119245

PLANEAMIENTO DE TRAYECTORIAS DE UN ROBOT MÓVIL
Autor:
DIEGO ALEXANDER TIBADUIZA BURGOS
UNIVERSIDAD INDUSTRIAL DE SANTANDER

MAESTRÍA EN INGENIERÍA
FACULTAD DE INGENIERÍAS FÍSICO-MECÁNICAS
ESCUELA DE INGENIERÍAS ELÉCTRICA, ELECTRÓNICA Y
TELECOMUNICACIONES
BUCARAMANGA
ENERO DE 2006
i
PLANEAMIENTO DE TRAYECTORIAS DE UN ROBOT MÓVIL
Autor:
DIEGO ALEXANDER TIBADUIZA BURGOS
TRABAJO DE INVESTIGACIÓN
Director:
Dr. Tech ROBERTO MARTINEZ ANGEL
Codirector:
MPE. JAIME GUILLERMO BARRERO PEREZ
UNIVERSIDAD INDUSTRIAL DE SANTANDER

MAESTRÍA EN INGENIERÍA
FACULTAD DE INGENIERÍAS FÍSICO-MECÁNICAS
ESCUELA DE INGENIERÍAS ELÉCTRICA, ELECTRÓNICA Y
TELECOMUNICACIONES
BUCARAMANGA
ENERO DE 2006
ii
iii
CONTENIDO
Pag.
INTRODUCCIÓN 1
1. PLANTEAMIENTO DEL PROBLEMA 3
1.1 ROBOTS MÓVILES 4
1.1.1 Configuraciones de robots móviles 5
2. IMPLEMENTACIÓN DEL SISTEMA 9
2.1 PISTA 9
2.2 ROBOTS MÓVILES 9
2.3 OBSTÁCULOS 10
2.4 SISTEMA DE VISIÓN 10
2.5 COMUNICACIÓN ETHERNET 11
2.6 COMUNICACIÓN VÍA RADIOFRECUENCIA 12
2.7 ULTRASONIDO 12
3. ALGORITMO DE CONTROL 14
3.1 CONTROL DE ALTO NIVEL 14
3.1.1 Descomposición en celdas. 15
3.1.2 Mapa de caminos 16
3.1.3 Campos de potencial 16
3.1.4 Algoritmos genéticos 19
3.2 ALGORITMOS IMPLEMENTADOS 24
3.2.1 Campos de potencial 24
3.2.2 Algoritmos genéticos 36
3.3 ALGORITMO DE CONTROL DE BAJO NIVEL 41
3.3.1 Control de servomotores 44
3.3.2 Modulo de ultrasonido 45
3.3.3 Trayectoria planeada 49
3.3.4 Programación 52
4. VISIÓN DINÁMICA 59
4.1 GENERALIDADES DEL ANÁLISIS DINÁMICO DE
iv
IMÁGENES
4.1.1 Definición 59
4.1.2 Etapas fundamentales de la aplicación implementada 59
4.2 GENERALIDADES 61
4.2.1 Descripción de la escena 61
4.2.2 Elementos de adquisición 62
4.2.3 Algoritmo de adquisición y configuración de la tarjeta 66
digitalizadora.
4.3 PRE-PROCESAMIENTO 69
4.4 DETECCIÓN Y SEGMENTACION DE MOVIMIENTO 69
4.4.1 Método basado en Color 69
4.4.2 Algoritmo de color 73
4.4.3 Método basado en Gradientes 76
4.4.4 Método Basado En Correlación 80
4.5 LOCALIZACIÓN E IDENTIFICACION 84
4.5.1. Localización de objetos en la imagen 85
4.5.2. Algoritmo de Identificación 85
4.5.3 Cálculo de Orientación del móvil 89
5. PRUEBAS Y ANÁLISIS DE RESULTADOS 92
5.1 PRUEBAS REALIZADAS PARA EL SISTEMA DE VISIÓN 92
5.1.1 Posición 93
5.1.2 Orientación 94
5.1.3 Seguimiento 95
5.1.4 Tiempo de latencia 98
5.2 CARACTERIZACION DEL MODULO DE ULTRASONIDO 99
SRF04
5.3 PRUEBAS DE DESEMPEÑO DEL ROBOT MÓVIL 101
5.3.1 Comunicación 102
5.3.2 Precisión 102
5.3.3 Repetibilidad
v
5.4 PROGRAMAS ELABORADOS 107
5.4.1 Campos de Potencial 107
5.4.2 Algoritmos Genéticos 109
5.4.3 Sistemas de referencia 111
6. OBSERVACIONES Y CONCLUSIONES 113
7. RECOMENDACIONES PARA TRABAJOS FUTUROS 118
8. REFERENCIAS BIBLIOGRAFICAS 119
vi
LISTA DE FIGURAS
Pag.
Figura 1. Celda de manufactura Universidad Pontificia Javeriana 3
Cali
Figura 2. Configuración síncrona 5
Figura 3. Configuración diferencial 6
Figura 4. Configuración diferencial 6
Figura 5. Triciclo clásico 7
Figura 6. Configuración Ackerman 7
Figura 7. Elementos de la adquisición de imágenes 11
Figura 8. Módulo de Ultrasonido 12
Figura 9. Esquema general de la implementación. 13
Figura 10. Vista del área de trabajo 13
Figura 11. Diagrama de bloques de algoritmo del sistema 14
Figura 12. Problema de un mínimo local en campos de potencial 19
Figura 13. Esquema básico del operador de cruce 23

Figura 14. Representación del área de trabajo cuando la pista 26
es de 20x20
Figura 15. Potencial alrededor del punto de llegada. 27
Figura 16. Campo de potencial alrededor de un obstáculo 28
Figura 17. Vista general de la pista. 29
Figura 18. Representación de los datos ingresados al algoritmo 30
con un obstáculo fijo
Figura 19. Representación de los datos ingresados al algoritmo 31
con un obstáculo fijo
Figura 20. Resultados obtenidos luego de ejecutar el algoritmo. 32
Figura 21. Representación de los movimientos. 32
Figura 22. Definición de puntos vecinos dentro de una matriz 33
Figura 23. Distribución de los obstáculos, punto de inicio y punto 34
vii
de llegada.
Figura 24. Resultados obtenidos para la distribución definida en 34
la figura 23.
Figura 25. Resultados del método de campos de potencial con 3 35
obstáculos
Figura 26. Resultados obtenidos cuando se tienen 6 obstáculos. 36
Figura 27. Ejemplo de trayectoria codificada. 38
Figura 28. Método de Cruce 39
Figura 29.Camino exitoso sin zonas de riesgo en los obstáculos, 39
generación 20
Figura 30. Camino exitoso sin zonas de riesgo, generación 110. 40
Figura 31. Camino exitoso con grilla de 32 celdas, 40
considerando zonas de riesgo (generación 205).
Figura 32. Diagrama de bloques del sistema de control de bajo 41
nivel.
Figura 33. Módulo de Radiofrecuencia 41
Figura 34. Circuito experimental con un 555 43
Figura 35. Tren de pulsos generado por el circuito. 43
Figura 36. Señal de control para el servomotor. 44
Figura 37. Conexiones del modulo del ultrasonido SRF04 46
Figura 38. Diagrama de Tiempos del SRF04 47
Figura 39. Rango efectivo del SRF04. 48
Figura 40. Captura del pulso de eco. 49
Figura 41. División del Byte para Algoritmo Genético 50
Figura 42. División del Byte para la programación con Campos 51
de Potencial
Figura 43. Diagrama de flujo del móvil controlado. 53
Figura 44. Obstáculo Móvil 54
Figura 45. Diagrama de Flujo del móvil aleatorio 55
Figura 46. Representación de las direcciones del móvil. 56
viii
Figura 47. Diagrama de Subprograma de Giro 57
Figura 48. Diagrama de subprograma Avanzar. 58
Figura 49. Diagrama de bloques de la aplicación implementada 61
Figura 50. Distribución general de la escena 62
Figura 51. Foto tomada sin calibración 63
Figura 52. Foto obtenida después de la calibración 63
Figura 53. Foto tomada sin calibración 64
Figura 54. Foto obtenida después de la calibración 64
Figura 55. Modelo de distorsión completo para lente de 4 mm 65
Figura 56.Diagrama de flujo para algoritmo de adquisición 67
Figura 57. Adquisición de video y frames 68
Figura 58. Diagrama cromático CIE 1931 para un observador de 71
2°
Figura 59. Observador de 2º. 71
Figura 60. Espacio y color HLS 72
Figura 61. Diagrama de flujo para Algoritmo de Color 75
Figura 62. Segmentación del color amarillo con modelo HLS. 76
a) Imagen original. b) Binarización. c) Imagen con filtrado
morfológico
Figura 63. Segmentación del color naranja con modelo xyY 76
a)Imagen original. b) Binarización. c) Imagen con filtrado
morfológico
Figura 64. Diagrama para Algoritmo basado en Gradientes 78
Figura 65. Operaciones del algoritmo de Jain 79
Figura 66. Segmentación de movimiento con gradientes. 80
a) imagen A(to). b)imagen A(to+∆t). c)Gradiente espacial.
d)Gradiente temporal. e)bordes del objeto en movimiento
f)objeto segmentado
Figura 67. Diagrama del algoritmo de correlación 83
Figura 68. Resultados del algoritmo de correlación
ix
Figura 69. Diagrama de flujo para algoritmo de identificación 86
Figura 70. Dimensiones de los móviles 87
Figura 71. Identificación de un móvil 88
Figura 72. Diagrama par el algoritmo alterno 89
Figura 73. Sistema de referencia fijado en el centro de la 90
escena
Figura 74. Sistema de referencia variable 91
Figura 75. Posiciones usadas para determinar la distribución del 93
error.
Figura 76. Distribución del error de posición en los algoritmos 94
implementados
Figura 77. Error en orientación. 95
Figura 78. Seguimiento de una trayectoria recta 96
a)con el modelo de color HLS b)con el modelo de color xyY
c)con el algoritmo basado en gradientes d)con correlación
Figura 79. Seguimiento de una trayectoria circular 97
a)con el modelo de color HLS b)con el modelo de color xyY
c)con el algoritmo basado en gradientes d)con correlación
Figura 80. Caracterización del sensor SRF04 101
Figura 81. Dispersión de los datos en la prueba de 106
repetibilidad.
Figura 82. Interfaz off-line de capos de potencial 107
Figura 83. Interfaz off-line que lee los valores de los obstáculos 108
fijos dentro de la pista usando cámara.
Figura 84. Interfaz gráfica programa de planeación de 110
trayectorias usando algoritmos genéticos.
Figura 85. Ejemplo de trayectoria obtenida con freyja. 110
Figura 86. Ejemplo de trayectoria al ejecutar Freyja. 111
Figura 87. Sistemas de referencia 112
x
LISTA DE TABLAS
Tabla 1.Codificación de cromosomas. 37

Tabla 2. Función y configuración de puertos. 42
Tabla 3. Asignación de puertos para los servomotores. 45
Tabla 4. Asignación de puertos para el modulo de ultrasonido. 49
Tabla 5. Acción del móvil para AG. 50
Tabla 6. Acción del móvil para CP. 51
Tabla 7. Tiempos de latencia 99
Tabla 8. Velocidad máxima de procesamiento. 99
Tabla 9. Resultados del laboratorio en la calibración del SRF04. 100
Tabla 10. Prueba de presición en el robot móvil 103
Tabla 11. Resultados de la prueba de repetibilidad. 105
xi
LISTA DE ANEXOS
Pág
Anexo A. Construcción del robot móvil 123
Anexo B. Principales características de la tarjeta digitalizadora 133
dfg/compress piranha y de la cámara DFK 50H13
Anexo C. Instalación e interfase grafica de “fenix” 145
xii
RESUMEN
TITULO: PLANEAMIENTO DE TRAYECTORIAS DE UN ROBOT MÓVIL*
AUTOR: TIBADUIZA BURGOS, DIEGO ALEXANDER**
PALABRAS CLAVES: planeamiento de caminos, campos de potencial, algoritmos genéticos,

radiofrecuencia.
DESCRIPCIÓN
En este trabajo de investigación se presenta el desarrollo de dos técnicas de

planeamiento de trayectorias. Una de las técnicas es campos de potencial y la otra
corresponde a los algoritmos genéticos.
Cada una de estas técnicas se probó sobre un sistema físico que consta de una
pista de madera de 1,50 m * 2,40 m, un sistema de visión artificial, dos robots
móviles tipo diferencial y unos obstáculos fijos en forma de tetraedro.
El algoritmo de campos de potencial define unos pesos específicos al área de
trabajo, para de esta manera diferenciar a los obstáculos y generar un camino libre
de colisiones.
El algoritmo genético emula tres operaciones básicas como son reproducción,
cruce y mutación para crear trayectorias cada vez mejores en función de un peso
específico.
Todo el sistema es sensado con una cámara cuyas imágenes son procesadas por
un computador, el cual genera la posición y orientación de cada objeto sobre el
área de trabajo. Estos datos son leídos por los algoritmos de control, los cuales
generan la trayectoria y envían por puerto serial a un módulo de RF para cada
móvil.
El ambiente dinámico se simula con uno de los robots móviles, el cual posee un
modulo de ultrasonido que sensa el ambiente y se mueve por el sin ninguna
trayectoria planeada.
____________________
* Work of Master Investigation.

**School of Electronic, Electric Engineering and of Telecommunications. Roberto Martinez Angel.
xiii
ABSTRACT
TITLE: PATH PLANNING IN A MOBILE ROBOT*
AUTHOR: TIBADUIZA BURGOS, DIEGO ALEXANDER**
KEYWORDS: path planning, potential fields, genetic algorithms, radiofrecuency.
DESCRIPTION:
In this work of investigation the development of two techniques of planning of

trajectories is presented. One of the techniques is potential fields and the other
corresponds to the genetic algorithms.
Each one of these techniques was proven on a physical system that consists of a
wood track of 1.50 m * 2.40 m, a system of artificial vision, two robots mobile type
differential and fixed obstacles with tetrahedric form.
The algorithm of potential fields defines specific weights to the work area, for this
way differentiating to the obstacles and generating a way free of collisions.
The genetic algorithm emulates three basic operations as they are reproduction,
crosses and mutation to create better trajectories every time based on a specific
weight.
All the system is sense with a camera whose images are processed in a computer,
which generates the position and direction of each object on the work area. These
data are read by the control algorithms, which generate the trajectory and send by
serial port to a module of RF for each mobile.
The dynamic area is simulated with one of robots mobile, which has I modulate of
ultrasound that sense the area and moves by without no planned trajectory.
____________________
* Work of Master Investigation.

**School of Electronic, Electric Engineering and of Telecommunications. Roberto Martinez Angel.
xiv
INTRODUCCIÓN
La robótica es un campo de amplias perspectivas para el desarrollo industrial que

en un tiempo relativamente corto podría permitir a países en desarrollo apropiarse
de técnicas que utilizando las vías tradicionales podrían requerir un tiempo
considerable.
Cada vez más los robots deben interactuar en ambientes cuyos espacios de
trabajo no son estáticos, lo cual le exige al robot herramientas que le permitan
desempeñarse adecuadamente a pesar de los cambios que se presenten, es ahí
donde el planeamiento de trayectorias se presenta como una solución.
En este trabajo de investigación de Maestría se busca implementar estrategias

para planeamiento de trayectorias de un robot móvil en un ambiente cambiante en
el cual se mueve otro robot en presencia de varios obstáculos. El objetivo es llevar
al móvil desde el punto origen hasta el punto destino dentro del área de trabajo,
evitando todo tipo de colisiones. El lazo de realimentación lo constituye una
cámara que permite determinar en todo instante la posición de los dos robots y de
los obstáculos estacionarios. El algoritmo puede ser aplicado en un terreno como
una pista con características similares a las de la ROBOCUP ó en cualquier tipo
de aplicación en las que se tenga las coordenadas de los obstáculos y puntos de
interés.
El presente trabajo está enmarcado dentro de las líneas de investigación y

desarrollo del grupo CEMOS1 de la Escuela de ingenierías Eléctrica, Electrónica y
Telecomunicaciones y nace de la necesidad de fortalecer la línea de robótica en la
E3T y de mejorar el laboratorio de robótica de la asignatura que se imparte en la
Universidad Industrial de Santander.
1
Control, Electrónica, Modelamiento y Simulación.
1
Este proyecto de investigación incluye la elaboración de un algoritmo de visión
dinámica encargado de sensar en un plano 2D, la posición de dos obstáculos fijos,
un obstáculo móvil y la posición del móvil que ejecuta la trayectoria. Para el
planeamiento y ejecución de la trayectoria, se implementó dos programas que
tienen por objeto, encontrar y ejecutar una trayectoria libre de colisiones para un
robot móvil. Estos programas se basan en la técnica de algoritmos genéticos y de
campos de potencial.
El presente documento se ha dividido en cuatro capítulos: en el primero se hace la

descripción del planteamiento del problema y una recopilación de conceptos
básicos acerca de la robótica.
En el segundo capítulo, se hace una descripción de la implementación del sistema
junto con los componentes generales. El algoritmo de control se detalla en el
tercer capítulo, en este se describe tanto el control de alto nivel encargado de
generar las trayectorias como el control de bajo nivel, encargado de ejecutar sobre
el móvil las acciones necesarias para que pueda ser ejecutada la trayectoria.
En el capítulo cuatro se describe el algoritmo de visión dinámica implementado y

en el capítulo cinco se presentan las diferentes pruebas y resultados, por último se
encuentran las conclusiones y observaciones a las que se llegaron con unas
posibles recomendaciones para futuras mejoras.
Los anexos hacen referencia a la construcción del robot, características de la

tarjeta de digitalización usada y a una breve explicación de la interfaz de visión.
2
1. PLANTEAMIENTO DEL PROBLEMA
En un sistema automatizado de producción se tienen diferentes elementos tales

como: máquinas, herramientas, depósito de materia prima y anaqueles donde se
almacena el stock, (ver figura 1). Se necesita poseer estibadoras inteligentes que
sean capaces de llevar los productos terminados desde las máquinas a la cadena
de ensamble y luego a los anaqueles correspondientes.
Figura 1. Celda de manufactura Universidad Pontificia Javeriana Cali
En este contexto el interés de la robótica se centra en los manipuladores, robots

que manejan las celdas de manufactura y robots móviles para realizar el
transporte de material de una celda a otra o a la cadena de montaje.
De acuerdo a esto se puede tener:
3
Manipuladores simples
Robots estacionarios
Robots móviles
El movimiento de las piezas implica desplazamiento no sólo de la pieza sino de los

eslabones del robot dentro del espacio de trabajo, el movimiento debe hacerse de
manera segura para evitar daños tanto del robot como de la pieza que se
transporta.
Es ahí cuando es necesario contar con estrategias que permitan mover un robot
de un punto a otro mediante una trayectoria planeada para evitar colisiones en el
área de trabajo.
La trayectoria debe entonces, planearse cuidadosamente teniendo en cuenta que
los ambientes dentro del sistema automatizado puede estar siempre demarcados
por áreas de trabajo constantes como también por áreas de trabajo que pueden
variar.
El planeamiento de trayectorias se usa para encontrar trayectorias posibles en un
ambiente de trabajo. Existen diferentes métodos para encontrar trayectorias y
estos pueden ser aplicados a robots móviles y estacionarios. El objetivo del
presente trabajo es realizar el planeamiento de trayectorias de un robot móvil; a
continuación se presentan algunos conceptos básicos de la robótica móvil.
1.1 ROBOTS MÓVILES
Son robots cuyo desplazamiento no está restringido a la máxima longitud de sus

articulaciones.
Los vehículos con ruedas son la solución más simple y eficiente para conseguir la
movilidad en terrenos suficientemente duros y libres de obstáculos, permitiendo
conseguir velocidades relativamente altas.
4
1.1.1 Configuraciones de robots móviles
Las configuraciones usadas para el movimiento de robots móviles suelen ser

diversas, algunas más complejas que otras, pero por lo general para el caso
práctico se suele trabajar con cuatro tipos de configuraciones: la síncrona, la
diferencial, el triciclo clásico y la configuración de Ackerman.
La configuración síncrona es aquella en la cual hay transmisiones que permiten

orientar las tres ruedas simultáneamente con una velocidad angular w y hacer
que el vehículo se desplace con una velocidad angular v tal como se aprecia en la
figura 2:
Figura 2. Configuración síncrona
Fuente: ANÍBAL OLLERO BATURONE. ROBÓTICA, MANIPULADORES Y

ROBOTS MÓVILES. MARCOMBO S.A. 2001.
La locomoción con guiado diferencial es aquella en la que las variables de control

son las velocidades de las ruedas laterales vi y vd, tal como se puede observar en
las figuras 3 y 4.
5
Figura 3: Configuración diferencial

Figura 4. Configuración diferencial
El triciclo convencional es aquel en que la rueda delantera se utiliza tanto para la

orientación como para la tracción. Las variables de control suelen tomarse como
el ángulo α de dirección de la rueda delantera y la velocidad de giro de la misma
rueda wt. Aquí se supone que el eje guía (x,y) está en el eje trasero. El esquema
de esta configuración se puede apreciar en la figura 5.
6
Figura 5. Triciclo clásico

El último tipo de configuración a considerar es la de Ackerman tal como se aprecia

en la figura 6. Se supone que el centro guiado del vehículo esta sobre la mitad del
eje de las ruedas de tracción (ruedas traseras). En este modelo la velocidad real
de cada rueda es diferente.
Figura 6. Configuración Ackerman

