21 Robots Cooperativos para El Guiado de Grupos de Personas en Zonas Urbanas

Ttulo de Tesis Provisional:
Robots Cooperativos para el guiado

de Grupos de Personas en Zonas Urbanas
Estudiante: Anas Garrell Zulueta
Director i Tutor: Alberto Sanfeliu Cort es
Programa de Doctorado: Control, Visi on y Rob otica
Departamento: Enginyeria de Sistemes, Autom atica i Inform atica, Institut
de Rob` otica i Inform` atica Industrial
Universidad: Universitat Polit ` ecnica de Catalunya
Pr ologo
La rob otica se dene como una rama de la tecnologa, que estudia el dise no y construcci on de
m aquinas capaces de desempe nar tareas repetitivas, tareas en las que se necesita una alta precisi on,
tareas peligrosas para el ser humano o tareas irrealizables sin intervenci on de una m aquina.
El ser humano no es resolutivo en algunas situaciones, como por ejemplo la repetici on sistem atica
de una misma tarea o la precisi on durante un largo periodo de tiempo, en determinadas acciones la
ayuda de los robots es muy beneciosa.
Los robots adem as de sustituir a las personas en las tareas nombradas, tambi en pueden actuar
junto a ellas, ya sea informando o ayudando. El presente documento, correspondiente al proyecto de
tesis, se ha centrado en el estudio de los robots guas para que trabajen cooperativamente y mostrar
la importancia de los robots en el entorno humano. El estudio comienza con la introducci on de la
interacci on entre humanos y robots y que campos abarca esta rama de la rob otica. A continuaci on, se
presentan las funciones adicionales necesarias para el guiado, las diferentes t ecnicas de guiado con un
solo robot y con grupos de robots que trabajan cooperativamente.
Institut de Rob` otica i Inform` atica Industrial (IRI)
Consejo Superior de Investigaciones Cientcas (CSIC)
Universitat Polit` ecnica de Catalunya (UPC)
Llorens i Artigas 4-6, 08028, Barcelona
Spain
Tel (fax): +34 93 401 5750 (5751)
http://www-iri.upc.es
Corresponding author:
Anas Garrell Zulueta
tel: +34 93 4015805
agarrell@iri.upc.edu
http://www-iri.upc.es/people/agarrell
Copyright Anas Garrell Zulueta, 2008
INDICE 1
Indice
1. Objetivos 2
1.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Sub-objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2. Estado del Arte 3
2.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Interacci on Humano-Robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.1. Aparici on de la interacci on entre robots y humanos como campo . . . . . . . . . 4
2.2.2. Denici on del problema de interacci on . . . . . . . . . . . . . . . . . . . . . . 5
2.2.3. Problemas de dominio de la interacci on . . . . . . . . . . . . . . . . . . . . . . 6
2.3. T ecnicas de guiado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.1. Funciones necesarias para el guiado . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.2. Guiado con un Robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3. Guiado con m ultiples Robots . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3. Trabajo en Curso 29
3.1. Hip otesis preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2. Componente Est atica del modelo DLE . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1. C alculo del grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3. Componente Din amica del modelo DLE . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4. Plan de trabajo 35
2 Proyecto de Tesis
1. Objetivos
1.1. Objetivo general
El objetivo del presente proyecto de tesis es conducir a un grupo de personas desde su posici on inicial
hasta el destino deseado, siendo guiados por un conjunto de robots (dos o m as) que siguen un compor-
tamiento cooperativo y comparten informaci on.
Se parte de la premisa que el camino viene dado a priori y que la conducci on de personas en entornos ur-
banos requiere considerar la presencia de los robots, de las personas y de las restricciones del entorno (la
existencia de obst aculos, el ancho de la calzada, etc.). Tambi en se pueden plantear diversas estrategias de
conducci on con dos robots, como por ejemplo, dos robots detr as de la formaci on, uno delante y otro de-
tr as o los dos robots colocados en los laterales. En nuestro trabajo consideraremos que uno de los robots
(lder) se localiza en el frente de la formaci on, mientras el segundo se coloca en la parte posterior del
grupo. La tarea del robot lder es guiar al grupo por una zona de trabajo, principalmente zonas urbanas,
como por ejemplo el campus Nord de la UPC, controlando en todo momento que el grupo no se aleje
ni se acerque demasiado. La funci on del segundo robot es asegurar que ning un individuo se separe del
grupo, que no hayan aglomeraciones y obtener la formaci on deseada del grupo de personas en la medida
de lo posible.
