Desarrollo de un ROVER semiautónomo para exploración urbana con navegación por red neuronal entrenada en simulación

Abstract

Desarrollo hardware y software para crear un robot que recorre autónomamente su entorno. Contiene tanto desarrollo de hardware como de software. Se examinan los requisitos de hardware para construir un sistema capaz de moverse y construir un mapa con un sensor LIDAR. Se desarrolla también una placa electrónica a medida para funciones de control de motores, fuente de alimentación y monitorización del sistema. Se discute eficiencia y posibles mejoras de este componente para mejorar y expandir las capacidades del sistema. Un controlador para Python3 del sensor principal es desarrollado para recuperar datos del sensor principal a una alta frecuencia de muestreo. Sobre estos datos se lleva a cabo también una combinación de algoritmos de visión artificial, búsqueda de ruta y evasión de obstáculos para reconocer y navegar el entorno. Un algoritmo de mapeo mantiene un mapa actualizado utilizando un sistema de reputación para eliminar datos antiguos o incorrectos Esto forma una base para una red neuronal que por aprendizaje por refuerzo controla el robot en situaciones complejas. Cuando el robot se acerca a un obstáculo, utiliza esta red neuronal para esquivarlo. Esta red neural se entrena en una simulación replicando los movimientos y entradas del sistema. Se muestran y discuten los resultados en un entorno de 80m2.

Hardware and software developments for an autonomous robot cable of mapping and exploring its environment. This project includes both hardware and software developments. The hardware requirements for a system capable of moving on its own and creating a map using a LIDAR sensor are examined. Main electronics board is developed for motor control, power supply, and system monitoring. Efficiency and possible improvements to this board for better or added system capabilities are also discussed. A Pythton3 driver for the main sensor is developed to recover samples at a high sample rate. This data is used to apply a series of algorithms for computer vision, pathfinding and obstacle avoidance. A mapping algorithm maintains a map of the environment by employing a reputation system to identify and eliminate stale or erroneous information. This is used as a platform for a neural network trained by reinforcement learning to navigate complex scenarios. When the robot is close to an obstacle, it uses this neural net to avoid it. This neural net was trained in a simulation replicating the movements and inputs to the system. Results for an 80m2 environment are showcased and discussed.