7
Para el presente trabajo de investigación se ha elegido la configuración diferencial
porque es una configuración cuyo movimiento es sencillo de controlar, basta con
manejar el movimiento de las dos ruedas impulsoras mediante dos motores para
realizar desplazamientos lineales y angulares. Con esta configuración hay un
consumo de potencia menor que en otras configuraciones, lo que garantiza un
mayor tiempo de funcionamiento con una fuente de alimentación portátil.
8
2. IMPLEMENTACIÓN DEL SISTEMA
Se implementó una plataforma de pruebas para planeamiento de trayectorias de
robots móviles consistente en:
Una pista
Robots Móviles
Obstáculos
Sistema de Visión
Comunicación Ethernet
Comunicación vía Radiofrecuencia
Sensado con ultrasonido
A continuación se hará una descripción de cada uno de los elementos que

componen la plataforma de pruebas:
2.1 PISTA
La pista elaborada consiste en una plataforma de madera de dimensiones 2.44 m

*1.52 m, la cual fue pintada de color negro opaco para resaltar los elementos que
se encuentran en la escena y evitar que el algoritmo de visión capture datos
errados por las sombras que se puedan presentar.
A esta pista se le construyó una barrera por todo el borde con el fín de indicarle al
robot al usar ultrasonido que al frente existe un orillo.
2.2 ROBOTS MÓVILES
Se construyeron dos robots móviles para la elaboración de este trabajo de

investigación. Los robots son de guiado diferencial, poseen dos ruedas matrices,
en las cuales se utiliza servomotores para el accionamiento de las y una rueda
loca.
9
Estos robots son alimentados cada uno por un banco de 6 baterías recargables de
1.2 V.
Uno de los robots es usado para ejecutar el planeamiento de trayectorias y el otro
se usa como obstáculo dentro de la pista. Tanto el robot que ejecuta la trayectoria
como el obstáculo móvil son controlados cada uno por un Microcontrolador
MOTOROLA MC68HC908GP32.
En el caso del obstáculo móvil el microcontrolador se encarga de trabajar con un
programa para el control del carro mediante ultrasonido, es decir el robot se
mueve de manera aleatoria por la pista dependiendo de lo que se encuentre
sobre ella.
El microcontrolador del robot móvil que ejecutará la trayectoria es el encargado de
recibir e interpretar las señales de radiofrecuencia enviadas desde el host de
control para ejecutarlas sobre los motores. Además se encarga de recibir las
señales del módulo de ultrasonido para evitar colisionar en caso de que ocurra
alguna anomalía en el proceso.
2.3 OBSTÁCULOS
Se construyeron dos obstáculos fijos y un obstáculo móvil. El obstáculo móvil es el

que se describió en el numeral anterior, los obstáculos fijos son cubos de acrílico
cuyas medidas son: 5 cm de alto, 5 cm de largo y 5 cm de ancho; se escogió
acrílico para evitar que en caso de existir una colisión no haya daños en el móvil ni
en los obstáculos. El color seleccionado fue azul para la realización de las pruebas,
aunque este puede cambiar simplemente seleccionado el color en el algoritmo de
visión artificial.
2.4 SISTEMA DE VISIÓN
El sistema de visión artificial esta compuesto por:

1 cámara análoga
10
1 tarjeta digitalizadora
Para la obtención de la señal que se va a digitalizar se hizo uso de la cámara
análoga DFK50H13/N existente en el laboratorio de robótica que posee un lente
de 8mm y salida de video compuesto. A esta cámar fue necesario adaptarle un
lente de 4mm para lograr obtener datos de un área mayor.
La digitalización de las señales provenientes de la Cámara, se realiza usando una

tarjeta de compresión de video PCI de 32 bits DFG/Compress con una entrada /
salida de video compuesto.
La tarjeta digitalizadora se encuentra instalada en un PC con las siguientes

características: Intel Pentiun 4 de 1.5 GHz y 256 MB de RAM, en este computador
se encuentra el algoritmo de visión artificial, el cual esta basado en detección de
color para detectar la posición de los objetos móviles y estáticos sobre la pista. Los
elementos de la adquisición se pueden apreciar en la figura 7.
Figura 7. Elementos de la adquisición de imágenes
2.5 COMUNICACIÓN ETHERNET
Es la encargada de transmitir los datos de posición desde el computador con el

algoritmo de visión al computador con los algoritmos de control. Estos datos son
las entradas de los programas que generan la trayectoria.
Ethernet es una Norma o estándar (IEEE 802.3) que determina la forma en que los
puestos de la red envían y reciben datos sobre un medio físico compartido que se
11
comporta como un bus lógico, independientemente de su configuración física.
Ethernet es la capa física más popular de la tecnología LAN usada actualmente.
2.6 COMUNICACIÓN VÍA RADIOFRECUENCIA
Esta comunicación se realiza entre el host de control y el móvil que ejecuta la

trayectoria a travez de unos módulos de radiofrecuencia que transmiten a una
frecuencia de 433 Mhz, usando modulación AM. Estas señales son enviadas a
traves de puerto serial desde el host de control al módulo de transmisión y son
transmitidas y recibidas de forma serial.
2.7 ULTRASONIDO
Se usa como método de sensado local para detectar si existe algún obstáculo en
la cercanía de alguno de los dos móviles. Este sistema sirve de respaldo para
informarle al microcontrolador en caso de existir alguna anomalía en el sistema de
detección por cámara o errores en la comunicación. En la figura 8 se puede
apreciar el módulo usado.
Figura 8. Módulo de Ultrasonido
Una vista general de los diferentes sistemas implementados se puede apreciar en

la figura 9. La figura 10 representa la escena en la que se realiza la planeación.
12
Figura 9. Esquema general de la implementación.
Figura 10. Vista del área de trabajo
13
3. ALGORITMO DE CONTROL
El sistema de control implementado en el presente trabajo de investigación se

puede dividir en control de bajo nivel y control de alto nivel.
El control de bajo nivel se realizó en un microcontrolador MOTOROLA
MC68HC908GP32, el cual es el encargado de recibir las señales de control vía
radiofrecuencia e interpretarlas para ser ejecutadas sobre los servomotores del
móvil. Dentro de este control se encuentra el módulo de ultrasonido el cual
realimenta al microcontrolador la información de su entorno mas próximo y sirve
como soporte para cualquier falla en el sistema.
El control de alto nivel se desarrollo en un computador cuyas características son:

Pentium 4 de 2.4 Ghz y RAM de 512 MB con el cual se corre alguna de las dos
técnicas implementadas como son campos de potencial y algoritmos genéticos.
Tanto el control de bajo nivel como el de alto nivel están enmarcados en el
diagrama de bloques de la figura 11.
Figura 11. Diagrama de bloques de algoritmo del sistema
3.1 CONTROL DE ALTO NIVEL
El planeamiento de trayectorias es una de las tareas más importantes en el control

inteligente de un robot móvil autónomo. El movimiento del robot es a menudo
descompuesto en planeamiento de caminos y planificación de trayectorias,
aunque ellos no son independientes el uno del otro.
14
El planeamiento de caminos consiste en generar un camino libre de colisiones en
un ambiente con obstáculos y optimizar este con respecto a algún criterio.
Un algoritmo para planeamiento de caminos se dice que esta off-line (fuera de

línea) si el ambiente es estático y conocido y el algoritmo genera por anticipado un
camino. Se dice que esta on-line (en línea) si este es capaz de producir un nuevo
camino en respuestas a cambios en el ambiente.
La planeación de trayectorias consiste en fijar el movimiento de un robot móvil a

lo largo de un camino planeado.
Existen numerosos métodos para la planeación de movimiento de un robot móvil.

Pocos algoritmos se han desarrollado para planeamiento de movimiento on-line de
un robot móvil en un terreno desconocido.
De forma general se puede hablar de tres métodos tradicionales:
-métodos de descomposición en celdas
-métodos de mapa de caminos (road-map)
-métodos de campo potencial.
Cualquiera de estos métodos actúa bien tanto en el espacio de trabajo del robot,
como en el espacio de configuraciones. Se llama espacio de trabajo al lugar donde
se encuentran el robot y los obstáculos y espacio de configuración al espacio que
consiste en todas las posibles configuraciones del robot.
3.1.1 Descomposición en celdas.
El método de descomposición en celdas construye un camino en el espacio de

configuración dividiendo el espacio libre, esto es, la parte del espacio de
configuración donde el robot no colisiona con ningún obstáculo en simples celdas;
esto puede hacerse de forma exacta o aproximada. Después, las celdas son
15
insertadas en un grafo en el que celdas adyacentes están conectadas. Entre estas
celdas, el movimiento es normalmente fácil de calcular. El movimiento que conecta
la configuración inicial y la final puede entonces calcularse determinando las
celdas que contienen las configuraciones inicial y final, encontrando un camino
entre estas celdas en el grafo, y finalmente calculando el movimiento entre cada
arista del camino en el grafo.
3.1.2 Mapa de caminos
El método de mapa de caminos intenta construir un grafo de caminos, por los que
es seguro viajar, entre dos obstáculos. Esto puede hacerse, bien para el espacio
de trabajo o para el de configuración. Una vez que se tiene el grafo disponible, el
movimiento se calcula moviendo el robot desde la configuración inicial hasta
alguna posición en un camino cercano, siguiendo después las diferentes rutas
hasta acercarse a la configuración final dejando la última ruta y moviendo el robot
hasta la configuración final.
Tanto descomposición de celdas y mapa de caminos son llamados métodos

globales ya que primero construyen una estructura de datos que es usada luego
para encontrar los caminos entre dos configuraciones distintas del robot. Una
ventaja de estos métodos es que la estructura de datos sólo debe ser calculada
una sola vez, y puede luego ser usada nuevamente para muchas configuraciones
inicial-final distintas. Sin embargo, estas estructuras de datos tienden a ser muy
grandes, y los cálculos geométricos requeridos son a menudo dificultosos y
requieren mucho calculo computacional.
3.1.3 Campos de potencial
El método de campo de potencial es conocido como un método local, ya que sólo

calcula el movimiento para una configuración inicial-final dada. Comienzan en la
inicial e intentan mover el robot en pequeños pasos hacia el objetivo.
16
Este método esencialmente trata el ambiente de trabajo como un campo de
fuerzas, dando un valor diferente a cada objeto sobre este. El objetivo o punto de
llegada se considera como un imán de polaridad contraria a la del móvil, es decir
que tiene fuerza atractora mientras que los obstáculos se comportan como imanes
de igual polaridad emitiendo fuerzas repulsivas. Este método considera la
velocidad del móvil en la cercanía del obstáculo.
Ha sido usado ampliamente para robots móviles así como para manipuladores con
excelentes resultados, aunque su acogida es mayor en los robots móviles donde
se han trabajado tanto en planeamiento on-line como off-line.
Básicamente la planificación se puede trabajar como sigue:
1) Considerar que cada obstáculo genera una fuerza repulsora normal a la

superficie sobre la que se realiza el planeamiento y que la posición objetivo es una
fuerza de atracción.
2) Calcular el vector de fuerzas resultante
3) Calcular una nueva posición para el robot como resultado de aplicar una fuerza
aceleradora.
4) Regresar al paso 1.
• El campo de potencial diferencial se construye sumando el campo de la meta,

Ug, y el campo de los obstáculos, Uo:
U(q) = Ug(q) + ∑Uo(q)
• A partir de este campo se construye un campo de fuerzas artificial resultante:
F= - ∇ U(q) = ( dU/dx )
( dU/dy )
• Una vez construido el campo de fuerzas, el robot se mueve en la dirección de la

fuerza local. Con esto se tiene un esquema robusto que implícitamente tiene un
plan de cualquier punto del espacio a la meta
17
Para obtener las fuerzas hay que modelar las funciones de potencial de la meta y
obstáculos calculando el potencial para cada punto del espacio libre:
• Meta – “atractor parabólico”
Ug(q) = k1 dist(q, meta)2
• Obstáculo – “barrera potecial exponencial”
Uo(q) = k2 dist(q, obstaculo) -1
• Ventajas:
– Se pueden generar trayectorias en tiempo real a partir del campo de

fuerzas
– Las trayectorias generadas son suaves
– Facilita acoplar los aspectos de planeación y de control
• Desventajas:
- La principal desventaja de este método es que en su forma

simplificada con problemas no triviales conduce a que el robot
caiga en mínimos hacia un mínimo local en donde las
diferentes fuerzas se cancelan entre si tal como se aprecia en
la figura 12. Para evitar este problema se han probado varias
técnicas de las cuales no se hablará en este plan pero que se
pueden consultar en la bibliografía citada.
18
Figura 12. Problema de un mínimo local en campos de potencial
Fuente: presentación: Robótica Inteligente. L. Enrique Sucar, Marco López
En este trabajo de investigación se trabajó el planeamiento de movimiento

adaptativo, el cual puede modificar el camino existente siempre que ocurra un
cambio en el ambiente.(e.j. un robot móvil detecta un obstáculo desconocido).
3.1.4 Algoritmos genéticos
Los Algoritmos Genéticos (A.G. ó AG) son métodos de búsqueda basados en

mecanismos de selección y genética natural. Estos fueron introducidos por John
Holland, sus colegas y estudiantes en la Universidad de Michigan en 1970.
La evolución genética tiene lugar en los cromosomas, en donde está codificada la

información del ser vivo. La información almacenada en el cromosoma varía de
unas generaciones a otras. En el proceso de formación de un nuevo individuo, se
combina la información cromosómica de los progenitores, aunque la forma exacta
en que se realiza es aún desconocida. Aunque muchos aspectos están todavía
por discernir, existen unos principios generales ampliamente aceptados por la
comunidad científica. Algunos de estos son:
1. La evolución opera en los cromosomas en lugar de hacerlo en los

individuos a los que representan.
19
2. La selección natural es el proceso por el que los cromosomas con "buenas
estructuras" se reproducen más a menudo que los demás.
3. En el proceso de reproducción tiene lugar la evolución mediante la
combinación de los cromosomas de los progenitores.
4. La evolución biológica no tiene memoria en el sentido de que en la
formación de los cromosomas únicamente se considera la información del
período anterior
FUNDAMENTOS DE GENETICA
Antes de definir un Algoritmo Genético (AG), es necesario poseer algunos
conceptos de genética que ayudarán a comprender mejor su analogía y
funcionamiento. Las definiciones dadas en este numeral son tomadas del libro La
Salud del Dr. Claude B Blouin:
- GEN: Unidad elemental del cromosoma, construida por ácido desoxirribonucleico,

que lleva un mensaje hereditario muy preciso, que lo transmite, reproduciéndose y
que, bajo la influencia de diversos factores, es capaz de sufrir una mutación que
modifica el mensaje hereditario.
- CROMOSOMAS: Cada una de las pequeñas formaciones alargadas dispuestas
por pares, constituidas esencialmente por DNA.
Los cromosomas contienen la información genética del organismo. Cada tipo de
organismo tiene un número de cromosomas determinado; en la especie humana,
por ejemplo, hay 23 pares de cromosomas organizados en 8 grupos según el
tamaño y la forma. La mitad de cada cromosomas proceden del padre y la otra
mitad de la madre.
- ADN: El ADN es quien lleva la información necesaria para dirigir la síntesis de
proteínas y la replicación. Se llama síntesis de proteínas a la producción de las
proteínas que necesita la célula o el virus para realizar sus funciones y
desarrollarse. La replicación es el conjunto de reacciones por medio de las cuales
el ADN se copia a sí mismo cada vez que una célula o un virus se reproduce y
20
transmite a la descendencia la información que contiene. En casi todos los
organismos celulares el ADN está organizado en forma de cromosomas, situados
en el núcleo de la célula.
- GENOTIPO: Conjunto de los genes llevados por la totalidad de los
cromosomas de un individuo, entre ellos los genes recesivos no se expresan.
- FENOTIPO: Conjunto de los rasgos aparentes de un individuo, correspondiente
a la fracción observable y exteriorizada del genotipo.
- ALELO: Se dice de cada uno de los genes que ocupan el mismo locus en cada
uno de los cromosomas de un mismo par y que ejercen, su efecto, idéntico o
diferente, sobre un mismo carácter determinado.
- LOCUS: Lugar preciso y constante que corresponde a la sede de un gen
concreto en cada uno de los cromosomas de un par concreto.
- MUTACIONES: Aunque la replicación del ADN es muy precisa, no es perfecta.
Muy rara vez se producen errores, y el ADN nuevo contiene uno o más
nucleótidos cambiados. Un error de este tipo, que recibe el nombre de mutación,
puede tener lugar en cualquier zona del ADN.
La mayoría de las mutaciones genéticas son perjudiciales para el organismo que
las porta.
ANALOGIAS CON LOS A.G.

Aunque no se ha establecido directamente un mapeo directo entre los términos de
la genética natural y los programados por los A.G. se trabajan básicamente los
siguientes:
- GENES: Cada BIT(0 y 1 en una cadena binaria) de la cadena.

- CROMOSOMAS: Es el conjunto de genes, es decir es cada individuo.
- GENOTIPO: Es el conjunto de cromosomas que conforman la población.
- FENOTIPO: Es el valor entero del genotipo(al evaluar en la función de
evaluación).
21
ALGORITMO GENETICO SIMPLE
Para llevar a la práctica un esquema de Algoritmo Genético es necesario tener en

cuenta los siguientes elementos:
• Una representación cromosómica

• Una población inicial
• Una medida de evaluación
• Un criterio de selección / eliminación de cromosomas
• Una o varias operaciones de recombinación
• Una o varias operaciones de mutación
La mecánica de un A.G. es sorprendentemente simple; nada más complejo que

copiar cadenas y partes de estas.
Un A.G. simple que produce buenos resultados esta compuesto de:
A. Reproducción
B. Cruce
C. Mutación
A. REPRODUCCION
Es el proceso por medio del cual cadenas individuales son copiadas de acuerdo al
valor de su función objetivo, f, (los biólogos llaman a esta función, propiedad ("
fitness "). Intuitivamente se puede pensar en la función f como una medida de
beneficio, utilidad o bondad que se quiere maximizar. Se copia cadenas acorde a
los valores promedio, con lo cual las cadenas con un alto valor tienen la mayor
probabilidad de contribuir a la creación de la siguiente generación. Este operador
es una versión artificial de la selección natural de Darwin y es quien en definitiva
indica quien vive o muere.
El operador de reproducción puede ser implementado por diversos métodos, pero
quizá el más usado es el de un individuo basado en una ruleta, donde cada
individuo posee un lugar de acuerdo a su función propiedad dentro de esta.
22
B. CRUCE
Los Operadores de Cruzamiento mas utilizados son:
- De un punto: Se elige aleatoriamente un punto de ruptura en los padres y se

intercambian sus bits.
- De dos puntos: Se eligen dos puntos de ruptura al azar para intercambiar.
- Uniforme: En cada bit se elige al azar un padre para que contribuya con su bit
al del hijo, mientras que el segundo hijo recibe el bit del otro padre.
- PMX, SEX: Son operadores más sofisticados fruto de mezclar y aleatorizar

los anteriores.
La operación más usada en las aplicaciones es la de cruce usando un solo punto.

