [8]; dado un
robot y una descripcin del entorno de trabajo, planear

124

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

una trayectoria libre de colisin entre dos puntos

definidos deben satisfacer ciertos criterios de
optimizacin. La planeacin de trayectorias ha sido
estudiada y aplicada en muchos campos de
investigacin y especialmente en vehculos
autnomos se tiende una diversidad de mtodos
como lo presentan en [9]. Pero en general, a los
mtodos de planeacin de trayectorias los podemos
clasificar en dos grandes rubros: los mtodos de
campos potenciales artificiales o mtodos APF
(Artificial Potential Field) [10], [11], [12], [13]; y
los mtodos de Inteligencia Artificial que por sus
siglas en ingls AI (Artificial Intelligent) [14], [15],
[16].
La mayora de los mtodos AI son basados en
algoritmos genticos, lgica difusa y redes
neuronales. Estos mtodos estn asociados con
algoritmos de optimizacin global de la trayectoria,
por lo que se vuelven relativamente compleja su
estructuracin y se incrementa el consumo de
tiempo computacional, lo cual no es muy bueno
para aplicaciones en tiempo real; sin embargo son
muy eficientes cuando se tiene informacin del
entorno con anticipacin.
Los mtodos APF son mucho ms convenientes por
su alta eficiencia en la planeacin de trayectorias;
estos son utilizados desde Khatib [17]. En esta
aproximacin un robot mvil aplica una fuerza
generada por un campo potencial artificial con
control en la entrada para conducir un sistema; los
mtodos
tradicionales
son
aproximaciones
puramente reactivas en naturaleza y no optimizables
en su trayectoria obtenida [18], [19]. Modificaciones
en los mtodos han permitido tener una mayor
robustes y han permitido planeaciones en el
momento, partiendo de una planeacin global y
dejando un control de planeacin local optimizable
y adecuable a los cambios del espacio o entorno del
elemento mvil.
IV. MTODO DE PLANEACIN DE
TRAYECTORIAS
En el mtodo tradicional de campos potenciales un
obstculo es considerado un punto de alto potencial
y el punto final como uno de bajo potencial. En el
dominio de la planeacin de robots mviles, un
robot se mueve siempre de un punto de mayor
potencial a uno de menor como se muestra en la
Figura 3.

Figura 3. Campos potenciales naturales de un conjunto de elementos

reactivos.

En general, este procedimiento involucra los siguientes

pasos:
1.

Se establece una funcin potencial la cual

generalmente es una funcin de distancia, tal
como: = 1/D [10]

2. Usar un algoritmo de campos potenciales para

localizar un punto de potencial mnimo
(Dijkstra, AGV, etc) [20]
3. Desplazar un robot hacia el punto de mnimo
potencial
4. Repetir los pasos 2 y 3 hasta que el robot
alcance el punto meta.
Este tipo de mtodos son seguros para encontrar una
trayectoria si esta existe; sin embargo, si se requiere
una trayectoria ptima, es necesario incluir funciones
de optimizacin y asociar restricciones. Las
restricciones involucran dificultad de establecer
mnimos locales y la programacin se vuelve ms
compleja.
Debido a que las EPW con sistemas de control
autnomo y semiautnomo tienen un sistema de
navegacin en donde la planeacin de trayectorias esta
basado en los mtodos tradicionales de campos
potenciales, se esta estudiando la posibilidad de
introducir mtodos optimizables de planeacin para
mejorar el desempeo de la navegacin.
El mtodo denominado
Campos Potenciales
Artificiales Evolutivos o mtodos EAPF (Evolution
Artificial Potential Field) es propuesto como caso de
estudio; dicho mtodo utiliza algoritmos de
optimizacin evolutivos sobre el algoritmo de campos
potenciales tradicional.
Inspirado en los campos potenciales naturales, se
asume que el elemento mvil se mueve en una
direccin con ngulo sobre el campo potencial. La
direccin del ngulo en cualquier punto es a lo largo
de la resultante de una fuerza repulsiva desde el

125

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

obstculo y de una fuerza atractiva hacia el punto
meta, como se presenta en la Figura 4.
Obstculo

Fuerza de
atraccin

Robot

La funcin de un campo potencial artificial evolutivo

ser una funcin de campo potencial ptima para un
obstculo. La misma funcin puede ser usada en un
entorno multi-objetivo.
En el EAPF, un mnimo local existe alrededor de los
puntos de potencial nulo. La condicin de puntos de
potencial nulo es:

Meta

Fuerza de
repulsin
Angulo del
Campo
Potencial

Fa + Fr = 0

(4)

Figura 4 Desplazamiento del elemento mvil a un punto meta.