Los robots que se utilizar an son los mismos con los que se trabaja en el proyecto URUS
1
, y disponen
de una suma de sensores de posicionamiento y sistemas de comunicaci on entre ellos. Para realizar el
proyecto se utilizar an algoritmos ya dise nados, como por ejemplo path plannig, seguimiento de personas
con las c amaras de los robots y c amaras externas, informaci on del GPS . . .
1.2. Sub-objetivos
Como sub-objetivos se persiguen los siguientes:
Estudio de modelos, formados din amicamente, de representaci on para la interacci on de los robots
con las personas para su guiado.
Estudio de estrategias de desplazamiento cooperativo de los robots para guiar a las personas.
Vericaci on del modelo y de las estrategias en simulaci on y, si es posible, realizar los experimentos
en entornos reales.
Para lograr dichos sub-objetivos se debe dise nar un modelo din amico que represente el area de trabajo
de los robots, i.e., la situaci on de las personas, obst aculos y robots en el mundo, y debe introducirse un
ltro para la estimaci on de las posici ones de las personas y de los robots unos instantes posteriores, as,
con la ayuda del estudio de estrategias de guiado para robots, estos ser an capaces de tomar decisiones
para conseguir sus objetivos.
1
http://www.urus.upc.es
Secci on 2 Estado del Arte 3
2. Estado del Arte
2.1. Introducci on
En los ultimos a nos el inter es por la rob otica cooperativa y el dise no de robots que asisten a personas
en su vida diaria ha aumentado de manera signicativa. Las aplicaciones en este campo son muy di-
versas, algunos ejemplos de estudios en esta materia son la exploraci on de lugares desconocidos [65],
formaci on de robots para la navegaci on [15, 35, 62, 79], el trasporte de objetos y la evacuaci on de per-
sonas [10, 34, 47].
Los robots guas son de gran ayuda, sin embargo no existe un gran n umero de investigaciones que hayan
dado la oportunidad a los robots a trabajar como guas en entornos con auencia de personas. Uno de
los ejemplos m as importantes de robots interactuando con personas es el caso de Rhino [9]. Este robot
trabaj o en el Deutsches Museum Bonn, donde gui o a centenares de visitantes por todo el museo durante
un periodo de prueba de seis das. En las tareas de evacuaci on es importante considerar que los robots
minimizan el riesgo de tareas de emergencia que realizan los humanos, como la detecci on de materiales
peligrosos, la realizaci on de tareas de asistencia o guiado. El desastre del World Trade Center permiti o,
por primera vez, el uso de robots m oviles para el rescate y b usqueda de personas en zonas urbanas [47],
dicho suceso demostr o que los robots peque nos tienen la capacidad de obtener datos de gran utilidad en
situaciones de emergencia.
El tema-clave discutido en este documento es el estudio para llevar a cabo el guiado de un grupo de seres
humanos hacia un destino con la ayuda de un equipo de robots m oviles, los cuales interact uan con las
personas. Estudios sobre MRS (Multi Robot System) de diferentes arquitecturas y tipos de taxonomas
han sido propuestas por otros autores [16, 30, 31].
El sistema actual puede considerarse como recorridos de guiados, sin embargo, m as all a de este concep-
to, esta aplicaci on puede ser pensada como un modelo realizado por varios perros que llevan a un reba no
de ovejas, orient andolas hacia un objetivo. Los perros y las ovejas tienen como mnimo una forma de
comunicaci on explcita. Las ovejas siguen a los perros guas, si hubiera alguna situaci on que afectara a
la realizaci on del proceso los perros ladraran y/o se aproximaran a ellas. Sin embargo, actualmente no
existe ning un tipo de se nal explcita para el guiado ni para el control de la trayectoria, que viene dada
por un modo implcito sobre la base de las reacciones naturales entre los seres humanos y los robots (ver
Fig. 1, [41]). Adem as, como las conductas humanas reales son muy difciles de estimar, se deben asumir
unos patrones de comportamiento en la medida de lo posible.