A continuación se describen los dos pasos a seguir:
1. Los padres se escogen de forma aleatoria y se acomodan en el matting
pool (lugar de encuentros para el apareamiento).
2. Cada par de cadenas se cruzan escogiéndose el lugar de cruce con un
número aleatorio (1, L-1).
En la figura 13 se puede apreciar como actúa el operador de cruce de una forma
gráfica para tener una idea más general de esta operación.
Figura 13. Esquema básico del operador de cruce
A1= 0 1 1 0 1 A1’= 0 1 1 0 0
A2= 1 1 0 0 0 A2’= 1 1 0 0 1
Numero aleatorio (1, longitud-1)
23
C. MUTACIÓN
Es una alteración aleatoria de un valor de posición de una cadena.
Se ha encontrado que la frecuencia de mutación es de una mutación por cada mil
bits.
La rata de mutación en poblaciones naturales es igualmente pequeña, por lo que
se concluye que es apropiado considerarla como un mecanismo secundario de
adaptación de un algoritmo genético.
3.2 ALGORITMOS IMPLEMENTADOS

Para el presente trabajo se uso campos de potencial y algoritmos genéticos como
técnica de planeamiento de trayectorias. Se seleccionaron estos dos, porque la
idea era comparar un método de inteligencia artificial con un método tradicional. A
continuación se describirá lo desarrollado para cada uno de los algoritmos.
Este método esencialmente trata el ambiente de trabajo como un campo de

fuerzas, dando un valor diferente a cada objeto sobre el área de trabajo. El
objetivo o punto de llegada se considera como un imán de polaridad contraria a la
del móvil, es decir que tiene fuerza de atracción mientras que los obstáculos se
comportan como imanes de igual polaridad generando fuerzas repulsivas. La
implementación de este método se realizó usando una matriz para la
discretización del terreno, de tal manera que cada punto sobre la matriz es un área
de la pista.
Básicamente la planificación se puede trabajar de la siguiente manera:
• Inicializar variables
• Leer y ubicar puntos importantes del terreno sobre la matriz.
24
• Definir potencial para el punto de llegada
• Definir potencial para cada obstáculo
• Mover el móvil desde el punto de inicio al punto de llegada siguiendo el

potencial menor o igual y guardar ese movimiento hasta encontrar el punto de
llegada.
Para implementar este método fue necesario tener en cuenta las siguientes
consideraciones:
• Existe una discretización del terreno.
• Cada punto de la pista se considera afectado por un valor numérico que indica
la relación de este con el punto de llegada. De otra manera cada celda
considerada posee un potencial que indica si la trayectoria puede o no pasar
por allí.
• De acuerdo con la distribución numérica asignada, la trayectoria se hace
siguiendo un potencial descendente
• El algoritmo puede ser on-line si se actualiza periódicamente los valores
detectados por una cámara o puede ser off-line si se posee la información de la
ubicación de los obstáculos solo al comienzo del programa, con lo cual sólo se
encuentra un camino sin poder revisar si algún obstáculo ha entrado a la
trayectoria planeada.
• El algoritmo es ajustable al área de trabajo. Con esto se trata de generar
algo de robustez lo cual permite usar el mismo programa para diferentes
tamaños de pista. En este caso el área de trabajo quedaría definida por las
características del sistema de visión tales como altura de la cámara y lentes
usados.
En el caso de planeamiento on-line la velocidad de actualización del algoritmo

depende del tiempo que demore la actualización de los datos de la pista, es decir
25
el tiempo de respuesta del algoritmo de visión. También dependerá del lenguaje
usado y la velocidad de procesamiento del computador usado
INICIALIZACIÓN DE LAS VARIABLES
Es la primera etapa del algoritmo, que consiste en obtener la lectura de los datos
tales como: posiciones de inicio, llegada, posiciones de los obstáculos y tamaño
de la pista. Cuando el planeamiento se hace on-line estos datos se obtienen del
algoritmo de visión y se actualizan periódicamente dentro del programa, para
determinar si el camino se cruza o no con un obstáculo.
Una vez conocido el tamaño del área de trabajo se crea una matriz para simular la
pista tal como se muestra en la figura 14 y esta se inicializa con ceros. Cada
elemento de la matriz corresponde a un area determinada, con lo cual si el terreno
de trabajo es por ejemplo de (200*200) cm2 cada elemento de la matriz
corresponde con una area de (10*10) cm2 en la pista. El área de cada celda puede
ajustarse sin importar si el área de trabajo no es cuadrada.
Figura 14. Representación del área de trabajo cuando la pista es de 20x20
26
En el caso de la pista trabajada, el área es de (150*240) cm2, por lo cual la pista
se dividió en areas de (5*5) cm2.
CREACIÓN DEL POTENCIAL ALREDEDOR DEL PUNTO DE LLEGADA
Para poder generar un potencial que haga converger todos los caminos al punto
de llegada, se le asigna a este punto un valor numérico igual a “0” y a partir de
este se generan valores numéricos ascendentes hasta cubrir la totalidad de la
pista, tal como se puede observar en la figura 15. El único punto que queda sin
potencial es el de inicio, el cual se representa con otro valor superior al potencial
mayor en la pista.
Figura 15. Potencial alrededor del punto de llegada.
3 3 3 3 3 3 3
3 2 2 2 2 2 3
3 2 1 1 1 2 3
3 2 1 0 1 2 3
3 2 1 1 1 2 3
3 2 2 2 2 2 3
3 3 3 3 3 3 3
Realizando esta configuración en la pista, se implementa la fuerza de atracción

con lo cual se asegura que desde cualquier punto siguiendo una secuencia
descendente de números se converge al punto de llegada.
CREACIÓN DEL POTENCIAL ALREDEDOR DE UN OBSTÁCULO

Para incluir los obstáculos es necesario tener en cuenta las siguientes
características:
27
• El obstáculo posee un área efectiva propia de sus dimensiones, a través
de la cual no se puede realizar una trayectoria porque habría colisión.
Este obstáculo se representa en el algoritmo con el número “200”,
aunque el valor puede ser cualquiera mayor que los valores del campo
de potencial ya definidos en la pista.
• Cuando el obstáculo tiene una forma irregular difererente al valor de

discretización del terreno, se considera como zona de riesgo los
alrededores de éste, lo cual impide que una trayectoria sea definida en
sus cercanías.
Otro tipo de zona de riesgo muy frecuente se presenta cuando dos obstáculos
están muy cerca uno del otro. Existe la posibilidad de que el algoritmo genere una
trayectoria que pase por entre los obstáculos, sin tener en cuenta que las
dimensiones del móvil puedan no permitir realizar esta trayectoria. Para evitar esta
situación, se genera alrededor del obstáculo un potencial descendente tal como se
muestra en la figura 16.
Figura 16. Campo de potencial alrededor de un obstáculo
49 49 49 49 49
49 50 50 50 49
49 50 200 50 49
49 50 50 50 49
49 49 49 49 49
El número de cuadros alrededor del obstáculo con potenciales grandes depende

de cuanta zona de riesgo se quiera considerar.
28
Con valores numéricos alrededor del obstáculo se simula la fuerza repulsora que
los caracteriza y puesto que la trayectoria trascurre de manera descendente, al
encontrar valores grandes de potencial se desvía a zonas más seguras.
CREACIÓN DEL POTENCIAL EN LOS ORILLOS DE LA PISTA
Esta es una forma de asegurarse que el móvil jamás salga del área de trabajo y
corresponde más a un método de seguridad que a una necesidad, ya que si el
robot posee sensores de proximidad, estos pueden evitar las colisiones con las
paredes del orillo de la pista.
Los bordes del área de trabajo están representados por un potencial grande, en
este caso su valor corresponde con el número 50 y al igual que para un obstáculo,
se genera una zona de riesgo para evitar que el móvil se acerque demasiado.
En la figura 17 se muestra el potencial alrededor de la pista, el potencial del punto
de llegada y el de los obstáculos.
Figura 17. Vista general de la pista.
RESULTADOS DEL ALGORITMO

A continuación se muestra algunos ejemplos de las trayectorias que se pueden
obtener con el algoritmo de campos de potencial desarrollado. Estos algoritmos
29
son sólo pruebas al azar para demostrar la efectividad del algoritmo. Las pruebas
mas exhaustivas se encuentran en el capítulo de pruebas y análisis de resultados,
donde además se hace una comparación con el otro método implementado.
EJEMPLO 1:
Parámetros iniciales:
Posición inicial: (x,y) = (5,5).
Posición Final: (x,y)= (15,15)
Número de obstáculos = 1
Posición del obstáculo: (x,y)= (9,9)
Al introducir estos datos en el algoritmo se obtiene la representación que se
muestra en las figuras 18 y 19, los resultados obtenidos después de ejecutado la
planeamiento se pueden observar en la figura 20.
Figura 18. Representación de los datos ingresados al algoritmo con un obstáculo
fijo
30
El punto de inicio se representa con el número “100”, el punto de llegada esta
definido como “0” y los obstáculos están representados con el número “200”.
Todos los movimientos correspondientes a la trayectoria encontrada son
ejecutados dentro de la matriz y exportados para definir al móvil hacia donde
moverse. La estructura definida para los movimientos es la que se observa en la
figura 9.
Figura 19. Representación de los datos ingresados al algoritmo con un obstáculo

fijo
31
Figura 20. Resultados obtenidos luego de ejecutar el algoritmo.
Como se puede observar entre las graficas 18 y 19 lo único que se ha modificado

en la matriz es el camino que en este caso se ha representado con el número
“100” en las posiciones resultado del planeamiento.
Figura 21. Representación de los movimientos.

Diagonal inf. Izquierda Abajo Diagonal inf derecha
Atrás Punto Actual Adelante
Diagonal sup. izquierda Arriba Diagonal Sup izquierda
32
La estructura de la figura 21 esta definida de la forma como aumentan y
disminuyen los índices de las matrices tal como puede apreciarse en la figura 22.
Figura 22. Definición de puntos vecinos dentro de una matriz
A(x-1,y-1) A(x-1,y) A(x-1,y+1)
A(x,y-1) A(x,y) A(x,y+1)

A(x+1,y-1) A(x+1,j) A(x+1,y+1)
Aquí el movimiento en filas corresponde a los movimientos en x, y los

movimientos en columnas los movimientos en y.
El algoritmo funciona con cualquier número de obstáculos y en cualquier dirección.

El número de obstáculos depende del tamaño del terreno, ya que un número
elevado de obstáculos reduciría la posibilidad de tener espacios para generar la
trayectoria y considerar zonas de riesgo.
EJEMPLO 2:
Posición del obstáculo1: (x,y)= (16,4)
Al introducir estos datos en el algoritmo se obtiene la representación que se

muestra en la figura 23, los resultados obtenidos después del algoritmo se pueden
observar en las figuras 24 y 25.
33
Figura 23. Distribución de los obstáculos, punto de inicio y punto de llegada.
Figura 24. Resultados obtenidos para la distribución definida en la figura 62.
34
Figura 25. Resultados del método de campos de potencial con 3 obstáculos
EJEMPLO 3:
En este caso se realizará la simulación cuando se tienen seis obstáculos.
35
En la figura 26 se puede apreciar el resultado del algoritmo cuando se tienen 6
obstáculos.
Figura 26. Resultados obtenidos cuando se tienen 6 obstáculos.
3.2.2 Algoritmos genéticos
La implementación de un algoritmo genético simple implica tener en cuenta tres

operaciones características como reproducción, cruce y mutación.
Para realizar estas etapas el algoritmo debe ser codificado en cadenas que se
llaman cromosomas, cada una conformada por elementos característicos
denominados genes.
CODIFICACIÓN
Si se piensa en una trayectoria se debe pensar en como definirla en términos de

sus componentes fundamentales (genes) para esto se trabaja en la codificación
binaria que permite ordenar como cromosomas, cualidades como su dirección en
36
el plano cartesiano y la distancia que le toma ir de un punto a otro.
Los cromosomas escogidos representan: monotonía de la trayectoria en x y y:

cromosoma α; dirección: cromosoma β; y distancia: cromosoma δ.
La estrategia de codificación de los genes para los cromosomas es la que se

observa en la Tabla 1:
TABLA 1.CODIFICACIÓN DE CROMOSOMAS.
Cromo Característica que
Codificación
soma representa
α 0 Monótono en X (MX)
1 Monótono en Y (MY)
β 00 Vertical para MX y
horizontal para MY
01 Diagonal superior
para MX
Diagonal izquierda
para MY
10 Horizontal para MX
Vertical para MY
11 Diagonal Inferior para
MX
Diagonal derecha
para MY
δ Según
ecuación (1)
37
El número de genes del cromosoma está dado por la expresión:
1 + log 2 N = GenesCromosomaδ (11)
Donde N es el número de celdas que representen el territorio a cubrir por el

robot móvil. Cada pareja dirección-distancia, representan pasos de distancia
variable (parejas βδ)
Cuando el cromosoma de dirección sea codificado en “00” el cromosoma δ

puede ser positivo o negativo, es decir el primer gen de este cromosoma es 0
para positivo o 1 para negativo.
Si es positivo y el individuo es MX representará una vertical positiva hacia arriba

seguida de una diagonal superior derecha, si es negativo representara una vertical
hacia abajo seguida de una diagonal inferior derecha. Si es positivo y el individuo
es MY representara una horizontal positiva hacia la derecha seguida de una
diagonal inferior derecha, si es negativo representara una horizontal negativa
hacia la izquierda seguida de una diagonal inferior izquierda. La figura 27 y 28
muestra la distribución de cada cromosoma.
Figura 27. Ejemplo de trayectoria codificada.
38
Figura 28. Método de Cruce
RESULTADOS OBTENIDOS
En las figuras 29, 30 y 31 se presenta una serie de trayectorias generadas por el

Algoritmo Genético ante diferentes obstáculos en el medio.
Figura 29. Camino exitoso sin zonas de riesgo en los obstáculos, generación 20
39
Figura 30. Camino exitoso sin zonas de riesgo, generación 110.
Figura 31. Camino exitoso con grilla de 32 celdas, considerando zonas de riesgo
(generación 205).
40
3.3 ALGORITMO DE CONTROL DE BAJO NIVEL
Una vez encontrada la trayectoria es necesario ejecutarla. Esto como se mencionó
anteriormente se realizó en un microcontrolador Motorola, cuya selección se baso
en la relación de señales que se trabajaron.
Un diagrama de bloques general del sistema se puede apreciar en la figura 32.
Figura 32. Diagrama de bloques del sistema de control de bajo nivel.
Este sistema solo recibe señales en un sentido vía radiofrecuencia, es decir

solamente el microcontrolador recibe señales enviadas desde el host de control, y
no le regresa información a este.
La transmisión de los datos se realiza usando un TSW433 y un RSW433 los

cuales trabajan a una frecuencia de 433 Mhz y usan modulación AM para la
transmisión de los datos. Estos módulos transmiten datos en forma serial a una
velocidad de 1200 baudios. La figura 33 muestra los módulos usados.
Figura 33. Módulo de Radiofrecuencia
Tomado de [email protected]
41
La configuración del microcontrolador y la asignación de pines se realizó basados
en la tabla 2.
Tabla 2. Función y configuración de puertos.

Puerto Configuración Asignación
PTD4/T1CH0 Salida Generación de interrupciones
para las señales PWM
PTD5/T1CH1 Entrada Captura de la señal ECO del
Ultrasonido
PTB0-PTB7 Salida Generación señal control
Servomotores (max 8 servos)
PTE1/RxD Entrada Recepción de datos de la
Trayectoria
PTA5-PTA6 Salida Señal de excitación del
Ultrasonido
PTA3 Entrada Selección de algoritmo de
Planeación
PTA4 Salida Selección de canal del
Multiplexor 2 a 1
En el microcontrolador se realizó la programación para el algoritmo genético y

campos de potencial. Los puertos usados son los mismos independientemente de
la programación, lo que cambia es la codificación de las salidas dentro del
programa como se explicará mas adelante.
El resultado del procesamiento de la información en el microcontrolador es
enviado a los motores para ejecutar la acción propia de un robot tipo diferencial.
Para cada servomotor que se va a controlar, se realizó una prueba preliminar para
encontrar exactamente el período y la duración de los pulsos que generan el mejor
funcionamiento. Esto se hace con el fin de evitar inconvenientes a la hora de
programar. Para realizar la prueba se utilizó el circuito mostrado en la figura 34. El
42
circuito consta de un monoestable (555) cuya frecuencia está determinada por el
valor de los capacitores C2 y C3. La señal generada se invierte mediante un
transistor conectado en configuración "colector común" que funciona en modo de
saturación (esto significa APAGADO ó ENCENDIDO).
Figura 34. Circuito experimental con un 555
Al girar el potenciómetro (R7) se modifica el ancho del pulso de la señal de control

lo cual hace girar el servomotor. De esta forma se busca el ancho de pulso
necesario para ubicar el servo en cada uno de sus extremos.
En la figura 35 se observa la señal de control que entrega el circuito experimental.
Figura 35. Tren de pulsos generado por el circuito.
43
Al realizar esta prueba al servomotor HITEC HS-422 se encontró que los límites
de operación corresponden a un mínimo de 1ms y un máximo de 2ms de duración
del pulso. Estos valores posicionan el servomotor en sus respectivos extremos. Un
valor de 1,5ms de ancho de pulso ubica el servomotor en su posición central como
se observa en la figura 36.
Figura 36. Señal de control para el servomotor.
Cuando se sobrepasan los límites de movimiento del servo, éste emite un zumbido
indicando que se debe cambiar la longitud del pulso.
3.3.1 Control de servomotores
Las señales para el control de los servomotores son generadas por un puerto del
microcontrolador. Para la generación de la señal PWM, se uso el timer y un
comparador (interrupciones asociadas); de este modo el microcontrolador queda
libre para realizar otras tareas, y la generación de la señal es automática y más
efectiva. El mecanismo consiste en programar el timer con el ancho del pulso (el
período de la señal) y al comparador con el valor de duración del pulso a nivel alto.
44
Cuando se produce una interrupción de overflow del timer, la subrutina de
interrupción debe poner la señal PWM a nivel alto y cuando se produzca la
interrupción del comparador, ésta debe poner la señal PWM a nivel bajo.
Los servomotores se modificaron a rotación continua como se explicó en el

capitulo anterior. Se fijó una posición neutral correspondiente a un ancho de pulso
de 1.5ms. Al aplicarle una señal con este ancho de pulso el servomotor
permanece inmóvil. Para hacer girar el servomotor se le aplica una señal con
ancho de pulso mayor o menor a 1.5ms, dependiendo del sentido de giro que se
desee. Debido a que no hay realimentación porque se desacoplo el potenciómetro,
el error no se minimiza y el servo continúa rotando.
En la tabla 3 se observan los puertos del microcontrolador que generan las

señales de control para los servomotores.
Tabla 3. Asignación de puertos para los servomotores.
Puerto Función
PTB2 Señal PWM para
La llanta derecha
PTB3 Señal PWM para
La llanta izquierda
3.3.2 Modulo de ultrasonido
El término ultrasonidos designa en principio a los sonidos de alta frecuencia,

aunque en realidad corresponde a los sonidos que se encuentran justo por encima
de la banda que es capaz de captar el oído humano. El intervalo de frecuencia que
corresponde a los ultrasonidos va desde 20 Khz. hasta 500 KHz. Los sonidos a
estas frecuencias son más direccionales que los sonidos de frecuencias bajas.
La determinación de la distancia se logra al enviar trenes de pulsos con periodos
muy cortos y medir el tiempo transcurrido desde la emisión hasta la recepción del
45
eco. Este tiempo es proporcional a la distancia recorrida por las ondas de presión
ultrasónicas.
Este sensor permite detectar objetos y calcular la distancia a la que se encuentra

en un rango de 3 a 300 cm. Para su funcionamiento se debe excitar el emisor con
una señal adecuada en amplitud y frecuencia de tal modo que este produzca una
señal ultrasónica que se envia al medio externo por medio de un micrófono.
Este modulo contiene toda la electrónica necesaria para realizar el proceso de
emisión, recepción y medición. Requiere cuatro conexiones para su
funcionamiento, dos de ellas son la alimentación del circuito, (0 Volt y +5 Volt dc) y
las dos restantes son las conexiones de las señales. El esquema se observa en la
figura 37.
Figura 37. Conexiones del modulo del ultrasonido SRF04
El sensor puede detectar objetos ubicados a una distancia entre tres y trescientos
centímetros, por medio de un pulso de tensión cuyo ancho varia entre 100us para
3cm y 18ms para 300cm. Para distancias mayores el sensor envía un pulso de
36ms. Este pulso se obtiene como respuesta (eco) a un pulso de disparo de 10us,
46
enviada por el microcontrolador. Al terminar la recepción del pulso de eco se debe
esperar 10ms antes de enviar el siguiente pulso de disparo.
Las señales de entrada de disparo y el pulso de salida de eco para este modulo
se pueden observar en la figura 38.
Figura 38. Diagrama de Tiempos del SRF04
El pulso de 100us como mínimo en la salida de eco se debe a que el circuito es

desconectado durante este tiempo para evitar el ruido del pulso inicial.
Este modulo de ultrasonido tiene un Rango efectivo de aproximadamente 30º

como se puede observar en la figura 39.
47
Figura 39. Rango efectivo del SRF04.
Tomada de SupeRobotica.com
CONTROL DEL ULTRASONIDO
Para el control del módulo de ultrasonido se debe generar una señal de excitación
y capturar el pulso de eco que genera el modulo. La señal de excitación es
generada por un pin del puerto A mediante la interrupción de “overflow” generada
por el timer.
La captura del pulso de eco se realiza configurando un canal del timer del
microcontrolador (PTD5/T1CH1) como entrada “input capture”. Primero se detecta
el flanco ascendente configurando la función input capture en modo “Rising edge”
y se almacena este valor como T1; luego es configurando en modo “Falling edge”
para detectar el flanco descendente, almacenando este valor como T2. La captura
de los flancos se observa en la figura 40. La diferencia entre T2 y T1 es el ancho
del pulso capturado.
48
Figura 40. Captura del pulso de eco.
La configuración de los puertos que controlan el modulo de ultrasonido se

observa en la tabla 4.
Tabla 4. Asignación de puertos para el modulo de ultrasonido.

Puerto Función
PTD5/T1CH1 Captura del pulso
De ECO
PTA5 Señal de excitación
3.3.3 Trayectoria planeada
El planeamiento de caminos es realizado en el PC utilizando algoritmos genéticos

o campos de potencial y luego se envía al microcontrolador vía radio frecuencia
en una cadena de bytes. Para cada algoritmo de planeación se realizo un código
independiente. La selección del algoritmo se realiza mediante hardware, con un
interruptor colocando el pin PTA3 a 1 (5 volts) para seleccionar el Algoritmo
Genético y a 0 (0 volts) para Campos de potencial. Cada uno de ellos se explica
a continuación.
49
ALGORITMO GENÉTICO (AG)
En esta estrategia cada byte recibido por el microcontrolador representa un

segmento de la trayectoria y contiene la información descrita en la figura 41.
Figura 41. División del Byte para Algoritmo Genético
El primer bit M indica que un camino es monótono en X cuando M es igual a cero y

monótono en Y cuando M es igual a uno.
La descripción del byte se muestra en la tabla 5.
Tabla 5. Acción del móvil para AG.

Byte Descripción
0000XXXX Vertical superior + diagonal superior derecha
0001XXXX Vertical inferior + diagonal inferior derecha
001XXXXX Diagonal superior derecha
010XXXXX Horizontal derecha
011XXXXX Diagonal inferior derecha
1000XXXX Horizontal derecha + Diagonal inferior derecha
1001XXXX Horizontal izquierda + Diagonal inferior izquierda
101XXXXX Diagonal inferior izquierda
110XXXXX Vertical inferior
50
Los 4 bits de distancia representan el numero de pasos que el móvil debe ejecutar
en dicha dirección, donde la longitud del paso esta predefinida según el numero
de divisiones utilizadas en la plataforma de trabajo (celdas), para realizar el
planeamiento del camino.
CAMPOS DE POTENCIAL (CP)
El camino planeado con este método esta descrito en una cadena de bytes,
donde cada uno representa un segmento del camino planeado con la información
de dirección, los 3 bits más significativos y distancia con los bits restantes, como
se muestra en la figura 42.
Figura 42. División del Byte para la programación con Campos de Potencial
La descripción del byte se observa en la tabla 6.