Los pasos asociados al proceso EAPF son:

1. Disear una funcin estndar de fuerzas de
atarccin para el punto meta y repulsin
con parmetros ajustables para diferentes
tipos de obstculos. Las funciones de
campo potencial son siempre consideradas
como funciones de distancia. La fuerza
atractiva va en direccin del punto meta Fa
y la fuerza repulsiva desde un obstculo Fr
son definidas en las ecuaciones (1) y (2)
respectivamente.
1
Fa =
Drg

Fr =

(aDro )n

Angulo = (Fa + Fr )

(1)

(2)
(3)

donde, Drg es la distancia entre el robot y el punto

meta, y Dro es la distancia entre el robot y un
obstculo; a, n son parmetros optimizables.
2.

3.

4.

Disear funciones de costo para el sistema

determinando la suavidad de una funcin
potencial, conocida como cadena. Lo
anterior se realiza comparando las
funciones de costo para dos cadenas, con
esto se encuentra que funciones de costo
son mejores para el sistema.
Uso de un Algoritmo Multi-objetivo
Evolutivo (Multi-Objective Evolutionary
Algorithm, MOEA por sus siglas en ingls)
[14], para optimizar los parmetros de cada
una de las funciones potenciales para cada
obstculo.
Uso de una funcin de campo potencial
evolutiva para realizar la navegacin del
robot.

Un local mnimo es identificado cuando las siguientes

dos condiciones son satisfechas

F
F

Fa

<b

(5)

cos(Fa Fr ) < cos(c )

(6)

Cuando las ecuaciones (4) y (5) son satisfechas, una

fuerza adicional de escape es aplicada:

[ (

1
Fe = m cos Fa
dDro

F ) cos(c) ]
r

(7)

donde, Fe representa la fuerza de escape. Los

parmetros b, c, d y m son optimizables con el MOEA.
En las Figuras 5(a) y 6(b) se muestran los resultados
con y sin la funcin de fuerza de escape. Tres
funciones de aptitud o desempeo, denominadas,
factor meta, factor para evitar un obstculo y factor de
mnima longitud de trayectoria son utilizados en la
aproximacin para obtener una trayectoria ptima.
El factor meta es cero cuando el robot se encuentra en
el punto objetivo. El factor obstculo es cero cuando
no existe colisin con un obstculo. El factor de
trayectoria mnima denota la trayectoria ms corta.
Trazo del robot

Trazo del robot

Robot

Obstculo

Mejora

Meta

Robot

a)

Obstculo

Meta

b)

Figura 5. a) Desplazamiento sin fuerza de escape, b) Con fuerza de

escape

El factor meta (Figura 6a) es:

126

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

0

fp =
F p + min t[0,t g ] p (t ) Pg

(8)

El factor obstculo (Figura 6b) se puede expresar

como:

fo =
Fo + max t[0,t g ] (Ro pc(t ) Po

(9)
Figura 8. Trayectorias con tres obstculos de diferentes formas.

El factor de trayectoria mnima es:

f lt = longitud de la trayectoria planeada

(10)

Robot

min t E [0,tg] ( || p(t)-Pg || )

Obstculo

Robot
Meta
max t E [0,tg] ( Ro-|| pc(t)-Po || )

a)

b)

Figura 6. a) Factor meta b) Factor obstculo

Para el caso de las figuras anteriores, se presentan

algunos de los resultados para uno y tres obstculos de
diferentes formas y dimensiones; para su
comprobacin de la optimizacin, se prob con
respecto a una trayectoria no optimizada, en la cual se
puede ver un mejor resultado en cuanto al punto de
llegada, pero son ms bruscos sus movimientos, los
cuales para una silla de ruedas es crucial para su
proceso de navegacin. Las curvas optimizables
fueron variando su acercamiento al punto meta debido
a los cambios en los valores de a y n.

V. RESULTADOS DE SIMULACIN
El campo potencial artificial evolutivo fue
implementado para diversos casos en cantidad de
obstculos y de diferentes formas, para probar la
robustes del mismo.
Todos los casos se experimentaron con obstculos
fijos y todas las trayectorias obtenidas fueron
ptimas a reserva de la que se manej con el mtodo
tradicional de campos potenciales.
Primero se hizo un programa utilizando matlab
(Figuras 7 y 8) considerando a la EPW como un
punto; posteriormente se traslad el algoritmo a un
software simulador de robots, en donde se vieron
algunos resultados.

Figura 9. MobotSim para comprobar desplazamiento

Por ltimo se esta trabajando en su prueba dentro de

un software educativo de robots mviles, en el cual se
tiene un robot diferencial que tiene sensado del tipo
snico, en donde uno traslada su algoritmo y se analiza
su navegacin por un entorno que uno cree, como se
puede ver en la Figura 9.
VI CONCLUSIONES Y TRABAJOS FUTUROS

Figura 7. Trayectorias con un obstculo.

