Simulación de las dinámicas de un cocheo en un entorno montañoso usando ROS y GAZEBO

Abstract

El proyecto se centra en la simulación de las dinámicas de un coche en un entorno montañoso utilizando ROS (Robot Operating System) y Gazebo. El propósito es implementar y evaluar diversas estrategias de aprendizaje automático que controlan el movimiento del vehículo en función de su posición y velocidad instantánea, así como examinar cómo navega a través de un terreno con altitud variante.

La metodología incluye el uso de modelos simplificados de un coche y una montaña para simular las interacciones físicas como la gravedad, fricción y colisiones. El entorno de simulación fue creado en ROS y Gazebo por varias razones, incluyendo la capacidad de estos programas para desarrollar entornos basados completamente en código y la posibilidad de cambiar todos los parámetros de la simulación a través de la programación. Entre otros programas usados se incluyen Python o C++ para desarrollar las políticas de machine learning, así como XML para el desarrollo de los entornos de ROS y Autodesk y Fusion 360 para el diseño del entorno montañoso.

Se desarrolló un modelo del coche con diferentes parámetros como “links y joints” de ROS, inercias y caja de colisiones. Las estrategias de aprendizaje automático se aplican al modelo del coche, ajustando dinámicamente parámetros como velocidad y aceleración en respuesta a la retroalimentación en tiempo actual de la simulación.

La investigación demuestra que la integración de ROS con Gazebo proporciona una herramienta efectiva para desarrollar y probar políticas de aprendizaje automático aplicadas a entornos robóticos. Los resultados de la simulación sirvieron para entender cómo diferentes estrategias afectan el comportamiento del modelo bajo condiciones cambiantes, permitiendo la selección de la estrategia óptima basada en el tiempo necesario para el modelo en llegar a un objetivo.

This project focuses on simulating the dynamics of a car in a mountainous environment using ROS (Robot Operating System) and Gazebo. The aim is to implement and evaluate various machine learning strategies that control the vehicle's movement based on its instantaneous position and speed, and to examine how it navigates through terrain of varying height.

The methodology involves using simplified models of a car and a mountain to simulate physical interactions such as gravity, friction, and collisions. The simulation environment was created in ROS and Gazebo for several reasons, including the ability of these programs to develop environments that are entirely code-based and the capability to modify all simulation parameters through programming. Other programs used include Python and C++ for developing machine learning policies, XML for developing ROS environments, and Autodesk Fusion 360 for designing the mountainous setting.

A model was developed that includes various car features and parameters, such as ROS "links and joints," inertia, and collision boxes. Machine learning strategies are applied to the car model, dynamically adjusting parameters like speed and acceleration in response to real-time simulation feedback.

The research demonstrated that integrating ROS with Gazebo provides an effective tool for developing and testing machine learning policies applied to robotic environments. The simulation results were crucial for understanding how different strategies affect the model's behavior under changing conditions, allowing for the selection of the optimal strategy based on the time needed for the model to reach a target.