Tabla 6. Acción del móvil para CP.
Byte Descripción
000XXXXX Horizontal derecha
010XXXXX Vertical inferior
011XXXXX Diagonal inferior izquierda
100XXXXX Horizontal izquierda
101XXXXX Diagonal superior izquierda
110XXXXX Vertical superior
111XXXXX Diagonal superior derecha
51
Los 5 bits de distancia representan el numero de pasos que el móvil debe ejecutar
en la dirección especificada, donde la longitud del paso esta predefinida según el
numero de divisiones utilizadas en la plataforma de trabajo (celdas), para realizar
el planeamiento del camino.
3.3.4 Programacion
Para cada móvil se realizo un programa de control. El “móvil controlado” tiene

como objetivo recibir las instrucciones enviadas desde el PC y planear la
trayectoria descrita en cada instrucción. El objetivo del “obstáculo móvil” es
desplazarse por toda la pista evitando obstáculos y de esta forma generar el
ambiente dinámico. A continuación se da una explicación del programa de control
para cada móvil y los subprogramas utilizados.
PROGRAMACION DEL MÓVIL CONTROLADO
El programa tiene como objetivo recibir las instrucciones desde el PC y planear la

trayectoria descrita en cada instrucción. El móvil tiene un modulo de ultrasonido
ubicado en la parte frontal. Su función es la de evitar colisiones al ejecutar la
trayectoria.
El diagrama de flujo para el móvil controlado se muestra en la figura 43.
52
Figura 43. Diagrama de flujo del móvil controlado.
En el diagrama de flujo, n representa el número de Bytes de la trayectoria recibida

y se observa la extracción de la información de cada uno de ellos según el
algoritmo seleccionado.
PROGRAMACIÓN DEL OBSTÁCULO MOVIL.
El objetivo del obstáculo móvil es desplazarse por toda el área de la pista. El

algoritmo esta diseñado para que el móvil este siempre en movimiento. En la
figura 44 se puede observar el obstáculo móvil.
53
Figura 44. Obstáculo Móvil
Sin la presencia de obstáculos el móvil se desplaza siempre hacia delante,

analizando su entorno mediante los módulos de ultrasonido. El análisis del entorno
se realiza de forma alterna entre los dos módulos de ultrasonido, esto se debe a
que se tiene disponible un solo canal del timer del microcontrolador para la captura
del eco.
Para realizar la captura de forma alterna se utilizó un multiplexor 2 a 1, el cual es
controlado por uno de los puertos de Entrada/salida (PTA4) que posee el
microcontrolador. Al colocar PTA4 en uno, se habilita la captura del modulo
derecho y en cero la del modulo izquierdo. Si un obstáculo es sensado por el
modulo derecho el móvil gira 45 grados hacia la izquierda intentando esquivarlo. Si
es sensado por el modulo izquierdo el móvil gira 45 grados hacia la derecha. Si
una vez terminado el giro se sigue detectando el obstáculo, el móvil continúa
girando en el mismo sentido.
El diagrama de flujo del algoritmo se observa en la figura 45.
54
Figura 45. Diagrama de Flujo del móvil aleatorio
55
SUBPROGRAMA DE GIRO.
Este subprograma, definido como una función posee de entrada un número entero
que denota la dirección hacia la cual se debe ubicar el móvil. Las direcciones que
puede tomar el móvil se observan en la figura 46. El plano XY en la figura, se tomo
de acuerdo con la ubicación de los elementos en una matriz, donde X representa
las filas y Y las columnas.
Figura 46. Representación de las direcciones del móvil.
Luego es determinado el sentido de giro si es horario o antihorario para llegar a la

dirección deseada garantizando un giro menor o igual a 180 grados. Para
conseguir esto se debe conocer la dirección en la cual está el móvil y a la cual se
desea ubicar. Como cada dirección esta denotada por un número, con la
diferencia de estas posiciones (Dirección Deseada – Dirección actual) se
determina el número de posiciones que debe recorrer y con el signo de la
diferencia se determina el sentido del giro.
En la figura 47 se observa el diagrama de flujo para el subprograma de giro.
56
Figura 47. Diagrama de Subprograma de Giro
SUBPROGRAMA DE AVANZAR.
Este subprograma tiene como entrada un número entero el cual representa el

número de pasos que avanzará el móvil. La longitud del paso esta predefinida
según las divisiones de la pista que tiene en cuenta el algoritmo de planeación.
El diagrama seguido para esta subrutina se puede verificar en la figura 48.
57
Figura 48. Diagrama de subprograma Avanzar.
El móvil controlado se desplaza hacia delante hasta alcanzar el número de pasos

mientras que no se detecte ningún obstáculo, en caso contrario el móvil se detiene
y sale del subprograma.
58
4. VISIÓN DINÁMICA
4.1 GENERALIDADES DEL ANÁLISIS DINÁMICO DE IMÁGENES
4.1.1 Definición
El análisis del movimiento o análisis dinámico de imágenes es una aplicación de la

visión computacional que permite realizar el seguimiento y localización de los
objetos en movimiento presentes en una secuencia de imágenes.
Al ser parte de la visión computacional, el análisis dinámico de imágenes se

realiza siguiendo las mismas etapas de la visión computacional, en las que
aplicando procesamiento digital de imágenes se extrae la información necesaria
para cumplir con la tarea de localización y seguimiento.
4.1.2 Etapas de un Sistema de Visión Computacional
A. Adquisición de Imágenes.
En esta etapa se obtienen las imágenes visuales. Dos elementos son necesarios
para adquirir imágenes digitales de video, el primero es un dispositivo físico que
sea sensible a la banda visible del espectro electromagnético y que produzca una
señal eléctrica proporcional al nivel de energía percibido, y el segundo es un
digitalizador capaz de convertir la señal eléctrica del dispositivo en una forma
digital, aunque en la actualidad existen cámaras que entregan la señal digital
directamente al computador haciendo así innecesario el digitalizador.
59
B. Pre-procesamiento.
El objetivo principal del pre-procesamiento es una mejora de los datos de la
imagen suprimiendo los efectos de ruido e incrementando las características
deseadas para un exitoso procesamiento.
C. Segmentación.
En esta etapa los objetos de interés en la imágen son separados del fondo para su
posterior estudio.
D. Representación y Descripción.
La representación es el proceso mediante el cual se obtienen características

convenientes para representar un objeto segmentado en la escena.
E. Reconocimiento e Interpretación.
Con base en la información suministrada por una serie de descriptores utilizados,

el reconocimiento asigna una etiqueta a cada elemento. La interpretación se
encarga de asignar un significado a un conjunto de objetos reconocidos.
4.1.3 Etapas fundamentales de la aplicación implementada
Las etapas implementadas en este trabajo, para la localización dinámica de

objetos en movimiento se observan en la figura 49. Las etapas de reconocimiento
e interpretación y de representación y descripción se encuentran fusionadas en
una sola llamada localización. Las demás etapas conservan una estructura
semejante a la descrita anteriormente, para un sistema de visión computacional.
60
Figura 49. Diagrama de bloques de la aplicación implementada
4.2 GENERALIDADES
4.2.1 Descripción de la escena
El escenario en general consta de una pista de madera, con un área de 3,7088

m2. El color de la pista es negro mate con el objetivo de mejorar los resultados en
el proceso de segmentación de los elementos en movimiento y posibles problemas
de reflexión de la luz por el uso de pinturas brillantes.
La cámara se ubicó a una altura de 2,80 m de altura de la pista, procurando que

su eje óptico quedara perpendicular al piso, de esta forma se obtiene un área
efectiva de captura de 2,013 m2 cuando se usa un lente de 8mm. Debido a que el
área cubierta con el lente de 8mm es muy pequeña y la dimensión de cada uno de
61
los carros es considerable, las restricciones de movimiento no permiten realizar un
buen planeamiento, por lo cual se instaló en la cámara un lente de 4 mm y se
amplió el área de captura efectiva tomando toda la pista, es decir 3.708 m2. En
cuanto a la iluminación se limitó a las fuentes con las que se cuenta en el
laboratorio. Estas fuentes son dos lámparas de techo fluorescentes de 40 W.
Un esquema de distribución de los principales elementos y algunas dimensiones

de importancia en el escenario se observan en la figura 50.
Figura 50. Distribución general de la escena
4.2.2 Elementos de adquisición

Los dos elementos fundamentales en el sistema de adquisición son: la cámara y la
tarjeta digitalizadora.
Cámara.
Para la obtención de la señal que se va a digitalizar se hizo uso de una cámara
análoga DFK50H13/N, que posee un lente de 8mm y salida de video compuesto.
Fue necesario realizar la calibración para evitar errores en los resultados.
62
Luego se optó por realizar nuevamente la calibración de la cámara usando un
lente de 4mm debido a que con este no se logró tomar el área de trabajo que se
necesitaba.
Para la calibración realizada se utilizaron 24 imágenes y se uso la toolbox de

calibración de Matlab llamada calib. Con ella se logró obtener los resultados que
se aprecian en las figuras 51 a 54. Tal como se podrá observar en la figura 55
donde se muestra el modelo de distorsión radial y tangencial existe un alto grado
de aberración, teniéndose en las esquinas hasta 60 píxeles de desviación radial.
Figura 51. Foto tomada sin calibración
Figura 52. Foto obtenida después de la calibración
63
Figura 53. Foto tomada sin calibración
Figura 54. Foto obtenida después de la calibración
64
Figura 55. Modelo de distorsión completo para lente de 4 mm
Complete Distortion Model
0
20
60
20
40
30
50
40
10 10
50
100
30
150
20
20
200
40
30
10
250
10
300
30
350
50
10
20
20
400 10
40
30
40
60
450
0 100 200 300 400 500 600
Pixel error = [1.383, 0.7862]
Focal Length = (600.475, 604.098) +/- [9.862, 10.04]
Principal Point = (282.204, 223.682) +/- [6.903, 7.087]
Skew =0 +/- 0
Radial coefficients = (-0.54, 0.3479, 0) +/- [0.0179, 0.03443, 0]
Tangential coefficients = (0.003962, 0.0003312) +/- [0.002795, 0.002354]
A continuación se presentan los resultados obtenidos de la calibración usando

Matlab:
Calibration parameters after initialization:
Focal Length: fc = [ 443.69667 443.69667 ]
Principal point: cc = [ 319.50000 239.50000 ]
Skew: alpha_c = [ 0.00000 ] => angle of pixel = 90.00000 degrees
Distortion: kc = [ 0.00000 0.00000 0.00000 0.00000 0.00000 ]
Main calibration optimization procedure - Number of images: 24

Gradient descent iterations:
1...2...3...4...5...6...7...8...9...10...11...12...13...14...15...16...17...done
Estimation of uncertainties...done
Calibration results after optimization (with uncertainties):
65
Focal Length: fc = [ 600.47492 604.09831 ] ± [ 9.86222 10.04268 ]
Principal point: cc = [ 282.20427 223.68173 ] ± [ 6.90267 7.08700 ]
Skew: alpha_c = [ 0.00000 ] ± [ 0.00000 ] => angle of pixel axes =
90.00000 ± 0.00000 degrees
Distortion: kc = [ -0.54004 0.34794 0.00396 0.00033 0.00000 ] ± [
0.01790 0.03443 0.00279 0.00235 0.00000 ]
Pixel error: err = [ 1.38326 0.78623 ]
Tarjeta digitalizadora
Para realizar la digitalización de las señales provenientes de la Cámara, se utilizó

una tarjeta de compresión de video PCI de 32 bits DFG/Compress con una
entrada / salida de video compuesto y un conector para obtener la señal de 8
cámaras diferentes. En la aplicación solamente se uso una cámara.
4.2.3 Algoritmo de adquisición y configuración de la tarjeta digitalizadora
El primer paso para realizar una correcta adquisición consiste en inicializar el

hardware, ya que no se puede utilizar alguna otra función sin llevar a cabo este
paso. En caso que la tarjeta de adquisición no se haya inicializado correctamente
se desplegará un mensaje de error y finalizará el proceso. Si la tarjeta ya ha sido
inicializada, estos pasos no se ejecutarán. Un esquema general se puede apreciar
en la figura 56.
Una vez inicializado el hardware, se fijan algunos parámetros de la señal de video

de entrada como son:
a. canal de entrada: la tarjeta soporta cuatro canales de entrada de video.

b. modo de la señal: video compuesto o S-VHS (Y/C).
c. formato de video: PAL o NTSC.
66
d. formato de color: RGB, YUV. El proceso de adquisición de este proyecto captura
imágenes RGB en verdadero color de 24 bits.
e. modo de visualización
Figura 56.Diagrama de flujo para algoritmo de adquisición
INICIO
?
SI Tarjeta NO
Inicializada
Inicializar
Tarjeta
SI Inicio NO
exitoso?
NO Señal de entrada SI ERROR
Configurada?
Entrada de Video
Modo de Entrada
Formato de Video
Formato de Color
Modo de
Visualización
VIDEO Tipo de
Captura ? FRAME
NO
?
Video SI
Localizar Memoria
Activo
Ventana de
Visualización Información de
la Cabecera
Ajuste de
Tamaño Capturar Frame
Capturar
VISUALIZACIÓN PROCESAMIENTO
Video
Caso ?
Desplegar Video
Desplegar Frame Procesar
Liberar Memoria
67
Para la captura del video, se implementó una interfase en la cual presenta la
señal de video en una ventana de diálogo de tamaño ajustable. A partir de esta
señal, se puede capturar cuadros que permanecen estáticos en un documento
separado. Una imagen capturada de esta manera se conoce como un Frame.
Para capturar un frame, primero se selecciona un área en memoria donde
almacenar los datos de la imagen a adquirir, también se ajusta la cabecera que
corresponde a propiedades de la imagen como las dimensiones y el número de
bits por píxel. Luego, si lo que se desea son imágenes independientes del proceso
de detección y segmentación de objetos en movimiento se efectúa la captura y
posterior despliegue, de lo contrario los frames adquiridos no serán desplegados,
lo cual permite optimizar recursos computacionales y disminuir tiempo en el
proceso.
Finalmente se libera la memoria ocupada, de tal manera que al capturar los

frames siguientes no aumente el tamaño ocupado en memoria. De esta manera, el
manejo de memoria tendrá el mismo grado de eficiencia en cuanto al numero de
bytes usados por la aplicación, sin depender del tiempo que dure el proceso.
Figura 57. Adquisición de video y frames
68
En la figura 57 se aprecia el resultado de implementar el algoritmo de adquisición
descrito anteriormente en visual C++ 6.0, el cual permite capturar video y
desplegarlo en un único dialogo y además capturar múltiples imágenes en
diferentes vistas.
4.3 PRE-PROCESAMIENTO
Una de los objetivos fundamentales del pre-procesamiento en la aplicación

desarrollada en el proyecto es eliminar el ruido presente en la imágenes
adquiridas, que aunque no es muy notorio si puede afectar en forma drástica los
resultados obtenidos en el proceso de detección de móviles. Para solucionar este
problema se opto por utilizar filtros de mediana [pajares], los cuales eliminan en
gran parte el ruido presente en la imagen sin alterar de forma notoria la calidad
visual de la misma.
4.4 DETECCIÓN Y SEGMENTACION DE MOVIMIENTO

Los algoritmos implementados para el efecto, son de amplio uso en aplicaciones
de análisis dinámico de imágenes como es el caso del algoritmo de Jain utilizada
en sistemas de vigilancia vial el cual se basa en la detección de bordes de los
vehículos en movimiento en una secuencia de imágenes o algoritmos de
reconocimiento de color utilizado en robótica de tipo recreativa como es el caso de
la Copa de fútbol robótico.
Los diferentes algoritmos usados para la aplicación son los siguientes:
4.4.1 Método basado en Color
Los algoritmos de detección y segmentación de movimiento basados en el

reconocimiento del color, distinguen el color de los objetos de interés presentes en
la escena para así realizar su segmentación.
69
En este trabajo se implementaron dos modelos de color [12] el xyY y HLS para
realizar la detección. La principal razón para elegir estos modelos radica en que la
información cromática y la de brillo es separada en componentes distintas, lo cual
hace a estos modelos robustos ante los cambios de iluminación que se presenten
en el escenario. Además, al estar realizando detección solamente en las
componentes que contienen la información cromática, el tiempo en la
segmentación disminuye, lo cual disminuye también el tiempo total de
procesamiento.
Modelos xyY y HLS
• Modelo De Color xyY : en 1931 la Commission Internationale de l'Éclairage
(CIE) 2 define tres colores imaginarios base x, y e Y, como una solución al
problema que tiene el modelo RGB 3 de no poder representar muchos de los
colores percibidos por el ojo humano.
El modelo xyY, esta basado en las curvas de respuesta espectral de los tres
receptores de color del ojo (observador patrón) las cuales difieren ligeramente de
una persona a otra [8]. El CIE ha definido un “observador estándar” basándose en
la respuesta espectral media de la población.
Los colores primarios para el observador estándar se encuentran representados
en un modelo espacial llamado diagrama cromático CIE 1931 para un observador
de 2°, este diagrama se observa en la figura 58, además en la figura 59 se
observa en qué consiste el concepto de un observador de 2º.
2
Traducción Francesa de “Comisión Internacional sobre iluminantes”, principal organización internacional
encargada de los problemas sobre medición del color.
3
Siglas en ingles de Red(rojo), Green(verde) y Blue (azul) colores base en el modelo RGB
70
Figura 58. Diagrama cromático CIE 1931 para un observador de 2°
Figura 59. Observador de 2º.
disponible en < http://home.wanadoo.nl/paulschils/10.00.htm> [noviembre de 2004]
En diagrama cromático del CIE (figura 21) se puede observar que la información
de color se encuentra solamente en dos de sus componentes (x & y), puesto que
en la componente Y se representa la claridad de los colores. Esto le da una
ventaja sobre el modelo RGB en el cual la información de color esta contenida en
sus tres componentes.
• Modelo De Color HLS: Este modelo utiliza los tres componentes básicos del
color: matiz (Hue), saturación (Saturation) y brillo (Luminance). Una
representación gráfica incluyendo estas tres propiedades genera el denominado
espacio y color, el cual se ve en la figura 60.
71
Figura 60. Espacio y color HLS
RUSS John. The Image Processing Handbook. Boca Raton, FL. CRC PRESS,
IEEE PRESS. 2002.
En el perímetro del disco están situados los colores en su forma mas pura, es
decir con la ausencia de luz blanca. Al variar la distancia al centro del disco, los
colores comienzan a mezclarse con la luz blanca, presentándose así los colores
pasteles, esto se debe a que la distancia al centro (radio) señala los cambios en
la componente de saturación (saturation) de los colores.
El barrido angular que se hace con una línea tomada desde el centro por toda el
área del disco corresponde a cambios en el color. Esta coordenada angular
corresponde al matiz (hue) del color.
Por ultimo el brillo (luminance), corresponde a la altura del doble cono y tiene un
valor de 0 a 1, esto significa que a una altura cero se encuentra el color negro, a
una de 0.5 se encuentra un gris de intensidad media, y a una altura de valor 1 se
localiza el color blanco puro, lo cual indica que en la línea perpendicular que pasa
por el centro de la circunferencia se encuentran los niveles de grises.
72
4.4.2 Algoritmo de color
A continuación se describe el algoritmo de segmentación por color basado en los

modelos HLS y xyY, implementado en el presente proyecto.
Inicialmente se tiene una imagen RGB de la etapa de adquisición y luego se

realiza una conversión de RGB al modelo de color seleccionado con anterioridad.
La transformación de RBG a HLS se describe con las siguientes ecuaciones:
⎧θ si B ≤ G
(1)
H =⎨
⎩360 − θ si B > G
donde:
⎛
⎜
1
[(R − G ) + (R − B )] ⎞⎟
θ = cos −1 ⎜ 2 ⎟ (2)
⎜
⎜ (R − G ) + (R − B )(G − B ) ⎟⎟
2
⎝ ⎠
S = 1−
3
[min (R, G, B )] (3)
R+G+ B
La transformación de RBG a xyY se describe como:
⎡ X ⎤ ⎡0.4124543 0.35758 0.180423 ⎤ ⎡R ⎤

⎢Y ⎥ = ⎢0.2126710 0.71516 0.072169⎥⎥ ⎢G ⎥ (4)
⎢ ⎥ ⎢ ⎢ ⎥
⎢⎣ Z ⎥⎦ ⎢⎣0.0193340 0.119193 0.950227 ⎥⎦ ⎢⎣ B ⎥⎦
73
X Y
x= y= (5)
X +Y + Z X +Y + Z
donde la ecuación 4 corresponde a la transformación de RGB a los valores

triestímulo XYZ, para el iluminante D65 [maynero] y un observador de 2º, y la
ecuación 5 es la normalización de las componentes x e y.
Una vez realizada la transformación al modelo de color adecuado, se binariza la

imagen obtenida de acuerdo con el color que se quiera identificar. A esta imagen
binarizada se le aplica un filtrado morfológico basado en erosiones y relleno de
huecos [woods] con el fin de obtener una buena segmentación de los objetos de
interés en la escena. Los umbrales de binarización dependen en su valor de cada
modelo de color y hacen parte de la base del conocimiento, es decir de los
parámetros con los cuales se realice la segmentación. Finalmente se eliminan
falsos candidatos si el área del objeto es menor a un área umbral predeterminada
en el algoritmo.
En la figura 61 se muestra el diagrama para el algoritmo de color descrito

anteriormente.
74
Figura 61. Diagrama de flujo para Algoritmo de Color
Adquisición
HLS Seleccionar xyY

Modelo
Conversión Conversión
RGB a HLS RGB a xyY
Binarización Binarización
Filtrado
Morfológico
Descartar Areas
Pequeñas
Representación y
Descripción
Reconocimiento e
Interpretación
Adquisición
En las figuras 62 y 63 se observa el resultado de aplicar el algoritmo de color a

algunas imágenes tomadas en el laboratorio. En el inciso b) de cada figura la
imagen ya binarizada presenta ruido debido a condiciones de iluminación en el
escenario. En el inciso c) se detalla el resultado final del proceso de detección y
segmentación del color elegido después de haber aplicado el filtro morfológico a
las imágenes del inciso b).
Cabe resaltar que estas imágenes no fueron adquiridas en el escenario planteado

en este proyecto, sino en un escenario no controlado 4 , y puede verse que la
iluminación no deja de ser un factor preponderante en el momento de realizar la
75
detección del color. No obstante se observa que con la utilización de los modelos
de color implementados en este proyecto este problema se soluciona de forma
completa.
Figura 62. Segmentación del color amarillo con modelo HLS.