El centro de la investigaci on ha sido el desarrollo de una metodologa para guiar a los seres humanos me-
diante el despliegue de m ultiples robots m oviles y sus restricciones del entorno. Sin embargo, la tarea de
interceptaci on de las personas todava no est a sucientemente estudiada por otros autores, ya que se debe
hacer frente a diferentes tipos de problemas, los cuales implican mayor nivel de complejidad en las tareas.
Los recientes avances en la rob otica y la inteligencia articial han hecho posible la construcci on de
robots m oviles interactivos, que funcionan de manera muy conable en ambientes de gran conuencia
de personas. Existen en el ambito de la comunidad de investigaci on varios trabajos relacionados con
tours-guiados que abordan diferentes problemas y utilizan diferentes arquitecturas. Minerva [60], Vir-
gil [63], Tourbot [9] y SAGE [50], son algunos ejemplos de gran consideraci on.
4 Proyecto de Tesis
Figura 1: Guiado de personas a partir de un equipo de robots.
2.2. Interacci on Humano-Robot
La interacci on entre robots y humanos es un campo de estudio dedicado a la comprensi on, el dise no,
y la evaluaci on de sistemas rob oticos para su uso con los seres humanos. La interacci on requiere la
comunicaci on entre robots y los seres humanos. La comunicaci on entre un humano y un robot debe
adoptar diversas formas, pero estas formas vienen inuenciadas en gran medida por el hecho de si el
ser humano y el robot se encuentran en proximidad o no. As pues, la comunicaci on y, por lo tanto, la
interacci on puede ser separada en dos categoras generales:
Interacci on remota: El hombre y el robot est an separados en el espacio, e incluso pueden estarlo
temporalmente (por ejemplo, el Mars Rovers se separa de la tierra tanto en el espacio como en el
tiempo).
Interacci on pr oxima: Los seres humanos y los robots est an en posiciones cercanas (como los robots
de servicio, los cuales pueden estar en la misma habitaci on que los seres humanos).
Dentro de estas categoras generales, es util distinguir entre aplicaciones que requieren movilidad, ma-
nipulaci on fsica, social o interacci on. La interacci on remota con robots m oviles se reere normalmente
a la teleoperaci on de control o de supervisi on. La interacci on pr oxima con los robots m oviles puede
adoptar la forma de un robot asistente, y puede incluir una interacci on fsica.
En la presente secci on, se presenta un estudio de la interacci on entre robots y humanos. Comienza pre-
sentado la evoluci on del campo de la interacci on a lo largo del tiempo. A continuaci on, se procede a
describir la denici on de los problemas de interacci on, y por ultimo se detallan las areas de aplicaci on
de esta area que deben ser consideradas para el guiado.
2.2.1. Aparici on de la interacci on entre robots y humanos como campo
Aunque se han realizado un gran n umero de trabajos que pueden considerarse interacci on entre humanos
y robots, el campo multidisciplinario comenz o a surgir a mediados de los a nos 90s. Clave de numerosos
acontecimientos ocurridos en este periodo de tiempo, los investigadores de la rob otica, la ciencia cogni-
tiva, los factores humanos, el lenguaje natural y la psicologa empezaron a reunirse en diferentes eventos
reconociendo la importancia de trabajar conjuntamente.
Tres areas muy inuyentes en la interacci on de robots con humanos son: robots de b usqueda y rescate,
asistencia de robots, y la exploraci on del espacio. La asistencia dada por robots de b usqueda y rescate ha
sido un ambito en el que el campo de la rob otica ha trabajado directamente con los usuarios. La b usqueda
y la situaci on de rescate implica la utilizaci on de un robot peque no para entrar en zonas potencialmente
peligrosas o donde hay numerosos escombros para buscar a las vctimas del derrumbe de un edicio, por
ejemplo.
Los robots est an equipados normalmente con c amaras de vdeo y sensores de temperatura, y en algunas
ocasiones pueden estar equipados con un manipulador con el que se puede modicar el medio ambiente.
El objetivo es el estudio de una zona que no es apta para el ser humano, y reunir informaci on sobre la
ubicaci on de la vctima y la estabilidad estructural. Debido a la naturaleza no estructurada de b usqueda
y rescate, las interacciones entre los humanos y los robots son muy ricas. En consecuencia, se abordan
muchas cuestiones sobre el problema [33, 46]. La asistencia rob otica es importante para la interacci on
entre robots y humanos, ya que hace hincapi e en la interacci on con las personas con alguna discapacidad.