En este artculo se implement un algoritmo de

planeacin de trayectorias de campos potenciales para
aplicarse en robots mviles, principalmente en una
silla de ruedas elctrica. Dicho algoritmo funciona sin
problemas en ambientes con obstculos estticos.
Comparado con el algoritmo tradicional se obtuvieron
buenos resultados con trayectorias suaves y ptimas;
adems de que el tiempo computacional no crece en

Encuentro de Investigacin en IE, 5 7 de Abril, 2006

gran medida como otros procesos o algoritmos de
optimizacin.
Se esta trabajando en lo siguiente:
- Resultados con obstculos mviles.
- Analizar otras metodologas como la lgica
difusa, redes neuronales y nuevas
estructuras AI que mejoran el desempeo de
los mtodos APF.
- Su posterior interaccin con los otros
procesos de la navegacin
- Su implementacin en una EPW.
REFERENCIAS
[1] Jones, M.; Sanford, J. People with mobility
impairment in the United States today and in 2010,
Assist. Technol, vol. 8 no 1 pp 43-53,(1996).
[2] Instituto Nacional de Geografa e Informtica, INEGI
(2000). www.inegi.gob.mx
[3]Cooper R.; Ding, D. Electric-Powered Wheelchairs
Magazine en Sistemas de Control IEEE, pp. 22-34. Abril
(2005).

127

[12] Makita, Y.; Nakagawa, M. A simple path planning

system using fuzzy rules and a potential field, Sistemas
Difusos, Congreso Mundial de IEEE en Inteligencia
Computacional, proceeding de la tercera Conferencia, pp.
994-999 vol.2. (1994)
[13] Kun W.; Jian L. Genetic-based adaptive fuzzy
controller for robot path planning, Sistemas difusos,
Proceeding de la 50va Conferencia Internacional IEEE, pp.
1687-1692 vol. 3. (1996)
[14] Baba, N. Y Kubota, N. Collision avoidance planning
of a robot manipulator by using genetic algorithm.
Computacin Evolutiva. Congreso Mundial de la IEEE
sobre Inteligencia Computacional, Proceedings de la
primera Conferencia IEEE, pp. 714-719 vol.2. (1994).
[15] Rana, A.; Zalzala A. An evolutionary algoritmh for
collision free motion planning of multi-arm robots
Algoritmos Genticos en Sistemas de Ingeniera:
Innovaciones y Aplicaciones,. Galesia, Primera Conferencia
Internacional, pp. 123-130. (1995)

[4]
Cooper,
R
Wheelchairs
Selection
and
Configuration, New York: Demos Medical,(1998).

[16] Byoung-Tak Z.; Sung-Hoon K. An evolutionary

method for active learning of mobile robot path planning,
Inteligencia Computacional en Robtica y Automatizacin,
Proceeding en Simposio Internacional de IEEE, pp. 312317. (CIRA97)

[5] Woods, B. y Watson, N. A short history of powered

wheelchairs Assist. Technol, vol. 15 no 10 pp 735743,(2001).

[17] Khatib, O. Real-time obstacle avoidance for

manipulators and mobile robots; Journal Internacional de
Investigacin Robtica, vol. 5 No 1 pp. 90-96,(1986).

[6] American National Standar for Wheelchairs Vol. 1,2

Requirements and Test Methods for Wheelchairs,
Arlington VA, RESNA press,(1998).

[18] Borenstein, J.; Koren, Y. The vector field histogramfast obstacle avoidance for mobile robots, Transaction en
Robots y Automatizacin IEEE, vol. 7 no 3 pp. 278-287,
junio (1991).

[7] Fehr, L.; Langbein, W.; Skaar S. Adequacy of power

wheelchairs control interfaces for persons with severe
disabilities: A clinical survey Journal Rehab Res Dev,
vol 37 no 3, pp. 353-360,(2000).
[8] Yap, K. Algorithmic motion planning en Robots
Avanzados vol. 1,(1997) pp 95-143.
[9] Chanclou, B. y Luciani, A. Global and local path
planning in natural environment by physical modeling,
Robots y Sistemas Inteligentes IROS96, Proceeding de
IEEE/RSJ Conferencia Internacional pp. 1118-1125 vol.
3. (1996)
[10] Plumer, E. Neural network structure for navigation
using potential fields, Proceeding Conferencia
Internacional de Redes Neuronales, pp. 327-332 vol.1.
(IJCNN-92)
[11] Akishita, S; Kawamura, S. fast path planning
available for moving obstacle avoidance by use of
Laplace potential Robots y Sistemas Inteligentes,
Proceeding de IEEE/RSJ Conferencia Internacional, pp.
673-678 vol. 1. (IROS93)

[19] Lumelsky V. A comparative study on the path length

performance of maze-searching and robot motion planning
algorithms Transaction en Robots y Automatizacin IEEE,
vol. 7 no 1 pp. 57-66, (1991).
[20] Stephen, C.; Penelope P.. Advanced Guided Vehicles:
Aspects of the Oxford AGV Project, Word Scientific
Editors, Series in Robotics and Automated Systems, Vol. 9,
Oxford University, pp. 165-225, (1994).