a) Imagen original. b) Binarización. c) Imagen con filtrado morfológico
a b c
Figura 63. Segmentación del color naranja con modelo xyY

a)Imagen original. b) Binarización. c) Imagen con filtrado morfológico
a b c
4.4.3 Método basado en Gradientes
Estos métodos proveen una solución al problema de estimación de movimiento, a

partir de la observación de los cambios en el brillo de una secuencia de imágenes.
Aprovechando este fundamento, se puede detectar los bordes de un elemento en
movimiento en cualquier escena dinámica.
76
En la estimación del movimiento por medio de métodos basados en gradientes
uno de los principales problemas es la presencia de elementos no móviles que
pueden estar en la escena y que interfieren con la correcta detección de los
bordes de los elementos en movimiento. Por tal motivo en el proyecto aquí
expuesto se implementó un algoritmo que se fundamenta en el algoritmo de Jain,
el cual soluciona en gran medida este problema.
Algoritmo de Jain
Este algoritmo utiliza dos gradientes, el espacial y el temporal, los cuales se

combinan por medio de un operador lógico AND, como se muestra en la siguiente
ecuación:
ET ( x, y, t ) = dF ( x, y, t ) • dF ( x, y, t ) (6)
dS dt
En donde dF(x,y,t)/dS y dF(x,y,t)/dt son respectivamente los gradientes espacial y

temporal de la función de intensidad F(x,y,t) 5. Para obtener el gradiente espacial
se puede utilizar cualquier detector de bordes usado en procesamiento digital de
imágenes, mientras que para determinar el gradiente temporal una opción consiste
en realizar la diferencia entre los niveles de grises de dos imágenes diferentes de
la misma escena. Cabe resaltar que una de las imágenes utilizadas en la
diferencia de niveles de grises para calcular el gradiente temporal debe ser la
misma que se utiliza para calcular el gradiente espacial.
Algoritmo para detección del movimiento.
5
Corresponde a los niveles de intensidad en cada píxel presente en una imagen.
77
Este algoritmo se basa fundamentalmente en el algoritmo de Jain y en algunas
operaciones morfológicas como se puede apreciar en la figura 64.
Figura 64. Diagrama para Algoritmo basado en Gradientes
Adquisición
Pre-procesado
Leer Imagenes
Pre-procesadas
JAIN
Gradiente
Espacial
Gradiente
Temporal
Operación
lógica AND
Morfología
Descartar Areas
Pequeñas
Representación y
Descripción
Reconocimiento e
Interpretación
Adquisición
A continuación se describe el algoritmo de detección y segmentación de

movimiento basado en gradientes implementado en el proyecto aquí expuesto:
En primera instancia, se leen dos imágenes en escala de grises que provienen de

la etapa de pre-procesado, las cuales han sido adquiridas en instantes diferentes
de una secuencia de imágenes.
78
imagen A(to) ....... imagenA(to + ∆t )................ (7)
1444444442444444443
SECUENCIA DE IMAGENES
Luego se aplica el método de Jain, el cual consiste inicialmente en hacer una

detección de bordes a cada imagen por medio del detector de bordes de sobel
[russ], después se realiza la diferencia entre la segunda y la primera de estas
imágenes de bordes y a este resultado se aplica la operación lógica AND con la
segunda imagen de bordes, obteniendo como resultado solamente los bordes del
objeto en movimiento en la segunda imagen. El proceso se ilustra en la figura 65.
Figura 65. Operaciones del algoritmo de Jain
ImagenA(t) A
Detector de Diferenciador
Imagen de Bordes
Bordes. Sobel B B-A
ImagenA(t+ t) de los objetos en
AND movimiento en la
ImagenA(t+ t)
Finalmente por medio de operaciones morfológicas se realiza el relleno de la

región correspondiente al objeto en movimiento y además se descartan las
regiones con un área menor a un valor umbral fijado previamente.
Uno de los inconvenientes del algoritmo descrito anteriormente es que solo

segmenta objetos en movimiento en una escena, por lo tanto, cuando un objeto
que esta en movimiento se queda estático o sale de la escena, el algoritmo no
obtendrá resultado alguno. Por esta razón se optó por realizar un algoritmo
alterno con el cual recuperar la información de localización de los objetos que
ahora se encuentran fijos o que no se encuentran en la escena. Este algoritmo
alterno se expondrá en detalle en el siguiente capitulo.
79
Figura 66. Segmentación de movimiento con gradientes.
a) imagen A(to). b)imagen A(to+∆t). c)Gradiente espacial. d)Gradiente temporal.
e)bordes del objeto en movimiento f)objeto segmentado
a b c
d e f
En la figura 66 se observa la segmentación del objeto en movimiento (carro

amarillo) realizada con el algoritmo basado en gradientes y en una escena no
controlada. En los incisos c, d y e de la figura 66 se muestra el resultado de las
operaciones del algoritmo de Jain. Finalmente en la figura 66-f se observa el
resultado de aplicar operaciones morfológicas a la imagen 66-e obteniendo así la
región interna del objeto para su posterior localización.
4.4.4 Método Basado En Correlación.

La correlación es la medida de la relación de igualdad que existe entre dos
conjuntos de datos, los valores que toma, indican el grado de semejanza entre
ellos.
Principios fundamentales
La correlación aplicada al análisis de imágenes y mas específicamente a la
localización de objetos en movimiento dentro de una escena, consiste en
80
comparar secciones de una imagen para ver el nivel de semejanza con otra
imagen, llamada modelo patrón [12].
La función de correlación normalmente utilizada en procesamiento digital de

imágenes tiene la siguiente expresión matemática:
i=N
r = ∑ Ii M i (8)
i =1
Donde M es el modelo patrón e I es la imagen a la cual se le va a encontrar la

semejanza con el modelo patrón.
Esta función es máxima cuando la parte analizada de la imagen es muy

semejante al modelo patrón. Infortunadamente, este método es impreciso si los
niveles de brillo en la imagen son muy altos. En este caso es muy posible que la
correlación alcance su máximo valor, cuando las imágenes no tienen ninguna
correspondencia entre ellas; por tal motivo en el presente proyecto se utilizara la
correlación normalizada, como una solución práctica a este inconveniente.
Correlación Normalizada. Es una función más compleja, en la cual el resultado

no se ve afectado por cambios lineales en la imagen o valores de los píxeles en el
modelo. Además, la función alcanza su valor máximo únicamente cuando la
imagen y el modelo tienen una correspondencia exacta [9]. La función de
correlación normalizada tiene la siguiente expresión:
N ∑ IM − ∑ I ∑ M
r=
(N ∑ I )( ) (8)
− (I ) N ∑ M 2 − (∑ M )
2 2 2
81
Donde N corresponde al número de píxeles analizados e I y M corresponden a la
imagen y modelo patrón, respectivamente.
Algoritmo basado en Correlación
El objetivo principal de este algoritmo es seleccionar como modelo patrón, un

objeto presente en una primera imagen en escala de grises de la escena, para
posteriormente, por medio de correlación, realizar un seguimiento del móvil en las
imágenes subsecuentes.
Para tal fin, se implementó un algoritmo eficaz, que para la correlación tiene en
cuenta al modelo no solamente en la orientación original sino también, en
posiciones rotadas, con lo cual, el modelo solo se almacene en memoria una vez.
El Algoritmo utiliza un valor de aceptación para tomar o rechazar un resultado el
cual esta muy ligado a las condiciones de iluminación y ha sido fijado previamente
de acuerdo a las condiciones del laboratorio.
El diagrama del algoritmo para el seguimiento por medio de correlación se

describe a continuación y se visualiza en la figura 67.
82
Figura 67. Diagrama del algoritmo de correlación
Adquisición
Pre-procesado
Leer Imagen
pre-procesada
NO
?
SI Modelo
Guardado
Visualizar Imagen
NO Modelo
Seleccionado? SI
Seleccionar
Modelo
Buscar
Modelo
Guardar Modelo
Activar Correlación
Angular
%Aceptación
Representación y
Descripción
Reconocimiento e
Interpretación
Adquisición
Inicialmente se lee una imagen en escala de grises que ha sido pre-procesada.

Seguidamente se pregunta si el modelo ya está almacenado en memoria. Si la
respuesta es afirmativa se ejecuta la función de correlación para buscar dicho
modelo en la imagen adquirida, de lo contrario se visualiza la imagen con el
propósito de que el usuario pueda seleccionar por medio del clic izquierdo del
mouse el centro del modelo. Finalmente si se ha seleccionado satisfactoriamente
un modelo, éste se guarda, se habilita la función de correlación angular, la cual
83
tiene en cuenta los movimientos rotacionales del móvil y se fija un valor umbral
con el cual se decide si un resultado es aceptable o no.
Figura 68. Resultados del algoritmo de correlación
a b c
d e f
En las figuras 68-a a 68-f, se observa la secuencia de seguimiento de un móvil por

medio del algoritmo de correlación, la marca roja indica el lugar donde la
correlación arrojó el mayor nivel de semejanza y esta posición coincide
satisfactoriamente con el modelo elegido.
4.5 LOCALIZACIÓN E IDENTIFICACION

La información en píxeles proporcionada por las imágenes toma importancia en el
momento en que se la relaciona con alguna magnitud física como el área, la
longitud etc, con la cual se pueda sacar conclusiones acerca de lo que ocurre en
el mundo real que es captado por la cámara. La localización e identificación en la
pista es la etapa que relaciona finalmente la información obtenida por el sensor
que en este caso es la cámara, con la información física real en la escena.
84
4.5.1. Localización de objetos en la imagen
Después de realizado el proceso de detección y segmentación de movimiento es
necesario realizar la localización del centroide del objeto segmentado con respecto
al origen de coordenadas de la imagen. Aunque el centroide, está relacionado con
una propiedad física de los objetos como es su masa, tiene una aplicación
particular en el procesamiento digital de imágenes. A continuación se describe de
forma breve el concepto de momentos, necesario para realizar el calculo del
centroide aplicado al procesamiento digital de imágenes.
• Momentos. Son propiedades numéricas que dependen de las coordenadas y

del valor que toman las variables en función de ellas. Para una función discreta6 el
momento (p,q) se define de las siguiente manera :
M ( p, q ) = ∑ ∑x p
y q f ( x, y ) (9)
x y
• Centroide. se obtiene por medio de los momentos de orden 1 M (1,0), M(0,1))

y de orden cero M (0,0). Este último corresponde al área en píxeles del objeto
segmentado. El calculo realizado con estos momentos se muestra en la siguiente
ecuación.
M (1,0 ) M (0,1) (10)

X= Y=
M (0,0) M (0,0 )
4.5.2. Algoritmo de Identificación
En la escena se pueden tener múltiples móviles (máximo seis), por tanto se

requiere de un algoritmo que esté constantemente identificando a cada uno de los
6
En procesamiento digital de imágenes, corresponde a los niveles de intensidad en cada una de las posiciones
dentro de la imagen.
85
móviles con el fin de realizar un correcto seguimiento de ellos y no llegar a
confundir uno con otro.
La etapa de identificación consta de tres fases fundamentales: actualizar móviles
detectados, eliminar móviles no detectados y detectar móviles nuevos. En la figura
69 se muestra el diagrama de flujo para este algoritmo.
Figura 69. Diagrama de flujo para algoritmo de identificación

Inicio
Actualizar Móviles
Detectados
Eliminar Móviles
NO Detectados
Crear Móviles
Nuevos
Fin
A continuación se describe cada una de las fases del algoritmo de identificación.
Actualización de móviles detectados Consiste en actualizar la información de

posición y orientación de cada uno de los móviles que habían sido detectados en
la imagen anterior y que se han detectado en la imagen actual.
Eliminación de móviles NO detectados: consiste en eliminar la información de

posición y orientación de un móvil que no ha sido detectado en la imagen actual
pero que se había detectado en la imagen anterior.
86
Detección de móviles nuevos. En esta fase se agrega la información de
posición y orientación de un móvil que se ha detectado en la imagen actual pero
que no se había detectado en la imagen anterior.
La manera de conocer si un móvil que se había detectado en la imagen anterior

aparece nuevamente en la imagen actual o ha desaparecido en esta ultima, se
explica a continuación:
Se parte del hecho que las dimensiones de los móviles utilizados en el presente
proyecto son de 20cm x 20cm y que cuando dos móviles están lo mas cerca
posible sin haber chocado, sus centros de gravedad se encuentran a una distancia
de 20cm aproximadamente (figura 70).
Figura 70. Dimensiones de los móviles
20 cm
20 cm
20 cm
Consecuentemente, para que pueda realizarse un correcto seguimiento de cada

uno de los móviles en la escena, es necesario que el centroide de un objeto se
encuentre dentro de una circunferencia de radio 18 cm con origen en el centroide
del mismo objeto en la imagen anterior. (figura 71).
87
Figura 71. Identificación de un móvil
radio = 18cm
centroide en t = to
centroide en t = to + t
Al fijarse el radio de la circunferencia en 18 cm, se asegura que nunca se va a

confundir un móvil que se desplaza, con otro objeto cercano. Como contraparte,
esta elección limita la velocidad máxima a la cual puede desplazarse un móvil para
poder ser identificado y realizar un correcto seguimiento del mismo. Esta velocidad
es:
xmax
vmax =
∆t
(9)
18 ⎡ cm ⎤
vmax =
∆t ⎢⎣ s ⎥⎦
donde vmax y ∆t corresponden respectivamente a la velocidad máxima de

desplazamiento del móvil y al tiempo que requiere la aplicación para adquirir una
imagen y procesarla. El tiempo de procesamiento depende del algoritmo en
ejecución.
El algoritmo descrito anteriormente, funciona correctamente siempre y cuando los

móviles puedan ser localizados en todo instante, sin importar si están en
movimiento o no. Cuando se ejecuta el algoritmo basado en correlación o el
algoritmo basado en color, siempre se logra localizar los objetos estáticos o en
movimiento, sin embargo esto no ocurre cuando se utiliza el algoritmo basado en
gradientes, el cual localiza solo los objetos en movimiento.
Para subsanar este inconveniente, se optó por implementar un algoritmo alterno,

con el cual se pueda establecer la localización de un objeto móvil cuando se
88
quede estático o salga de la escena. El diagrama para el algoritmo alterno se
muestra en la figura 72.
Figura 72. Diagrama par el algoritmo alterno

Algoritmo basado
en Gradientes
Umbralización
Móvil
NO NO
Detectado
? SI
Filtrado Morfológico
Algoritmo Calcular Centroides

Alterno
Buscar Móviles NO
Detectados
Actualizar Móviles
Identificación Detectados
de Móviles
El algoritmo alterno mostrado en la figura 72, solo se ejecuta cuando el número de

móviles detectados en la imagen actual es inferior al detectado en la imagen
anterior.
Este algoritmo inicialmente consiste en hacer una umbralización seguida de un

filtrado morfológico para segmentar los móviles en la escena. Luego se realiza el
cálculo del centroide de cada objeto segmentado. Finalmente se efectúa la
búsqueda de los móviles no detectados por medio de comparación con los móviles
detectados en la imagen anterior y se actualiza la información de estos móviles. La
actualización consiste en establecer la posición de los móviles que ahora están
estáticos o eliminar los móviles que ya no están en la escena.
4.5.3 Cálculo de Orientación del móvil
En la aplicación implementada, la orientación se puede calcular respecto a dos

sistemas de referencia. El primero es un sistema de referencia fijo el cual se
89
puede establecer en cualquier lugar de la escena y el segundo es de referencia
variable en cada instante.
Sistema de referencia fijo
En este sistema es necesario fijar el origen de coordenadas en un punto

cualquiera de la escena. En la figura 73, se puede observar el sistema de
referencia fijado en el centro de la escena.
Figura 73. Sistema de referencia fijado en el centro de la escena
(xo,yo)
x
(xm,ym)
En el sistema de referencia de la figura 73, el ángulo para un móvil aumenta en el

sentido de las manecillas del reloj respecto al eje positivo x, desde 00 hasta 360o.
Este ángulo se puede calcular por medio de la relación mostrada en la ecuación
10.
⎛ ym − yo ⎞
θ = tan −1 ⎜⎜ ⎟⎟ [radianes ]
⎝ xm − xo ⎠ (10)
θ [grados ]
180
θ=
π
90
Donde el punto ( xo, yo) es el origen de coordenadas fijo y el punto ( xm, ym) hace
referencia al centroide del móvil en cada instante.
Sistema de referencia variable
La referencia se fija en el centroide del objeto y cambia en cada instante conforme

este se mueve. Este sistema se muestra en la figura 74.
Figura 74. Sistema de referencia variable

Móvil en
t=to
(xr,yr)
x
(xm,ym)
Móvil en
t=to + t
En la figura 74 se puede apreciar un móvil ubicado en instantes diferentes de

tiempo. Cuando t = to el móvil se encuentra en el punto ( xr , yr ) , un instante
después, en t = to + ∆t , el móvil está ubicado en el punto ( xm, ym) . La orientación
del movimiento del objeto se puede calcular por medio de ecuación 11.
⎛ ym − yr ⎞
θ = tan −1 ⎜⎜ ⎟⎟ [radianes ]
⎝ xm − xr ⎠ (11)
θ [grados ]
180
θ=
π
91
5. PRUEBAS Y ANÁLISIS DE RESULTADOS
5.1 PRUEBAS REALIZADAS PARA EL SISTEMA DE VISIÓN
En este capitulo se presentan las pruebas realizadas a los algoritmos

implementados. Estas pruebas son:
• Posición.
• Orientación.
• Seguimiento de trayectorias.
• Tiempo de latencia
Para realizar estás pruebas se utilizó la aplicación (FENIX) en visual C++ 6.0, la
cual genera un archivo de texto con la información de posición y orientación de
los objetos móviles. Además para emular el objeto en movimiento o estático se
usó en todas las pruebas un rectángulo de cartulina cuyas dimensiones son 17cm
x 12cm con el fin de localizar fácilmente su centroide en la intersección de sus
diagonales.
El análisis de cada uno de los resultados obtenidos en las pruebas mencionadas

permitirá medir el desempeño de la aplicación en la localización tanto de objetos
móviles como estáticos.
El error, el valor medio y la desviación estándar para las pruebas se calcula por
medio de las siguientes relaciones:
error = valor medido − valor real (12)
1 n
valor medio = ∑ xi
n i =0
(13)
92
1 n
desviación estándar = ∑ (xi − valor medio )2 (14)
n − 1 i =0
donde n es el número de muestras.
El calculo del error se efectúa con el fin de medir el nivel de exactitud, mientras la
desviación estándar para establecer el nivel de precisión.
5.1.1 Posición
El objetivo principal de esta prueba es medir el nivel de exactitud y precisión que

tiene la aplicación desarrollada cuando se usa para localizar (posición) los objetos
de interés en la escena.
Para realizar esta prueba, se dividió la pista en una cuadricula con divisiones de
10cm x 10cm simulando en el mundo real un sistema de coordenadas cartesiano
con origen en el centro de la pista . A continuación se ubicó un objeto en
diferentes posiciones en la pista, de tal manera que el centroide del objeto
coincidiera con una posición (x,y) conocida en el sistema de referencia.
Por ultimo se localizó el objeto con la aplicación desarrollada, tomando para cada
posición 50 datos. Las posiciones elegidas están distribuidas de tal manera que
cubran la mayor parte del área de trabajo como se observa en la figura 75.
Figura 75. Posiciones usadas para determinar la distribución del error.
93
Para esta prueba, el algoritmo basado en gradientes no arroja resultados ya que
el objeto que se va a localizar no se encuentra en movimiento, por lo cual este
algoritmo se excluye de la misma.
Figura 76. Distribución del error de posición en los algoritmos implementados
a)Error en las coordenadas en x . b)Error en las coordenadas en y
En la distribución de la figura 76 del error se observa que el error en posición es

mayor a un centímetro para las coordenadas en x para la posición 2 y para las
coordenadas en y en las posiciones 3 y 4. Estos errores se deben a que los
puntos mencionados anteriormente se encuentran localizados en los extremos de
la imagen, lugar en el cual se presenta el mayor nivel de distorsión.
5.1.2 Orientación
Para realizar esta prueba, se simuló un sistema de coordenadas polar fijado en el

centro de la pista y se realizaron divisiones de 30° en un rango de 0° a 360°.
Luego se ubicó un objeto en diferentes posiciones, de tal manera que el ángulo

formado por éste respecto al origen de coordenadas, variara desde 0° hasta 330°
con espaciamiento de 30°. Para cada posición se tomaron 50 datos del ángulo
con los cuales se realizó su posterior análisis.
94
En la figura 77 el error para el algoritmo basado en el modelo de color HLS se
muestra con barras verticales de color azul oscuro, para el algoritmo basado en el
modelo de color xyY con barras de color azul claro, el algoritmo basado en
correlación con barras amarillas y el algoritmo basado en gradientes se identifica
con barras rojas.
Figura 77. Error en orientación.
En la anterior figura se puede comparar gráficamente el error en orientación para

cada uno de los algoritmos.
5.1.3 Seguimiento
Esta prueba se realizó con el fin de comprobar en la aplicación desarrollada el
nivel de fidelidad al realizar el seguimiento de un móvil que describe una
trayectoria conocida.
Para la ejecución de la prueba se opto por usar dos trayectorias: la primera es una
línea recta con una pendiente de 30º con respecto al eje x. En la figura 78 de color
azul se observa la trayectoria ideal y de color rojo el seguimiento con los
algoritmos implementados
95
Figura 78. Seguimiento de una trayectoria recta
a)con el modelo de color HLS b)con el modelo de color xyY c)con el algoritmo
basado en gradientes d)con correlación
a b
Jain
c d
Aunque el seguimiento de una trayectoria rectilínea es altamente fiel para los
cuatro algoritmos implementados, se observo un leve cambio en la pendiente de la
recta. Esto es ocasionado por errores humanos al momento de medir el ángulo de
la pendiente en la trayectoria descrita para el objeto en movimiento.
La segunda trayectoria descrita es circular. Los resultados para el seguimiento con

los algoritmos implementados se observan en la figura 79.
96
Figura 79. Seguimiento de una trayectoria circular
a)con el modelo de color HLS b)con el modelo de color xyY c)con el algoritmo
basado en gradientes d)con correlación
a b
c d
Nuevamente en color azul se observa la trayectoria ideal y en color rojo, el

seguimiento realizado por la aplicación. En este caso el seguimiento tiene una alta
precisión salvo el algoritmo de gradientes donde se presentan variaciones
97
5.1.4 Tiempo de latencia
Esta prueba tiene como objetivo mostrar la rapidez de respuesta de cada uno de
los algoritmos implementados.
Esta prueba se realizó colocado sobre la pista seis objetos móviles y seis
obstáculos. La razón de tener el máximo número de objetos móviles y de
obstáculos en la escena, es porque de esta manera se obtiene el tiempo critico
para cada algoritmo ya que al incrementar el número de objetos de interés en la
escena también incrementa el tiempo de procesamiento.
En la tabla 7 se muestran los tiempos de adquisición, procesamiento y el tiempo

total de latencia el cual es la suma de los dos anteriores. Cuando los objetos
móviles se detectan por correlación o gradientes, los obstáculos pueden ser
detectados con base en el modelo de color xyY o al HLS. Cuando los objetos
móviles son detectados por el algoritmo basado en un modelo de color, xyY o
HLS, los obstáculos son detectados con base en el mismo modelo de color.
Tabla 7. Tiempos de latencia

Correlación Gradientes Móviles
Método xyY HLS
Tiempo de xyY HLS xyY HLS Obstáculo
latencia (seg) s
Adquisición 0,0735 0,0735 0,0735 0,0735 0,0735 0,0735
Procesamiento 0.8108 0.3018 0.9926 0.1661 0.7742 0.3000
Total 0,8821 0,3748 1,0643 0,2429 0,8515 0,3712
En la tabla 7 se observa que el tiempo total de latencia varía desde 0.2429s hasta
1.0643s. El algoritmo basado en el modelo de color HLS es el más rápido con un
tiempo de latencia de 0.2429s.
98
El tiempo de latencia limita la velocidad máxima como se observa en la tabla 8,
con la cual pueden moverse los objetos para poder ser localizados e identificados
correctamente con la aplicación desarrollada. Esto se muestra a continuación:
Tabla 8. Velocidad máxima de procesamiento.