Los desafos tambi en incluyen apoyo a la ecacia de las interacciones sociales y cognitivas a trav es de
interacciones naturales, como gestos y discurso. Los tipos de robots/m aquinas utilizadas en aplicaciones
de asistencia varan ampliamente en su apariencia fsica, e incluyen sillas de ruedas, robots m oviles con
manipuladores y humanoides [18, 48, 55].
La rob otica espacial tambi en ha sido un importante dominio de interacci on entre robots y humanos. Los
retos incluyen la explotaci on de un robot a distancia cuando el tiempo que transcurre puede ser un factor
importante, o interactuar en estrecha proximidad, tales como cuando un robot asistente ayuda a un as-
tronauta en la exploraci on de la supercie de un cuerpo planetario. La informaci on reunida por el robot
debe ser devuelta (a) a una astronauta que se encuentra junto el robot o (b) a un equipo base de la Tier-
ra, que luego, en tiempo real, estudian las hip otesis recibidas para modicar el comportamiento del robot.
2.2.2. Denici on del problema de interacci on
El principal problema de la interacci on entre humanos y robots es entender y dar forma a las interac-
ciones entre uno o m as seres humanos y uno o m as robots. Las interacciones entre los seres humanos y
los robots est an presentes en todas las ramas de la rob otica, incluso para los llamados robots aut onomos.
El trabajo es esencialmente de car acter interdisciplinario, el cual requiere contribuciones de la ciencia
cognitiva, la ling ustica, la psicologa, la ingeniera, las matem aticas y ciencias de la computaci on.
En esencia, existen cuatro atributos que afectan a las interacciones entre los seres humanos y los robots:
Nivel y el comportamiento de autonoma.
Naturaleza de intercambio de informaci on.
Estructura del equipo.
Forma en el desempe no de la tarea.
La interacci on se dene como el proceso de trabajar juntos para lograr un objetivo, y surge de la con-
uencia de estos factores.
Equipos de robots
Los problemas de la interacci on entre humanos y robots no se limitan a un unico humano y un unico
robot, aunque este es, sin duda, un importante tipo de interacci on. Robots utilizados en la b usqueda y
6 Proyecto de Tesis
rescate, por ejemplo, suelen ser administrados por dos o m as personas, cada uno con funciones especiales
en el equipo [47, 59].
Una cuesti on que ha recibido considerable atenci on es el n umero de robots a distancia que un solo hu-
mano puede manejar. En general, la respuesta depende de los factores tales como el nivel de autonoma de
los robots (por ejemplo, la teleoperaci on requiere una gran cantidad de atenci on directa de los humanos),
la tarea (que se dene no s olo por el tipo y la cantidad de datos devueltos a los humanos, sino tambi en
por la cantidad de atenci on y la carga cognitiva que requiere de la persona humana), y la disponibilidad
de medios de comunicaci on. En la b usqueda y rescate, Murphy [47] arma que las exigencias de la tarea,
el factor de la forma del robot, y la necesidad de proteger los robots operadores, requieren al menos dos
operadores, una observaci on que ha recibido el rme apoyo de los ensayos de campo usando tecnologas
maduras [10], y un apoyo parcial de las competiciones de b usqueda y rescate [2].
Adem as del n umero de seres humanos y robots en un equipo, uno de los principales problemas que se
plantea es la organizaci on del equipo [20]. Una importante pregunta es qui en tiene la autoridad para
tomar ciertas decisiones: robot, software de interfaz o humanos?. Otra cuesti on importante es qui en tiene
la autoridad para emitir instrucciones o comandos para el robot y en qu e nivel. Una tercera cuesti on es
c omo se resuelven los conictos, especialmente cuando los robots son colocados como acompa nantes
en las relaciones con m ultiples personas. Gracias a todas estas preguntas se determina si la estructura
organizativa es est atica o din amica, con cambios en las responsabilidades, autoridades, y funciones.