Correlación Gradientes Móviles
xyY HLS
xyY HLS xyY HLS Obstáculo
s
Velocidad
máxima (cm/s) 20,405 48.025 16.912 74.104 21.139 48.491
5.2 CARACTERIZACION DEL MODULO DE ULTRASONIDO SRF04
Una vez conocido el funcionamiento del modulo de ultrasonido se realizo la

caracterización del mismo en el laboratorio, utilizando un generador de señales
para producir la excitación y un osciloscopio digital para capturar y observar el
pulso de eco entregado por el sensor. En el procedimiento para la calibración se
coloco un objeto frente al sensor; se registro la distancia entre el objeto y el sensor
y el ancho del pulso de eco medido en el osciloscopio. Para cada distancia se
excitó el sensor 5 veces. En la tabla 9 se presenta el promedio de ancho del pulso
de eco para cada distancia.
99
Tabla 9. Resultados del laboratorio en la calibración del SRF04.
Distancia del Objeto Ancho del Pulso de Eco

(cm) (mseg)
3 0.22
6 0.43
9 0.59
10 0.67
12 0.81
15 0.91
18 1.06
20 1.22
21 1.28
24 1.46
25 1.52
44 2.56
64 3.8
En la figura 80 se puede observar la distancia sensada v/s el tiempo de duración

del pulso de eco. Estos datos presentan un comportamiento lineal
En la grafica los puntos en color verde son los datos tomados en el laboratorio y la
línea azul es la regresión lineal de esto puntos, que se representan por la siguiente
ecuación:
Y = 5.78022913408e-5*X + 6.65830035889e-5 (15)
Esta ecuación es utilizada para calcular el ancho del pulso de eco en el rango de
distancias que sensa este modulo.
100
Figura 80. Caracterización del sensor SRF04
5.3 PRUEBAS DE DESEMPEÑO DEL ROBOT MÓVIL
Para el análisis del desempeño de los robots móviles se realizaron diferentes

pruebas con el fin de ajustar el control y la comunicación con el PC. Estas pruebas
son:
• Comunicación
• Precisión
• Seguimiento de trayectoria
• Repetibilidad
• Evitación de obstáculos
101
El análisis de cada uno de los resultados obtenidos permitirá medir el desempeño
de cada robot móvil.
5.3.1 Comunicación
La primer prueba que se realizo fue la de la comunicación vía radio frecuencia
enviando instrucciones desde el PC y observando que el móvil entendiera dichas
instrucciones. Como se menciono en el capitulo anterior la comunicación se
realizo en grupo de ocho bits con una velocidad de 1200 bits por segundo y un bit
de parada.
Una vez obtenida la comunicación se programo el microcontrolador dejando la

posibilidad de modificar desde el computador las siguientes variables: ancho de
pulso del servomotor derecho, ancho de pulso del servomotor izquierdo, distancia,
ángulo de giro.
5.3.2 Precisión
La primera prueba que se realizo fue calibrar el móvil para que ejecutara una
línea recta. Primero
Para esta prueba se vario el ancho de pulso a cada servomotor buscando que el
móvil siguiera una línea recta que se dibujo en la pista. Después de haber
realizado la prueba varias veces se encontró que el móvil siempre se salía de la
línea a uno de sus lados. Una solución a esto fue modificar el prescaler del
microcontrolador para aumentar la resolución en los pulsos enviados. Se realizo
nuevamente la prueba pero el cambio fue mínimo. Se concluyo que este error es
debido a la ubicación de los servomotores en el eje ya que están invertidos (es
decir que para que el móvil avance hacia delante un servomotor recibe un ancho
de pulso mayor a 1.5 ms y el otro uno menor). Para corregir este problema se
invirtió la polaridad al motor de continua de uno de los servomotores para que el
102
móvil avance hacia delante con un ancho de pulso en ambos servomotores mayor
a 1.5 ms. Recordemos que para un ancho de pulso igual a 1.5 ms los
servomotores no se mueven.
Por ultimo a cada servomotor se le cambio el potenciómetro por un trimer para
obtener mayor precisión y también para evitar que se gire accidentalmente uno de
estos.
Una vez fijado los trimers se realizo las mediciones de la prueba obteniendo los
resultados que se muestran en la tabla 10.
Tabla 10. Prueba de presición en el robot móvil

MEDICION DESVIACION DEL ANGULO DE LLEGADA
PUNTO DE LLEGADA (grados)
(cm)
1 +1.5 +3
2 -2.2 -1
3 -3.5 -2
4 -2.3 -2
5 +3.5 +6
6 -0.9 +1
7 0 +1
8 -1.1 0
9 -1.4 +1
10 +1.4 +1
11 -2.7 0
12 -0.1 0
El signo de la desviación del punto de llegada representa la orientación de llegada

del móvil. Un signo positivo indica que el movil llego a la derecha del punto
esperado, el signo negativo indica que llego a la izquierda.
103
El signo del ángulo de llegada se tomo como negativo cuando el móvil llega con
una orientación en sentido horario, con respecto a la orientación en la partida.
Con esta prueba se observa una desviación máxima de +/- 3.5 centímetros y una
desviación promedio de 1.91 centímetros para un avance de 80 centímetros.
El ángulo de desviación máximo es de 8 grados y el ángulo de desviación
promedio es de +/- 3 grados con respecto a la orientación en el punto de partida.
5.3.3 Repetibilidad
Para la prueba de repetibilidad se planifico una trayectoria en la cual se ubica el

movil en el mismo punto de partida y con la misma orientación y se mide el punto
de llegada, teniendo en cuenta las diferencias con el punto teorico. Para cada
medida se tomo el punto de llegada como el centro del eje del movil, y la
orientación del móvil como el ángulo de su eje respecto a la horizontal. La
trayectoria y el sistema de coordenadas para esta prueba se observa en la figura
79.
Figura 79. Trayectoria y sistema de coordenadas de la prueba de Repetibilidad.
104
En la prueba el móvil se debe desplazar desde la coordenada (0,120.7cm), hasta
la coordenada (85.35cm,0) siguiendo la trayectoria descrita. La ubicación de los
puntos de llegada se representa en coordenadas polares definiendo el origen
como la coordenada de llegada. Estas medidas se observan en la tabla 11.
Tabla 11. Resultados de la prueba de repetibilidad.

MEDICION PUNTO DE LLEGADA ANGULO DE
DISTANCIA(cm) ANGULO(grados) ORIENTACION(ß)
1 5.8 70 -1
2 2.6 170 0
3 3.1 72 0
4 4.5 47 -1
5 6.9 215 +4
6 1.5 60 +2
7 3.5 43 0
8 9.5 40 -4
9 3.3 38 +1
10 4.4 209 +3
11 1.7 21 +1
12 8.7 33 -3
13 4.3 228 +2
14 5.2 217 +2
15 6.5 38 -2
16 2.5 233 +1
Con el fin de visualizar la diferencia de los puntos de llegada medidos respecto al

punto de llegada teorico, se realizo una grafica de dispersión que se observa en la
figura 81.
105
Figura 81. Dispersión de los datos en la prueba de repetibilidad.
En esta prueba se obtuvo un error de 4.62cm promedio de diferencia entre el

punto de llegada medido y el teórico, y un error máximo en la orientación de +/-4
grados.
106
5.4 PROGRAMAS ELABORADOS

Para este método se desarrolló tres interfaces gráficas dos de las cuales son
usadas para planeamiento off-line y otra para planeamiento on-line. Estas
interfaces se realizaron usando el GUIDE de Matlab y aparcen en la figura 82 y 83.
Figura 82. Interfaz off-line de capos de potencial
107
Figura 83. Interfaz off-line que lee los valores de los obstáculos fijos dentro de la
pista usando cámara.
La interfaz para el algoritmo on-line es igual a la de la figura 83, solamente que

ella trae ya definida por defecto los valores de tamaño de la pista y el numero de
obstáculos. Estos obstáculos son como se enunció en los objetivos del proyecto
dos obstáculos fijos y uno móvil.
La captura de los datos se hace mediante visión reconociendo el color azul para
los obstáculos fijos y el amarillo para el obstáculo móvil y el carro que realiza el
planeamiento.
108
5.4.2 Algoritmo genético
El algoritmo genético fue implementado en VISUAL C#.NET. La interfaz se puede
apreciar en la figura 80, aquí se debe ingresar el peso mínimo, el número de
individuos, punto inicial en x, punto inicial en y, y las generaciones.
El algoritmo genético recibe estos datos e inicia el programa tendiendo en cuenta

que el peso mínimo es el que se lee en pantalla. Este peso mínimo es el criterio de
parada y sólo se detiene el algoritmo cuando se alcanza este valor.
El número de individuos hace referencia a cuantos individuos van a cruzarse y a

realizar todo el proceso genético a lo largo de las generaciones.
El número de generaciones es el número de veces que los individuos van a ser

sometidos a las diferentes operaciones genéticas del algoritmo. Como el único
criterio de parada es el peso mínimo, puede suceder que dentro de ese número de
generaciones no se llegue al valor de parada, para lo cual se decidió que se
inicializa todo otra vez a cero y se vuelve a recalcular desde el principio. Esto fue
necesario dado que si la población inicial es muy mala se necesitaría muchas
generaciones para obtener el resultado esperado. Este programa se le llamo
Freyja dada la relación de la diosa griega de la reproducción con las operaciones
trabajadas en el algoritmo. La interfaz es la que aparece en la figura 84. Ejemplos
de las trayectorias obtenidas se pueden apreciar en las figuras 85 y 86.
109
Figura 84. Interfaz gráfica programa de planeación de trayectorias usando
algoritmos genéticos.
Figura 85. Ejemplo de trayectoria obtenida con freyja.
110
Figura 86. Ejemplo de trayectoria al ejecutar Freyja.
Este algoritmo genético ejecuta trayectorias que van de un punto inicial obtenido
de la interfaz a un punto de llegada predefinido evitando los obstáculos y
considerando zonas de riesgo alrededor de cada obstáculo. Las trayectorias
generadas siempre son diferentes dada la aleatoriedad de la creación de la
población inicial, lo cual conduce a obtener caminos válidos en mayor o menor
tiempo.
5.4.3 Sistemas de referencia

En la figura 87-a se muestra el sistema de referencia usado en el programa de
visión artificial, y en la figura 87-b esta el marco de referencia usado en el
algoritmo de campos de potencial. Como puede apreciarse la orientación es
diferente, por lo cual fue necesario realizar estos cambios mediante software.
111
Figura 87. Sistemas de referencia
a X b
Y
Y X
El origen de coordenadas es posible variarse en el programa fénix de visión

artificial. Para cada estrategia desarrollada se trabajó un sistema de referencia
variable.
El origen en el programa de campos de potencial se ubica en la esquina de la
parte superior izquierda de la pista. Este punto se ubicó dentro del area obtenida
por la cámara en el punto: x=103, y=110. Para algoritmos genéticos el origen se
ubicó en la esquina inferior izquierda de la pista.
112
6. OBSERVACIONES Y CONCLUSIONES
El resultado final del proyecto es una aplicación en Microsoft Visual C++ 6.0, una
aplicación en Visual C#.NET y una aplicación en Matlab, con las cuales se puede
realizar la localización de los objetos de interés en una escena de condiciones
controladas. Como resultado se obtiene la posición para objetos móviles y la
posición para obstáculos, generándose trayectorias libre de colisiones con
algoritmos genéticos y campos de potencial.
Para realizar la localización de objetos en una zona de interés se utilizan tres

algoritmos basados respectivamente en gradientes espacial y temporal,
correlación y color. Además se realizó un algoritmo de adquisición que permite
capturar de forma eficiente las imágenes necesarias, utilizando una tarjeta
digitalizadora DFG/Compress PIRANHA.
Se realizó la configuración de la tarjeta DFG/COMPRESS PIRANHA para adquirir

video e imágenes independientes. De esta forma la etapa de adquisición puede
interactuar automáticamente con la etapa de procesamiento, de manera que el
análisis de movimiento en las imágenes se realiza una vez cada una de ellas es
capturada. La etapa de adquisición puede ser utilizada en diferentes aplicaciones,
debido al tipo de programación orientado a objetos que se utilizó al implementar
FÉNIX, el cual permite modificar y ampliar la aplicación sin alterar las demás
funciones. De esta manera, se puede crear nuevas funciones para otras tareas
diferentes.
El algoritmo basado en gradientes implementado en este proyecto es una nueva

estrategia que se plantea para detectar los objetos en movimiento y avanzar en
una futuras investigaciones sobre el flujo óptico[12] con el cual se pueden realizar
mediciones mas precisas sobre el movimiento tales como velocidad y aceleración .
En comparación con otros métodos para la detección del movimiento como la
113
extracción del fondo y la diferencia de dos imágenes, el algoritmo basado en
gradientes combina información temporal y espacial lo cual solucionó los
inconvenientes de ruido en la detección de los objetos en movimiento cuando se
encuentran en la escena elementos que no son de interés en la detección.
La etapa de segmentación basada en los modelos de color HLS y xyY, es

bastante confiable y robusta gracias al ambiente parcialmente controlado, donde el
fondo de la escena tiene un color diferente de los utilizados en el reconocimiento
de los objetos móviles y los obstáculos. Además, el color de los obstáculos es
diferente al color de los objetos móviles, por lo tanto la identificación entre estos
dos tipos de objetos (móviles y obstáculos) se hace fácil. Estos modelos de color
tienen la ventaja de que la información cromática se determina en dos
componentes, por lo cual el proceso de segmentación con estos modelos se
realiza en un menor tiempo respecto a utilizar el modelo RGB, en el cual la
información del color se encuentra en sus tres componentes.
Debido a que se trabajó con imágenes de dimensiones 640x480 píxeles sin algún
tipo de compresión, la mayoría de las operaciones entre imágenes fueron bastante
básicas como operaciones lógicas, sumas, restas y umbralizaciones, con el fin de
no consumir demasiado tiempo en procesamiento. Esto se evidenció en la prueba
del tiempo de latencia, donde para los tres algoritmos implementados el tiempo de
procesamiento es inferior a 1 segundo.
Para el algoritmo basado en correlación, se logró cumplir las restricciones de bajo

tiempo en procesamiento y efectividad en la localización, ajustando el nivel de
aceptación (valor con el cual se acepta o rechaza un resultado), el tamaño del
modelo patrón y el área de búsqueda. Hay que aclarar que a pesar que la función
de correlación en imágenes necesita un gran numero de multiplicaciones, se logró
ganar velocidad a cambio de exactitud en el resultado, aunque manteniendo este
último en un nivel bastante aceptable.
114
Las pruebas realizadas a la aplicación de visión desarrollada arrojaron resultados
con un error de posición y de orientación inferiores a 3 cm y 2º respectivamente.
Esto se debe a las aberraciones del lente usado. Lo anterior evidencia la
confiabilidad en la información de localización obtenida con los tres algoritmos y la
utilidad del proceso de calibración para corregir las distorsiones de la cámara
utilizada en el proyecto.
Se pueden identificar hasta seis objetos móviles diferentes sin necesidad de

marcas específicas, lo cual hace la aplicación atractiva para aplicaciones de robots
cooperantes.
La interfaz grafica que acompaña a la aplicación de visión desarrollada es

amigable al usuario ya que el entorno es semejante al utilizado en las diferentes
herramientas Windows habitualmente usadas. Esto brinda al usuario la posibilidad
de manejar las diferentes opciones de la aplicación de una forma sencilla.
La utilidad de los procesos morfológicos en problemas relacionados con

tratamiento de imágenes es innegable; sin embargo es importante recalcar que su
uso debe ser controlado y orientado a las necesidades del problema a solucionar,
considerando que en casos donde se desee conservar los detalles del objeto, la
aplicación de un proceso morfológico muy fuerte puede resultar perjudicial y
conllevar a un deterioro de la imagen.
La aplicación desarrollada es útil en trabajos relacionados con el tema de

planeación de trayectorias de robots móviles en un escenario como el planteado
en el presente proyecto, ya que brinda la información confiable de localización de
los robots y de los obstáculos presentes en el área de trabajo.
115
Obtener buenos datos del algoritmo de visión depende en gran medida de realizar
una buena calibración.
Se desarrolló una forma alternativa de implementar un método tradicional en

robótica, como lo es campos de potencial usando matrices y asignación numérica
con excelentes resultados.
Se usó un método de inteligencia artificial para el planeamiento de trayectorias el
cual está basado en algoritmos genéticos, con muy buenos resultados.
Dada la complejidad en la programación de un algoritmo genético y de las

operaciones realizadas en un campo de potencial, se encontró que la carga
computacional es bastante grande, por esto fue necesario usar un computador de
uso exclusivo para el trabajo con los algoritmos de control.
El programa basado en campos de potencial es un método sencillo y eficiente.

Únicamente es necesario asignar unos pesos a toda el area de trabajo para seguir
las celdas con valores numéricos más pequeños y encontrar el punto de llegada.
Es posible ejecutar el programa de planeamiento de trayectorias de campos de

potencial para ambientes estáticos o para ambientes dinámicos, lo único que
cambia en el algoritmo es la actualización de los datos que puede hacerse luego
de obtener los datos con una cámara.
El tamaño de la pista, el número de obstáculos, el punto de inicio y de llegada son

ajustables dentro del programa de campos de potencial lo que lo hace más
robusto y adaptable a cualquier terreno 2D.
El número de obstáculos depende del tamaño de la pista, además las zonas de

riesgo pueden ser aumentadas o disminuidas dependiendo de la forma del
obstáculo, tanto para algoritmos genéticos como campos de potencial.
116
Es posible hacer que cada elemento de la matriz dentro del programa de campos
de potencial represente un área dentro de la pista, así como también para el caso
de terrenos pequeños hacer que cada coordenada (x,y) corresponda a un
elemento de la matriz.
Se encontró que de los dos algoritmos elaborados para el planeamiento de

trayectorias, el que se basa en algoritmos genéticos requiere tiempos mayores en
la medida que se requiera pesos mínimos más altos.
La velocidad en los algoritmos de planeamiento de trayectorias es afectada

también por el número de obstáculos que sea necesario evitar.
Ambos algoritmos toman los datos del computador de el algoritmo de visión

usando Ethernet, En el caso de planeamiento off-line sólo se lee al inicio del
programa, pero en planeamiento on-line se realiza muestreo de las señales de la
pista periódicamente para realizar la actualización de los valores.
El planeamiento on-line requiere de procesadores de alta velocidad, ya que es

necesario recalcular periódicamente.
Ambos algoritmos usan radiofrecuencia para el envío de los datos desde el PC a

través del puerto serial. Estas señales son recibidas e interpretadas por el
microcontrolador y ejecutadas de acuerdo al programa de control que se este
ejecutando.
Se realizó una implementación física que puede ser usada para realizar prácticas
de laboratorio en materias como robótica e inteligencia artificial.
117
7. RECOMENDACIONES PARA TRABAJOS FUTUROS
Se recomienda explorar el uso de las funciones de compresión de imágenes de la

tarjeta DFG/Compress PIRANHA [15], con el fin de lograr un avance en cuanto a
la velocidad de transferencia de datos.
Construir un sistema de iluminación artificial apropiado ayudaría en el proceso de

adquisición de las imágenes, segmentación y finalmente en la localización de los
objetos de interés en la escena.
Un mayor grado de precisión y exactitud de los resultados podría obtenerse si se

investiga a profundidad en los temas relacionados con calibración de cámaras y
corrección de las distorsiones producidas por los lentes.
Usar módulos de radiofrecuencia que permitan al algoritmo de control recibir

señales de los módulos de ultrasonido para ser incorporados en la hora de la toma
de decisiones.
Implementar métodos de planeamiento de trayectorias con otras técnicas de

inteligencia artificial, para lograr tiempos de procesamiento menores, así como
trayectorias mas suavizadas.
Trabajar estos algoritmos en computadores con mayor velocidad de

procesamiento para poder trabajar con móviles más rápidos, así como modificar
los algoritmos para que ellos detecten un número no definido de obstáculos y
realicen el planeamiento de una manera más óptima .
118
8. REFERENCIAS BIBLIOGRAFICAS
[1]. BALLARD, Danna y BROWN, C. Computer Vision [on line]. New Jersey:
Prentice Hall, 1982 [citado en mayo de 2004]. disponible en
<http://www.cs.rochester.edu/u/dana/>
[2]. CHAPRA, Steven y CANALE, Raymond. Métodos Numéricos para ingenieros.

México: McGraw-Hill interamericana editores S.A .1999
[3]. DE JALON, J. D et al. Aprenda C++ Como Si Estuviera En Primero [on line].
España: Universidad Superior de Ingenieros Industriales de San Sebastián y
Universidad de Navarra, 1998[citado en mayo de 2004] disponible en
<http://www.abcdatos.com/tutoriales/tutorial/l2525.html.>
[4]. GONZALEZ, Rafael y WOODS, Richard. Tratamiento digital de imágenes.

Estados Unidos de América: Editorial Addison-Wesley iberoamericana.1996
[5]. GUREWICH, Nathan y GUREWICH, Ori. Aprendiendo Visual C++ 5 En 21

Días. México: Prentice-Hall Hispanoamericana, S.A. Cuarta edición, 1998.
[6]. JAIN, Ramesh; RANGACHAR, Kasturi y BRIAN, Shunck. Machine Vision.

Singapore: McGraw-Hill Book Co.,1995.
[7]. KRUGLINSKI, David J; SHEPHERD, George y WINGO, Scot. Programación

Avanzada Con Visual C++. España: McGRAW HILL / INTERAMERICANA DE
ESPAÑA. Primera edición en español, 1999.
119
[8]. KUZINA, T. Y. Investigación e implementación de los algoritmos del campo de
visión dinámica por computadora [on line]. México: Universidad de Las Américas
Departamento de ingeniería en sistemas computacionales, 2000 [ citado en mayo
de 2004]. Disponible en
<http://140.148.3.250/u_dl_a/servlet/mx.udlap.ict.tales.html.Block?Thesis=42&Typ
e=T>
[9]. MAYNERO, Carlos. Desarrollo De Un Sistema De Captura Y Análisis De

Imágenes Para La Determinación Del Color Del Esmalte De Dentales. Aplicación
A La Confección De Fundas Dentales[on line]. España: Universidad de Valencia,
2002[citado en julio de 2004]. Disponible en
<http://www.maynero.com/carlos/proyecto/>
[10]. MATROX IMAGING LIBRARY (MIL). User Guide. Versión 5.1. 1998. Guía en
formato digital.
[11]. MATROX IMAGING LIBRARY (MIL). Command Reference. Versión 5.1.

1998. Guía en formato digital.
[12]. PAJARES, Gonzalo y DE LA CRUZ, Jesús. Visión Por Computador:

Imágenes Digitales Y Aplicaciones. México: Alfaomega, 2002.
[13]. PEREGRINA, Darío. Seguimiento de objetos por medio de visión activa [on
line]. México: Instituto Nacional de Astrofísica, Óptica y Electrónica, 2002[citado en
junio de 2004]. Disponible en < http://ccc.inaoep.mx/~labvision/tesis.htm>
[14]. RUSS John. The Image Processing Handbook. Boca Raton, FL. CRC
PRESS, IEEE PRESS. 2002.
120
[15]. THE IMAGING SOURCE DFG / COMPRESS. Users Manual. Versión 1.1 US
Edition, 2000. Guía en formato digital.
[16] COOPERATIVE STRATEGY USING DYNAMIC ROLE ASSIGNMENT
AND POTENTIAL FIELDS PATH PLANNING. Paul A. Vallejos, Javier Ruiz-del-
Solar, Alan Duvost. Proceedings of the 1st IEEE Latin American Robotics
Symposium – LARS 2004,Mexico city, Mexico. October 28 – 29, 2004.
[17] A BEHAVIOR ARCHITECTURE FOR AUTONOMOUS MOBILE ROBOTS

BASED ON POTENTIAL FIELDS. IN: 8TH INTERNATIONAL WORKSHOP
ON ROBOCUP 2004 (ROBOT WORLD CUP SOCCER GAMES AND
CONFERENCES), Lecture Notes in Artificial Intelligence. Springer, im Erscheinen.
Laue, T., Röfer, T. (2005).
[18] Anibal Ollero Baturone, Alfaomega, Marcombo, 2001. ROBÓTICA,

MANIPULADORES Y ROBOTS MÓVILES
[19] J. Borenstein , Y. Koren . THE VECTOR FIELD HISTOGRAM-FAST

OBSTACLE AVOIDANCE FOR MOBILE ROBOTS. IEEE Journal of Robotics and
Automation Vol 7, No 3, June 1991, pp 278-288.
[20] MÉTODO DE APRENDIZAJE SIMPLE PARA NAVEGACIÓN DE

MINIROBOTS RODANTES. Gustavo Ramirez. DYNA, Año 70, Nro 138, pp 59-66,
Medellín, Marzo de 2003, ISSN 0012-7353.
[21] Kazuo Sugihara and John Smith. “GENETIC ALGORITHMS FOR ADAPTIVE
PLANNING OF PATH AND TRAJECTORY OF A MOBILE ROBOT IN 2D
TERRAINS”. 1999.
[22] Holland, John H. "ADAPTATION IN NATURAL AND ARTIFICIAL SYSTEMS",

University of Michigan Press, 1975, 211 p.
121
[23] Koza, John R. "GENETIC PROGRAMMING. ON THE PROGRAMMING OF
COMPUTERS BY MEANS OF NATURAL SELECTION",The MIT Press, 1992, 819
p.
[24] Goldberg, David E. "GENETIC ALGORITHMS IN SEARCH, OPTIMIZATION,

AND MACHINE LEARNING", Addison-Wesley Publishing Company, 1989, 412 p.
[25] Koza, John, "GENETIC PROGRAMMING II : Automatic Discovery of

Reusable Programs", The MIT Press, 1992, 746p.
122
ANEXO A
CONSTRUCCIÓN DEL ROBOT MÓVIL
Para el desarrollo del proyecto, se trabajó con unos kits de robotica móvil de la
compañía Linxmotion. Estos kits vienen de fabrica por piezas para ensamblar, por
lo que fue necesario realizar el ensamble y algunas modificaciones, las cuales se
comentarán a lo largo de este capítulo.
A.1 ENSAMBLE GENERAL

El chasis de ambos móviles esta construido por dos placas en acrílico. La forma y
dimensiones de las placas se pueden observar en la figura A.1.
Figura A.1 Placas del chasis de los robots móviles
Para la propulsión del móvil se utilizaron dos servomotores HITEC HS-422

acoplando uno a cada rueda de tracción. Estos servomotores garantizan un alto
123
torque, necesario para la tracción del móvil sobre la pista de madera. En la figura
A.2 se muestran las partes que componen al servomotor.
Figura A.2 Componentes del servomotor.
Tomada de superrobotica.com
El servomotor posee en su engranaje principal un tope limitador que no le permite

girar más de los 180 grados. Para transformar el servomotor en un dispositivo de
rotación continua fue necesario realizar un conjunto de modificaciones que se
describe a continuación:
Como primer paso se desarma el servomotor localizando su engranaje principal,

luego se procede a remover el tope limitador. Tal como se observa en la figura
A.3.
124
Figura A.3 Detalles del tope a cortar.
Una vez retirado el tope se debe desacoplar el potenciómetro del eje principal.
Existen dos maneras de efectuar este procedimiento. La primera consiste en
reemplazar el potenciómetro por otro de igual valor pero que carezca de eje. La
otra opción consiste en dejar el potenciómetro original por fuera de la caja
conservando sus conexiones. De esta manera es posible fijar la posición neutral
enviando el pulso de dicha posición y variando el potenciómetro hasta que el
servomotor deje de girar.
Una vez terminada la modificación de los servomotores que van en las llantas se
procede a realizar el acople al chasis. Las placas están ubicadas paralelamente
una sobre la otra, dando soporte a los motores que están ajustados a una lamina
perpendicular a ellas.
Al rotor de los servomotores esta ajustada una rueda de neopreno indicada para
el uso en robots. Esta rueda se acopla directamente sobre el plato del servomotor
por medio de un adhesivo de doble cara y se atornilla al rotor del servomotor,
proporcionando una gran tracción gracias a que esta realizada con neopreno puro.
Además, de tracción, esta rueda ofrece un movimiento suave y silencioso gracias
125
al efecto de almohadilla que amortigua la irregularidades. Las dimensiones de la
rueda son de 76 x 19 mm. En la figura A.4 se muestra la rueda por su cara interior
y exterior, en la grafica A y en la grafica B podemos observar el rotor del servo.
Figura A.4 Rueda de neopreno y servomotor
El chasis posee una rueda giratoria comúnmente llamada rueda loca, la cual es
de goma y permite al móvil realizar giros de forma suave y elegante, dependiendo
de la tracción dada por las otras dos ruedas.
La rueda se atornilla al chasis por medio de un soporte y tiene anillos de fijación
que permiten ajustar la altura de trabajo deseada, en este caso, mantener el
chasis horizontalmente. En la figura A.5 se puede observar la rueda giratoria con
los elementos que la componen.
126
Figura A.5 Rueda giratoria y su ubicación en el chasis.
El resultado final de la estructura del robot móvil es el que se aprecia en la figura

A.6
127
Figura A.6 Móvil completo
En la parte delantera de cada móvil se instaló un modulo de ultrasonido que esta

atornillado por medio de un soporte al chasis, esto con el fin de realizar la
detección de obstáculos. En el caso del robot móvil que va a funcionar como
obstáculo, el modulo de ultrasonido es el único sensor que posee para realizar el
movimiento sobre la pista, de esta manera se busca hacer que el obstáculo posea
movimiento totalmente aleatorio. Para el robot móvil que va a ejecutar la
trayectoria, el módulo de ultrasonido sirve como soporte en caso de alguna falla en
el sistema que no permita al sistema de control y de visión dar una información
rápida del estado actual de la pista.
128
A.2. MODULO DE ULTRASONIDO
El término ultrasonidos designa en principio a los sonidos de alta frecuencia,

aunque en realidad corresponde a los sonidos que se encuentran justo por encima
de la banda que es capaz de captar el oído humano. El intervalo de frecuencia que
corresponde a los ultrasonidos va desde 20 Khz. hasta 500 KHz. Los sonidos a
estas frecuencias son más direccionales que los sonidos de frecuencias bajas.
La determinación de la distancia se logra al enviar trenes de pulsos con periodos
muy cortos y medir el tiempo transcurrido desde la emisión hasta la recepción del
eco. Este tiempo es proporcional a la distancia recorrida por las ondas de presión
ultrasónicas.
El modulo de ultrasonido utilizado en los móviles es el SRF04 que se observa en

la figura A.7.
Figura A.7 Modulo de Ultrasonido SRF04
Este sensor permite detectar objetos y calcular la distancia a la que se encuentra

en un rango de 3 a 300 cm, por medio de un pulso de tensión cuyo ancho varia
entre 100us para 3cm y 18ms para 300cm. Para distancias mayores el sensor
envía un pulso de 36ms. Este pulso se obtiene como respuesta (eco) a un pulso
de disparo de 10us, enviada por el microcontrolador. Al terminar la recepción del
pulso de eco se debe esperar 10ms antes de enviar el siguiente pulso de disparo.
129
Para su funcionamiento se debe excitar el emisor con una señal adecuada en
amplitud y frecuencia de tal modo que este produzca una señal ultrasónica que
será enviada al medio externo.
Este modulo contiene toda la electrónica encargada de realizar el proceso de
emisión, recepción y medición. Requiere cuatro conexiones para su
funcionamiento, dos de ellas son la alimentación del circuito, (0 Volt y +5 Volt dc) y
las dos restantes son las conexiones de las señales. El esquema se observa en la
figura A.8.
Figura A.8. Vista posterior del modulo del ultrasonido SRF04
El diagrama de tiempos del módulo SFRO4 se muestra en la figura A.9.
130
Figura A.9 Diagrama de Tiempos del SRF04
El pulso de 100us como mínimo en la salida de eco se debe a que el circuito es

desconectado durante este tiempo para evitar el ruido del pulso inicial.
Este modulo de ultrasonido tiene un Rango efectivo de aproximadamente unos
30º como se puede observar en la figura A.10.
131
Figura A.10 Rango efectivo del SRF04.
Tomada de SupeRobotica.com
La caracterización realizada a este módulo se puede consultar en el capítulo de

pruebas.
132
ANEXO B
PRINCIPALES CARACTERÍSTICAS DE LA TARJETA DIGITALIZADORA

DFG/COMPRESS PIRANHA Y DE LA CÁMARA DFK 50H13
B.1 TARJETA DIGITALIZADORA DFG/COMPRESS PIRANHA
La DFG/Compress es una tarjeta de compresión de video de 32 bit PCI, adaptable

a multimedia, CTV y aplicaciones médicas. Todas las convencionales fuentes de
video con S-VHS (YC) y video compuesto están soportadas por ésta tarjeta de
compresión. Las cámaras pueden ser conectadas usando las cuatro entradas de
la tarjeta. La transferencia de datos de imagen al PC o a la tarjeta gráfica VGA se
hace usando transferencia DMA en burst mode. Usando ésta técnica la CPU no es
sobrecargada y de esta manera el PC opera normalmente.
El flujo de imágenes en vivo de salida en el monitor puede ser guardado al disco

duro como una secuencia de imágenes AVI en una determinada resolución
(máximo 768 x 576) y un número de colores (máximo 32 bit). Adicionalmente,
información hardware, como los datos actuales y el tiempo, pueden ser guardados
en la imagen de video. Una vez está información ha sido insertada en el flujo de
video, no puede ser removida posteriormente. La señal de video sale de un
conector de video S-Video (compuesto). Videos previamente grabados en disco
duro y el flujo de video en vivo desde una cámara conectada a la tarjeta pueden
salir de este conector.
Alternativamente, los datos de video pueden ser escritos a la VGA (y

posteriormente al monitor del PC). Para esta funcionalidad, los drivers de la
DFG/Compress usan la interfaz DirectDraw de Microsoft.
133
B.1.1 CARACTERÍSTICAS
4 fuentes monocromáticas / 4 fuentes de color compuesto o 4 fuentes Y/C

pueden ser conectadas (multiplexadas).
Soporte multi-estándar (CCIR, PAL; NTSC; RS170, SECAM).
4 entradas de disparo.
8 entradas y 8 salidas digitales (TTL) – opcionalmente circuitería acoplada
ópticamente.
Suporta distintas resoluciones (representación de la imagen, máximo 768 x 576).
Conversor de color de Y/C (YUV) a RGB en tiempo real.
Soporta formatos de verdadero color, RGB de 24 bit y RGB de 32 bit.
Máxima resolución de 768 x 576 a 50 Hz (PAL / CCIR) y 640 x 480 a 60 Hz
(NTSC / RS170).
Soporte overlay por medio de la interfaz DirectDraw de Microsoft.
Escalado por hardware de la imagen en vivo.
EEPROM para escribir y leer datos.
Interfaz programable para Windows NT 4.0.
Capacidad de guardar secuencias de video a archivos AVI.
Compatible con PCI 2.1.
Transferencia directa de datos a la VGA y a la memoria del sistema.
Interface maestra PCI DMA.
B.1.2 REQUERIMIENTOS DEL SISTEMA
Los siguientes requerimientos son necesarios para que la DFG/Compress puede

ser usada:
PC con procesador de 100 MHz o mayor.
134
Compatibilidad con PCI 2.1.
Un slot PCI libre de 32 bit.
Por lo menos 32 MB de RAM (recomendado 64 MB para Windows NT)-
Windows NT 4.0.
Adicionalmente se recomienda lo siguiente:
Disco duro SCSI para guardar secuencias de video.

Monitor externo para verificar el video grabado y la salida de video.
B.1.3 TARJETA VGA
Se recomienda una tarjeta VGA con por lo menos 2 MB de DRAM para

aplicaciones monocromáticas y 4 MB de memoria para aplicaciones a color.
Solamente con estas especificaciones, se puede lograr resultados con la máxima
resolución y número de colores. Es importante que el driver de DirectDraw de la
VGA esté instalado. A pesar de que es posible visualizar imágenes sin DirectDraw,
existen muchas limitaciones a la frecuencia de repetición de imágenes y al
desplegar el overlay. Los mejores resultados pueden ser obtenidos usando
tarjetas con chipset ATI (RagePro).
B.1.4 INSTALACIÓN HARDWARE
A continuación se describe como instalar la DFG/Compress en el PC. Antes de la

instalación, se debe aislar el PC desconectando el conector de potencia del
enchufe en la pared. Para descargar cualquier carga estática almacenada, se
debe tocar la cubierta del PC. Luego de esto, cualquier carga estática guardada es
135
seguramente descargada. La instalación de la DFG/Compress es muy fácil, se
debe seguir los pasos mostrados a continuación:
1. Apague el computador y desconecte el cable de potencia. En computadores

nuevos con tarjeta madre ATX siempre que el computador se apaga, el bus PCI
puede aun estar energizado, por lo cual al insertar la DFG/Compress en la tarjeta
madre lleva a la destrucción de ambas tarjetas.
2. Abra el computador quitando los tornillos.
3. Quite el metal del slot PCI el cual no está en uso.
4. Inserte a DFG/Compress en el slot PCI disponible en el computador. Es
importante no tocar algún componente en la DFG/Compress.
5. Ajuste la tapa del slot de la tarjeta con un tornillo.
6. Asegúrese que la tarjeta ha sido correctamente instalada en el slot.
7. Tape de nuevo el computador.
8. Conecte la entrada de video.
Se pueden conectar hasta cuatro entradas (compuesta o S-Video) a la

DFG/Compress, usando un conector DSUB de 44 pines.
B.1.5 ADQUISICIÓN DE VIDEO
Hasta cuatro fuentes de video pueden ser conectadas a la DFG/Compress. Las

entradas pueden ser S-VHS (S-Video / YC, Hi8) o fuentes de video compuesto
(VHS, Video8, FBAS, NTSC, RS170, CCIR). LA conexión física entre la fuente de
video y la tarjeta se hace con un cable opcional a la salida de un conector DSUB
de 44 pines en un lado y un conector BNC (para video compuesto) o conectores
Hosiden de 4 pines (S-VHS) en el otro lado.
136
Resolución de color: La adquisición y compresión de video se hace en un
formato de verdadero color YUC 4:2:2. La visualización en la VGA puede ser en
diferentes modos: 15 bit, 16 bit (alto color), verdadero color de 24 bit (16.7 millones
de colores) o en modo de verdadero color de 32 bit.
Entrada de video: 4 entradas externas: S-Video / YC (S-VHS, Hi8) o compuesto.
Frecuencia de scan de video: PAL/SECAM: 14.75 MHz, NTSC: 12,27 MHz.
Conversión A/D: PAL: 1/50 s (20 ms) por campo, NTSC: 1/60 s (16.7 ms) por
campo.
Resolución geométrica: PAL: 768 x 576 píxel en 2 campos, NTSC: 640 x 480
píxel en 2 campos.
B.1.6 ADQUISICIÓN DE IMAGEN CON UNA CÁMARA:
Si se desea adquirir datos de video con solo una cámara, no es necesario usar el
conector DSUB de 44 pines. En este caso la DFG/Compress tiene un conector
adicional BNC. Los datos desde la cámara pueden ser transferidos en tiempo real
(25 imágenes/seg en PAL/SECAM y 30 imágenes/seg en NTSC), por medio de la
memoria FIFO, directamente al disco duro del PC. En éste modo de operación, el
multiplexor interno no se activará.
B.1.7 SALIDA DE VIDEO
El DFG/Compress tiene dos salidas de video de 50Hz/60Hz que son

independientes entre si. Si una fuente 50 Hz SVHS de video se conecta a una
137
de las entradas de la tarjeta, exactamente la misma señal está disponible en sus
salidas. En otras palabras, usando la tarjeta de este modo no se deteriora la
señal de video en lo absoluto. Usando la salida de video 1, una de las cuatro
entradas de video puede ser colocada directamente a la salida, desviándose así
del proceso de digitalización de la tarjeta. La salida de la entrada seleccionada de
video no tiene influencia en ninguna grabación de video, la cual puede estar
corriendo al mismo tiempo. En la salida de video 2 se fija el video corriente
proveniente de una cámara o la señal de video sin comprimir, dependiendo de
cual modo se encuentra seleccionado en la tarjeta.
Modo grabación (recording):.Entre la entrada de video y la salida de video la

señal es análoga. Cualquier revestimiento presente no es enviado a la salida de
video.
Modo cinta (playback): La imagen descomprimida es una secuencia de video