En muchos de los problemas de la interacci on se incluyen, no s olo los seres humanos y los robots que
interact uan unos con otros, sino tambi en la coordinaci on con agentes de software. La forma m as simple
es un problema de tres-agentes que se produce cuando una interfaz inteligente es el intermediario entre
un humano y un robot a distancia [56]. En este problema, la interfaz agente puede controlar y categorizar
el comportamiento humano, supervisar y detectar problemas con el robot, y apoyar el trabajo humano.
Una ultima cuesti on que est a empezando a llamar la atenci on es el papel de los humanos [72]. Hay casos
en los que el robot puede tener que interactuar con los transe untes o con personas que no est en esperando
trabajar con un robot. Los ejemplos incluyen las zonas urbanas de b usqueda y salvamento con robots, un
robot militar en un entorno urbano que debe interactuar con los civiles, y un robot asistente de salud que
debe ayudar a un paciente e interactuar con los visitantes. El papel del robot con respecto a los seres hu-
manos debe tenerse en cuenta. El papel de los humanos ser a discutido con m as detalle en la secci on 2.2.3.
Realizaci on de la tarea
La tecnologa rob otica se present o como un dominio para permitir que un humano realizara una tarea
que antes no poda hacer, o para hacer la tarea m as f acil, o m as agradable para los humanos. La tarea de
elaboraci on es un t ermino que hace hincapi e en la importancia de considerar la forma en que la tarea debe
hacerse. Hay procesos formales para la comprensi on de la forma en que la tarea debe realizarse. Estos
procesos incluyen el an alisis, el trabajo cognitivo, y estudios etnogr acos [72]. Woods argument o que
el dise no de un sistema es equivalente a hacer una hip otesis acerca de c omo el artefacto se forma en la
experiencia [77]. No obstante, es importante considerar la forma en que la tarea podra ser modicada
para un mejor apoyo para la interacci on.
2.2.3. Problemas de dominio de la interacci on
Ya se ha mencionado en varias ocasiones algunos de los diferentes problemas y areas de aplicaci on
de la interacci on entre robots y humanos. En la presente secci on, se explican los principales tipos de
problemas encontrados en interacci on. Es importante destacar que muchos de estos problemas tienen un
amplio impacto social, por lo tanto, muchos trabajos utilizan la ciencia y la ingeniera para responder a
las necesidades de la sociedad. Scholtz propuso una taxonoma de las funciones que pueden asumir los
robots [56]: Supervisor, operador, mec anico, compa nero y espectador.
Taxonomas similares son posibles, pero la determinaci on de c omo la gente percibe un robot es una
cuesti on muy importante. El cuadro 1 clasica los tipos m as frecuentes de interacciones con sus areas de
aplicaci on. Para muchas de estas areas, los actuales modelos de la investigaci on muestran una tendencia
a alejarse de las interacciones remotas hacia interacciones m as pr oximas.
Las principales areas de aplicaci on de la interacci on entre robots y humanos son las siguientes:
1. B usqueda y rescate.
2. Robots de asistencia.
3. Militares y polica.
4. Entretenimiento.
5. Espacio.
6. Hogar e industria.
El estudio del guiado de personas de manera cooperativa con robots en espacios abiertos, abarca los
siguiente campos de interacci on entre humanos y robots: b usqueda y rescate (b usqueda y guiado de per-
sonas en zonas peligrosas), robots de asistencia (guiado de personas mayores o con personas en terapia)
y robots de entretenimiento (robot guas en museos o guas tursticos).
B usqueda y rescate
Esta area de investigacion est a siendo desarrollada en diversos paises, pero en Estados Unidos cobr o es-
pecial importancia la aplicaci on en zonas urbanas (urban search and rescue, USAR) debido a la necesidad
del uso de robots en el rescate y recuperacion de personas en el colapso del World Trade Center [10].
USAR ha crecido hasta convertirse en una de las areas m as importantes de la interactuaci on entre hom-
bres y robots.
Debido a su importancia, USAR se ha convertido en un desafo para los problemas de la interacci on.
Peri odicamente se realizan competiciones de robots y conferencias relacionadas con USAR [33], donde
se investigan y se desarrollan nuevas interfases, nuevos dise nos de robots y nuevos sensores. Reciente-
mente, se est an ampliando los esfuerzos para incluir robots a ereos a n de ser utilizados en los desastres
naturales.
Robots de asistencia
En el espritu social de las investigaciones pertinentes, los robots se est an desarrollando para servir a los
asistentes. La asistencia en rob otica es tal vez una de las areas con m as inter es social, donde la interacci on
de robots y humanos cobra especial relevancia. Un ejemplo son los robots de ayuda a invidentes. El ob-
jetivo de los trabajos en este ambito es aumentar el conjunto de tareas que una persona con discapacidad
visual puede realizar independientemente. Estas tareas incluyen, por ejemplo, la ayuda en la navegacion
en ambitos no estructurados y la asistencia a los humanos, d andoles informacion sobre lugares y produc-
tos.
8 Proyecto de Tesis
Otro importante ambito de la investigaci on, especialmente en los pases con una creciente poblaci on de
la tercera edad, es prestar apoyo a las personas de edad avanzada [45]. Los investigadores en este ambito
se centran en las necesidades fsicas, el bienestar emocional, cognitivo y de asistencia. Las personas que
trabajan en este ambito son plenamente conscientes de las consideraciones eticas que surgen por la dele-
gaci on de una tarea que corresponde a un humano a un robot.
Para algunas personas con discapacidades fsicas y problemas mentales, los robots pueden proporcionar
una oportunidad para la interacci on y la terapia. Esta labor se est a explorando con los ni nos autistas [6].
Muchos de estos ni nos responden d ebilmente a todas las se nales sociales, pero responden bien a la
mec anica de dispositivos. Los robots est an considerados para otros ambitos donde los ni nos se bene-
cian, as como los que han sufrido un trauma. Es importante destacar que la dimensi on social de la
interacci on entre hombres y robots se considera necesaria, no s olo en las funciones de asistencia, sino
tambi en en muchas zonas de pr oxima interacci on.
Por ejemplo, los investigadores est an trabajando en el dise no de robots que prestan apoyo a la terapia
fsica. Los esfuerzos incluyen la ayuda a la fuerza y a las trayectorias de movimiento para reconstruir la
exibilidad y la fuerza [38]. Otros trabajos incluyen la detecci on de estado de motivaci on y de adaptaci on
a la terapia para maximizar los benecios. Sillas de ruedas inteligentes son un tipo de robot que utilizan
sensores externos de apoyo a la planicaci on de ruta.
En el espritu de la prestaci on de asistencia a las personas, algunos investigadores tambi en est an estu-
diando c omo los robots pueden ser usados para la educaci on de los ni nos, tanto en el hogar como en las
escuelas. El robot personal de servicio es una extensi on para el tema de la prestaci on de servicio a la
poblaci on en general.
Entretenimiento
Aunque ha habido muchos ejemplos de rob otica de entretenimiento, en el ambito de la interacci on no es
mucho lo que ha sido publicado en la literatura. La Exposici on Internacional AICHI05 demostr o varios
robots dise nados para entretener, incluyendo el uso de robots como actores o acompa nantes de baile [1].
Una vez m as, el papel del ser humano es como un observador, y la interacci on es mnima y m as implcita.
Los robots Tank y Valerie, de la Universidad Carnegie Mellon, fueron dise nados como recepcionistas en
un proyecto conjunto entre la CMU Instituto de Rob otica y la Escuela de Drama [25]. Aunque los robots
que act uan como guas tursticos podran considerarse una forma de asistencia rob otica, estos robots se
clasican en la categora de entretenimiento, porque su funci on principal es hacer participar a los visi-
tantes [38].
Otros temas relacionados con la investigaci on en el uso de robots para el entretenimiento son los robots
narradores [44] o los acompa nantes de baile rob otico [6].
S
e
c
c
i
o
n
2
E
s
t
a
d
o
d
e
l
A
r
t
e
9
C
u
a
d
r
o
1
:
A
p
l
i
c
a
c
i
o
n
e
s
d
e
l
a
i
n
t
e
r
a
c
c
i
o
n
e
n
t
r
e
r
o
b
o
t
s
y
h
u
m
a
n
o
s
.
Area de aplicaci on Remoto/Pr oximo Papel Ejemplo Ref.

B usqueda y rescate Remoto El humano es un Robot de b usqueda [10, 33]
supervisor o un operario. teledirigidos.
Pr oximo Los humanos y los robots El robot sostiene [52]
son compa neros. estructuras inestables.