AVI. Cualquier revestimiento presente esta contenido en la imagen descomprimida.
Adicionalmente la salida de video puede ser vista en un monitor VGA.
Resolución en color: La descompresión y la salida de la señal de video 2 es

siempre en YUV 4:2:2 formato de color verdadero. El despliegue en la tarjeta VGA,
puede ser en 15 bits, 16 bits (alto color), 24 bits en modo de verdadero color (16.7
millones de colores) o 32 bits en modo de verdadero color.
B.1.8 ORGANIZACIÓN DE LA MEMORIA PARA IMÁGENES SIN COMPRIMIR
Las imágenes sin comprimir pueden capturarse singularmente o como una

secuencia. La adquisición de la secuencia no tiene nada que ver con el
almacenamiento en memoria de la secuencia de video comprimido. Durante la
adquisición, la secuencia de imágenes es almacenada en una o más memorias de
138
imagen (memorias). Antes de esto puede elegirse un lugar de almacenamiento, la
memoria de imagen debe ser primero asignada con el driver e insertada dentro de
la lista de la secuencia. La preparación de la memoria de imagen toma lugar con el
driver, cuando se ha localizado físicamente y de forma lineal (una al lado de la
otra) las posiciones de memoria para la secuencia que se almacena. Note que
una memoria con estas características puede ser definida solamente cuando su
sistema esta iniciando. Solo una limitada parte de la memoria principal esta
disponible para la asignación de la memoria de imagen y no puede ser modificada
en su tamaño mientras el sistema se encuentra en funcionamiento.
B.1.9 INSTALACION DEL SOFTWARE
La DFG/Compress SDK (funciones API) y el driver de video para Windows están

contenidos ambos en el DLL piranha.dll. Durante la instalación el driver de video
para Windows se introduce en el registro del directorio correspondiente. Este es el
mismo durante la instalación de video para Windows y el SDK.
Aviso Importante:
Para instalar la tarjeta DFG/Compress bajo Windows NT, los derechos del
administrador se necesitan. En el caso de instalar la tarjeta por primera vez o
realizar un cambio de tarjeta en su equipo.
Numero de serial:
El numero serial de la tarjeta DFG/Compress esta impreso en un sticker blanco

sobre la tarjeta del circuito y además esta almacenado en la EEPROM en la tarjeta.
Cada tarjeta DFG/Compress tiene un único número de serial el cual puede ser
mostrado con el programa IcbInfo.exe
139
Instalación por primera vez:
Windows NT 4.0:
Para instalar el software simplemente inserte el disco 1 en su unidad de disquetes

y corra el SETUP, el menú de este programa es guiado y auto explicativo. La
rutina de instalación copia los drivers en los siguientes directorios:
icbvcd32.sys a \<windir>\system32\drivers
icbmem32.sys a \<windir>\system32\drivers
piranha.dll a \<windir>\system32
icbhook.dll a \<windir>\system32
piranha.ini a \<windir>
icblogic.rbf a \<windir>
La estructura del directorio es creada de la siguiente forma:
<Install_dir>\Piranha\Program Programas de ayuda

\Piranha\Samples\Exe ejemplos de programas
\Piranha\Samples\Source código de los programas de ejemplo
\Piranha\Help información adicional
(<windir> es el directorio de Windows. <Install_dir> es el directorio en el cual el
software de la DFG/Compress es instalado.)
Windows 9X:
Bajo Windows 9x la DFG/Compress será reconocida automáticamente como un

nuevo dispositivo multimedia, preguntando así por el driver correspondiente para
la instalación, cuando pregunte, por favor inserte el disco en la unidad de
140
disquetes. El driver de la DFG/Compress se encuentra en este disco, entonces
simplemente siga las instrucciones en pantalla y cundo pregunte que hacer,
reinicie su sistema, esto es necesario, ya que el driver será reconocido solamente
cuando su sistema se encuentre iniciando. Cuando su sistema esta corriendo de
nuevo, inserte el disco y ejecute el programa SETUP y de nuevo siga las
instrucciones en pantalla. Durante la instalación los siguientes archivos son
copiados en su PC:
icbvcd32.vxd a \<windir>\system
piranha.dll a \<windir>\system
icbhook.dll a \<windir>\system
piranha.ini a \<windir>
icblogic.rbf a \<windir>
Una vez su sistema reinicia, inicie el programa de demostración. Si su PC no

reinicia correctamente o se bloque mientras esta iniciando, no se preocupe! ,
simplemente oprima el botón de reset que se encuentra en el exterior de su PC,
apague y espere 60 segundos y de nuevo prenda su PC, Windows deberá
comenzar correctamente.
B.1.10 MODOS DE SALIDA DE LA TARJETA DFG/COMPRESS
Modo de mapa de bits (BMP/DIB):
En este modo el video capturado de la DFG/Compress es almacenado en la

memoria principal del PC y luego copiado a la tarjeta VGA, aunque de esta forma,
la tasa de actualización en pantalla es más lenta, Sin embargo la mayoría de
computadoras modernas están en capacidad de desplegar imágenes en tiempo
real usando la DFG/Compress. El modo mapa de bits es particularmente ventajoso,
141
debido a la alta compatibilidad que tiene con todas las tarjetas VGA y directo
acceso de los datos de imagen a la memoria principal. Las funciones de cubierta
(mezclado en una imagen de texto y gráficos) tienen que ser programadas por el
usuario. Como Windows toma el control del despliegue de las imágenes, la
imagen en vivo puede ser parcial o totalmente cubierta por muchas otras
ventanas y cajas de dialogo.
DirectDraw Primary Surface Mode:
En este modo los datos de la imagen son escritos en el área visible de la tarjeta
VGA. Brinda el máximo desempeño de 25 imágenes por segundo con la
DFG/Compress. En este caso no es posible usar cubiertas (mezclado en una
imagen de texto y gráficos) debido a que los datos de cubierta deben ser
constantemente sobrescritos en el siguiente frame lo cual nunca permitiría su
visualización. En contraste con muchas otras tarjetas de compresión, en la
DFG/Compress es posible posicionar ventanas, cajas de dialogo y otras
aplicaciones de Windows sobre la ventana que contiene la imagen en vivo de la
DFG/Compress sin perturbarla en lo absoluto, la tarjeta de compresión puede
llevar a cabo esto, no desplegando automáticamente la imagen en vivo bajo las
ventanas que la cubren y manteniendo una alta frecuencia de actualización.
DirectDraw Overlay Surface Mode:
En este modo, se puede lograr simultáneamente, la velocidad de salida del modo

DirectDraw Primary Surface Mode y el despliegue de los datos de cubierta. Esta
es la ventaja más grande, ya que las tarjetas VGA las implementan a un costo
muy bajo. La imagen de video es digitalizada a un área no visible de la tarjeta
VGA. El chip de la VGA permite desplegar la imagen de video o el contenido
original de la ventana de salida en la que se despliegan los datos, exactamente
cualquiera de estos dos modos se usa dependiendo del color que se haya
programado. Definiendo el tipo de color y usando este para dibujar en la ventana
142
de salida, la imagen solo podrá ser mostrada en las partes donde el tipo de color
elegido sea usado, naturalmente si toda la ventana esta llena solamente del tipo
de color elegido, la imagen se visualizara completamente. Ahora, textos y gráficos
usados en la cubierta que no usen el tipo de color elegido permanecerán
disponibles, esto se conoce como cubierta no-destructiva. El mezclado de la
cubierta es realizado por el chip de la VGA y apenas se requieren algunos ciclos
de CPU. Este modo no es soportado por todos los chips VGA y la DFG/Compress
solo soporta modos de 15 y 16 bits en los VGA.
B.1.11 COLOR Y FORMATOS DE ALMACENAMIENTO
Cada uno de los formatos de color soportado por la tarjeta DFG/Compress usa
diferentes formatos con lo cual se almacenan las imágenes. Como se muestra en
la siguiente tabla:
* Cuando una imagen esta en formato RGB15 o RGB16 los bits superiores al bit
interno 8 son usados en los colores R G y B.
143
A. B.2 CÁMARA DFK 50H13
A continuación se muestran las principales características de la cámara DFK
50H13.
Formato de la señal: NTSC

Sensor de imagen: 1/3” interlineado CCD.
Imagen efectiva: 768 (H) x 494 (V).
Frecuencia Horizontal: 15.734 kHz
Frecuencia Vertical: 59.94 Hz
Mínima iluminación: 1 lux.
Radio S/N: mas de 48dB (AGC=OFF).
γ : 0.45.
Balance blanco: automático / manual.
Montaje de lente: CS o C (adptador).
AGC: ON / OFF, seleccionable.
Salida de Video: VBS 1.0 Vp-p a 75 Ω , Y/C.
I/O serial: RS232C.
Alimienación: 10 ~ 12 V DC.
Potencia consumida: 180 mA.
Temperatura de operación: -10°C ~ +40°C.
Dimensiones: 51mm (ancho) X 51 mm (alto) X 55.5 mm (profundidad).
Peso: 190g.
144
ANEXO C
INSTALACIÓN E INTERFASE GRAFICA DE “FENIX”
FENIX es una aplicación software desarrollada en Microsoft Visual C++ 6.0, la cual
tiene como objetivo el análisis dinámico de imágenes en una escena particular.
C.1 INSTALACIÓN
A continuación se describen los pasos a seguir para una correcta instalación de la

aplicación FENIX.
1. Instale correctamente la tarjeta digitalizadora PIRANHA. En el anexo B se

encuentra de forma detallada la instalación de la misma.
2. Copie la carpeta Fenix con todos sus componentes, en algún lugar del
disco duro del PC.
3. Ejecute el archivo fenix.exe, el cual se encuentra dentro de la carpeta

Fenix copiada a su PC.
C.2 INTERFASE GRAFICA
En la figura C.1 se observa la ventana principal de FENIX.
145
Figura C.1. Ventana principal de FENIX
La ventana principal de FÉNIX tiene diferentes características: en la parte superior

se encuentra el menú principal, del cual se puede seleccionar todas las funciones
de la aplicación. También se muestra la barra de herramientas que tiene acceso
directo a algunas funciones. En la parte central se observa el área para desplegar
imágenes. Finalmente en la parte inferior se muestra la barra de estado.
C.2.1 MENÚ PRINCIPAL
En la figura C.2 se observan las diferentes opciones del menú principal las cuales
son: archivo, configurar, adquirir, gradiente, correlación, color, ventana y ayuda.
Figura C.2. Menú principal
146
C.2.1.1 Archivo
En la figura C.3 se aprecian las opciones del ítem archivo.
Figura C.3. Ítem archivo
Nuevo: Crea una nueva área (ventana) para desplegar una imagen.
Abrir: Carga una imagen en formato tiff ,desde una archivo existente, por medio
del dialogo abrir de Windows (figura C.4).
Figura C.4. Abrir Imagen
Cerrar: Cierra una imagen activa.
Salir: Cierra la aplicación en su totalidad.
147
C.2.1.2 Ítem Configurar
Permite fijar los parámetros necesarios para la correcta ejecución de los

algoritmos implementados en la aplicación. Consta de las siguientes opciones:
adquisición, video, calibración, modelo de color y resultados. En la figura C.5 se
muestra la manera como se despliegan la opciones en pantalla.
Figura C.5. Ítem configurar
Adquisición: permite seleccionar por medio de una ventana de dialogo (figura

C.6) la tarjeta con la cual se va a realizar el proceso de digitalización. Para el
proyecto desarrollado la única tarjeta configurada fue la PIRANHA, aunque se
dejan las opciones de otras tarjetas en el dialogo para posteriores mejoras de la
aplicación.
Figura C.6. Dialogo de selección de la tarjeta digitalizadora
148
Video: permite manipular por medio de una ventana de dialogo (figura C.7) en la
tarjeta piranha las propiedades de video como contraste, brillo, selección del canal
de video, estándar de video etc.
Figura C.7. Dialogo de propiedades del video de la tarjeta digitalizadora PIRANHA
Calibración: En esta opción (figura C.8) se fijan los parámetros intrínsecos

obtenidos en el proceso de calibración de la cámara (figura C.9) y el origen de
coordenadas del mundo real en la imagen. (figura C.10).
Figura C.8. Ítem calibración
En la figura C.9 se observa el dialogo de entrada para los parámetros intrínsecos

de calibración. En este dialogo también se introduce a la aplicación el factor de
escala necesario para la conversión de píxeles a centímetros.
149
Figura C.9. Dialogo de entrada para los parámetros de calibración
en la figura C.10 se muestra el dialogo de entrada para las coordenadas en

píxeles del origen del sistema de referencia del mundo real en la imagen.
Figura C.10. Dialogo de entrada para el origen de coordenadas
Modelo de color: Con este ítem (figura C.11) se puede seleccionar y configurar el
modelo de color a utilizar. Se tienen las opciones de modelos HLS y xyY
150
Figura C.11. Ítem modelo de color
En la figura C.12 se observa el dialogo de configuración del modelo de color HLS.

En la parte izquierda se configura el matiz del color a localizar en los móviles y los
obstáculos. En la parte derecha se muestra de forma grafica y dinámica los
cambios realizados en los valores de configuración del modelo
Figura C.12. Dialogo de configuración del modelo de color HLS.
Al seleccionar el modelo de color xyY, se despliega la ventana de dialogo

mostrada en la figura C.13, la cual tiene dos partes principales.
151
La primera se ubica a la izquierda y contiene la información de los umbrales
utilizados para la segmentación de los objetos móviles y de los obstáculos. Para
las componentes x e y del modelo xyY se tiene un umbral inferior y un umbral
superior.
La segunda está ubicada a la derecha y contiene información visual del color con
el cual se desea segmentar cada tipo de objetos de la escena. Para esto se tiene
una imagen de fondo del modelo de color xyY y sobre ésta se dibujan dos
rectángulos. Uno de ellos encierra el color deseado para los objetos móviles y el
otro encierra el color para los obstáculos.
Figura C.13. Dialogo para seleccionar umbrales en el modelo de color xyY
Resultados: este ítem tiene dos opciones: la primera se refiere a la unidad en la

cual se desea desplegar la información de posición para los objetos de interés en
la escena. Esta unidad de medida puede ser píxeles o centímetros (figura C.14).
152
Figura C.14. Selección de la unidad de medida para la posición de los objetos de Interés
La segunda indica el tipo de referencia (fija o móvil) para calcular la orientación de

los objetos móviles (figura C.15).
Figura C.15. Selección de la referencia para calcular la orientación
La aplicación por defecto selecciona medidas de posición en centímetros y una

referencia móvil para la orientación.
C.2.1.3 Ítem Adquirir
Este ítem tiene tres opciones: adquirir video, capturar un frame y guardar un frame
desplegado, como se muestra a continuación:
153
Figura C.16. Ítem adquirir
Video: Esta opción permite adquirir video en una ventana de dialogo como se
muestra en la figura C.17.
Figura C.17. Ventana de dialogo para desplegar el video
Frame: captura un frame (imagen) y lo despliega en la parte central de la ventana

principal de la aplicación (figura C.18).
Guardar: guarda una imagen en formato tiff, por medio de la ventana “guardar”
de windows (figura C.19).
154
Figura C.18. Frame capturado y desplegado
Figura C.19. Ventana para guardar una imagen.
C.2.1.4 Ítems gradiente, correlación y color
Estos ítems son los encargados del inicio de ejecución de los tres principales
algoritmos implementados por medio de la opción calcular (figura C.20). Cabe
resaltar que la aplicación solo deja ejecutar solo un algoritmo a la vez.
155
Figura C.20. Gradiente, correlación y color
C.2.1.5 Ítem Ventana
Con este ítem se organizan las imágenes que se encuentran desplegadas en

diferentes ventanas en forma de cascada (figura C.22-a) o de mosaico (figura
C.22-b). También se muestra un lista con las imágenes actualmente desplegadas.
Figura C.21. Ítem ventana
Figura C.22 Organizar imágenes en forma de a) cascada b) mosaico.
a b
156
C.2.2 BARRA DE HERRAMIENTAS
Esta barra está compuesta de iconos con los cuales tienen acceso directo a
algunas de las funciones descritas anteriormente (figura C.23).
Figura C.23. Barra de herramientas
A continuación se relaciona cada icono con la función que ejecuta.
Despliega una nueva imagen en la cual se puede adquirir una imagen
Abre una imagen ya existente.
Abre el dialogo de selección de la tarjeta digitalizadora.
Captura una imagen desde la cámara
Guarda una imagen
Detiene el procesamiento del algoritmo en ejecución.
157
C.2.3 BARRA DE ESTADO
La barra de estado muestra dos tipos de información: a la izquierda las

coordenadas por donde pasa el cursor del mouse sobre la imagen y la derecha el
valor RGB del píxel en dichas coordenadas, como se muestra en la figura C.24.
Figura C.24. Barra de estado
C.2.4 DIALOGO DE RESUTADOS

Es donde se despliega la información final de la aplicación FENIX. Este dialogo se
divide en cuatro zonas como se muestra en la figura C.25.
Figura C.25 Dialogo de resultados
158
Zona 1. Información General: Muestra la información del algoritmo utilizado,
cantidad de objetos de interés en la escena y unidad de medida para la posición.
Zona 2. Pista: área en la cual se simula la escena real. Los objetos de interés en
la escena se simbolizan por medio de marcas.
Zona 3. Estado: muestra el estado de ejecución de los algoritmos (procesando /

detenido).
Zona 4. Localización: se muestra la información de posición en la unidad de
medida seleccionada, para los objetos móviles y obstáculos en la escena. Además
el ángulo de orientación respecto al eje x para cada uno de los objetos móviles.
159

119245

Cargado por

Copyright:

Formatos disponibles

119245

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

119245

Cargado por

Copyright:

Formatos disponibles

PLANEAMIENTO DE TRAYECTORIAS DE UN ROBOT MÓVIL

UNIVERSIDAD INDUSTRIAL DE SANTANDER

UNIVERSIDAD INDUSTRIAL DE SANTANDER

Figura 13. Esquema básico del operador de cruce 23

Tabla 1.Codificación de cromosomas. 37

TITULO: PLANEAMIENTO DE TRAYECTORIAS DE UN ROBOT MÓVIL*

AUTOR: TIBADUIZA BURGOS, DIEGO ALEXANDER**

PALABRAS CLAVES: planeamiento de caminos, campos de potencial, algoritmos genéticos,

En este trabajo de investigación se presenta el desarrollo de dos técnicas de

* Work of Master Investigation.

TITLE: PATH PLANNING IN A MOBILE ROBOT*

AUTHOR: TIBADUIZA BURGOS, DIEGO ALEXANDER**

KEYWORDS: path planning, potential fields, genetic algorithms, radiofrecuency.

In this work of investigation the development of two techniques of planning of

* Work of Master Investigation.

La robótica es un campo de amplias perspectivas para el desarrollo industrial que

En este trabajo de investigación de Maestría se busca implementar estrategias

El presente trabajo está enmarcado dentro de las líneas de investigación y

El presente documento se ha dividido en cuatro capítulos: en el primero se hace la

En el capítulo cuatro se describe el algoritmo de visión dinámica implementado y

Los anexos hacen referencia a la construcción del robot, características de la

En un sistema automatizado de producción se tienen diferentes elementos tales

Figura 1. Celda de manufactura Universidad Pontificia Javeriana Cali

En este contexto el interés de la robótica se centra en los manipuladores, robots

El movimiento de las piezas implica desplazamiento no sólo de la pieza sino de los

1.1 ROBOTS MÓVILES

Son robots cuyo desplazamiento no está restringido a la máxima longitud de sus

Las configuraciones usadas para el movimiento de robots móviles suelen ser

La configuración síncrona es aquella en la cual hay transmisiones que permiten

Figura 2. Configuración síncrona

Fuente: ANÍBAL OLLERO BATURONE. ROBÓTICA, MANIPULADORES Y

La locomoción con guiado diferencial es aquella en la que las variables de control

Fuente: ANÍBAL OLLERO BATURONE. ROBÓTICA, MANIPULADORES Y

Figura 4. Configuración diferencial

El triciclo convencional es aquel en que la rueda delantera se utiliza tanto para la

Fuente: ANÍBAL OLLERO BATURONE. ROBÓTICA, MANIPULADORES Y

El último tipo de configuración a considerar es la de Ackerman tal como se aprecia

Figura 6. Configuración Ackerman

Fuente: ANÍBAL OLLERO BATURONE. ROBÓTICA, MANIPULADORES Y

A continuación se hará una descripción de cada uno de los elementos que

La pista elaborada consiste en una plataforma de madera de dimensiones 2.44 m

2.2 ROBOTS MÓVILES

Se construyeron dos robots móviles para la elaboración de este trabajo de

Se construyeron dos obstáculos fijos y un obstáculo móvil. El obstáculo móvil es el

2.4 SISTEMA DE VISIÓN

El sistema de visión artificial esta compuesto por:

La digitalización de las señales provenientes de la Cámara, se realiza usando una

La tarjeta digitalizadora se encuentra instalada en un PC con las siguientes

Figura 7. Elementos de la adquisición de imágenes

2.5 COMUNICACIÓN ETHERNET

Es la encargada de transmitir los datos de posición desde el computador con el

2.6 COMUNICACIÓN VÍA RADIOFRECUENCIA

Esta comunicación se realiza entre el host de control y el móvil que ejecuta la

Figura 8. Módulo de Ultrasonido

Una vista general de los diferentes sistemas implementados se puede apreciar en

Figura 10. Vista del área de trabajo

El sistema de control implementado en el presente trabajo de investigación se

El control de alto nivel se desarrollo en un computador cuyas características son:

Figura 11. Diagrama de bloques de algoritmo del sistema