Robots de asistencia Pr oximo Los humanos y los robots Asistencia para los [45]
son compa neros o los ciegos y terapia para
robots son una herramienta. personas mayores.
Pr oximo El robot es un mentor. Interacci on social [6]
para ni nos autistas.
Militares y polica Remoto El humano es supervisor. Reconocimiento de [58]
minas.
Remoto o El humano y el robot son Patrulla de apoyo. [66]
Pr oximo compa neros.
Remoto El humano es el consumidor. Comandante utilizando [75]
informaci on de
reconocimiento.
Entretenimiento Pr oximo El robot es un mentor. Robot auxiliar de [32]
aulas.
Pr oximo El robot es un mentor. Robot guas en museos [9, 64]
Pr oximo El robot es un compa nero. Compa nero Social. [12]
Espacio Remoto El humano es supervisor Ciencias remotas [65]
o un operario. y exploraci on.
Pr oximo El robot y el humano Robots astronautas [74]
son compa neros. asistentes.
Hogar e industria Pr oximo El humano y el robot Robot compa nero. [12, 13]
son compa neros.
Pr oximo El humano es supervisor. Robot aspiradora. [67]
Remoto El humano es supervisor. Robot de construcci on. [24]
10 Proyecto de Tesis
2.3. T ecnicas de guiado
2.3.1. Funciones necesarias para el guiado
La navegaci on de robots para el guiado de personas es necesaria, as como, la localizaci on de los robots, y
la estimaci on de las posiciones posteriores para permitir a los robots actuar y planicar sus movimientos.
Al trabajar con grupos de robots, tambi en es necesario el estudio de formaci on de robots, la localizaci on
de las personas y la comunicaci on entre los robots para conseguir el objetivo conjuntamente.
(a) Formaci on de robots
Un modelo com un para la formaci on de robots m oviles con restricciones no holon omicas en un
espacio cartesiano es:
x
c
= v
c
cos
c
; y
c
= v
c
sin
c
;

c
= v
c
K
c
(1)
donde [x
c
, y
c
,
c
]
T
son las coordenadas del robot, v
c
es la velocidad actual, y K
c
es la curvatura de
la trayectoria que el robot est a siguiendo. La restricci on no holon omica del sistema, implcita en
(1), es
x
c
sin
c
+ y
c
cos
c
= 0 (2)
En general, la velocidad y la curvatura del robot est an limitadas, por eso hay las siguientes restric-
ciones adicionales:
|K
c
| K
c,max
|v
c
| v
c,max
(3)
Las ecuaciones de la cinem atica para un punto de referencia vienen en las ecuaciones (1)-(3) donde
K
c,max
y v
c,max
son funciones de la formaci on especca.
[x
c
(t), y
c
(t),
c
(t)]
T
[v
c
(t) K
c
(t)]
T
(4)
Por conveniencia, el control puede ser escrito como funci on de distancia, d
c
, usando la ecuaci on
(4),
v
c
(d
c
); K
c
(d
c
); d
c
(t) =
_
t
o
v
c
()d (5)
Si [p
i
q
i
]
T
es constante, se deduce la siguiente f ormula, a n de que el robot i permanezca en la
formaci on.
v
i
(s
i
) = v
c
(s
i
)(1 q
i
K
c
(s
i
))
K
i
(s
i
) =
K
c
(s
i
)
1 q
i
K
c
(s
i
)
(6)
donde s
i
(t) = d
c
(t) +p
i
, de aqu se deduce:
x
i
= v
i
cos
i
; y
i
= v
i
sin
i
;

i
= v
i
K
i
(7)
Estas ecuaciones describen la cinem atica del robot i. Adem as se debe comprovar que:
|K
i
| K
i,max
; |v
i
| v
i,max
(8)
en todos los puntos de la trayectoria para asegurar que [v
c
(d
c
) K
c
(d
c
)] es una referencia v alida de
trayectoria. De lo contrario, la trayectoria no puede ser implementada por el robot i y esta parte de
la formaci on no puede manternerse.
El caso m as general de formaci on es permitir que la estructura de la formaci on pueda cambiar con
el tiempo. Por ejemplo, esto sera necesario para permitir que el grupo pasara a trav es de zonas con
peque nas aperturas. Este enfoque se ocupa del caso general permitiendo a [p
i
q
i
]
T
ser una funci on
en el tiempo. Se dene la distancia recorrida por el robot i a lo largo de la trayectoria de referencia
como:
s
i
(t) = d
c
(t) +p
i
(t) (9)
donde se denota p
i
(t) cambiando en el tiempo, y q
i
(t) es una funci on en el tiempo, pero se trabaja
en q
i
(s
i
). Esto es necesario para determinar todas las cantidades siguientes despu es del c alculo de
la trayectoria del robot i:
s
i
(t), q
i
(s
i
),
dq
i
ds
i
(s
i
),
d
2
q
i
ds
2
i
(s
i
) (10)
La gura 2 es la interpretaci on gr aca de estos datos. Una vez han sido determinados, se debe
calcular la trayectoria del robot i de la manera que sigue:
v
i
= SQv
c
(11)
K
i
=
S
Q
_
K
c
+
(1q
i
K
c
)
d
2
q
i
ds
2
i
+K
c
_
dq
i
ds
i
_
2
Q
2
_
(12)
con,
S = sgn(1 q
i
K
c
) (13)
Q =
_
dq
i
ds
i
_
2
+ (1 q
i
K
c
) (14)
donde todas estas cantidades son evaluadas en s
i
(t). Se debe asegurar de nuevo, que los lmites de
la ecuaci on (8), no se superen en todos los puntos de la trayectoria. Se puede observar que cuando
la curvatura de la trayectoria de referencia, K
c
= 0, el espacio no es curvo y la ecuaci on (11 b) se
simplica como:
K
i
=
_
_
_
d
2
q
i
ds
2
i
2
_
1+
_
dq
i
ds
i
2
__
3/2
_
_
_ (15)
Figura 2: Representaci on gr aca de la trayectoria din amica de un robot.
(b) Comunicaci on
La comunicaci on en varios equipos de robots ha sido ampliamente estudiada en la literatura. Se
suele considerar la distinci on entre comunicaci on implcita y explcita. Se denomina comunicaci on
implcita cuando se produce la comunicaci on como un efecto secundario de otras acciones, o a
trav es del mundo (v ease, por ejemplo [51]); mientras que la comunicaci on se considera explcita
cuando es un acto especco dise nado unicamente para transmitir informaci on a otros robots en
el equipo. Varios investigadores han estudiado el efecto de la comunicaci on en el desempe no de
equipos de multi-robots en una variedad de tareas, y han llegado a la conclusi on de que la co-
municaci on proporciona ciertos benecios para determinados tipos de tareas. Adem as, diversos
investigadores han encontrado que, en muchos casos, la comunicaci on de una peque na cantidad de
informaci on puede dar lugar a grandes benecios (por ejemplo, [4]).
(c) Navegaci on
La navegaci on en rob otica para un solo robot ha sido clasicada tradicionalmente en navegaci on
deliberativa y navegaci on reactiva [49]. Una exposici on similar para entornos din amicos se pre-
senta por Fujimora. Los sistemas multi-robot se han convertido en un area activa de investigaci on,
ya que facilitan una mejor eciencia y aumentan la capacidad. Los sistemas de m ultiples robots
m oviles se encuentran en muchas areas de aplicaciones: manipulaci on de materiales peligrosos en
terrenos difciles, en tolerancia a fallos de los sistemas, exploraci on de terrenos, y en la carga de
transporte. La colaboraci on para evitar colisiones entre robots se plantea en muchas de las aplica-
ciones multi-robots, como por ejemplo, encontrar el camino m as r apido o la reuni on en un lugar
com un. Tanto si se trata de un caso de navegaci on de robots de rescate en zonas abiertas, como la
b usqueda en las distintas partes de un edicio para el desempe no de tareas dom esticas, la evitaci on
de obst aculos cooperativa se convierte en imprescindible.
En [29] se presentan tres niveles de resoluci on colaborativa. La estrategia se lleva a cabo de forma
distribuida en todos los robots del sistema. En el primer nivel, los robots que participan en un
conicto lo resuelven independiente. En el segundo nivel, los robots que participan en el conicto
modican sus velocidades de una manera sincronizada para que el conicto sea resuelto. Cuando
la fase cooperativa falla, se adapta el tercer nivel de resoluci on, el cual se extiende a los robots que
no forman parte del conicto y su ayuda se solicita para resolver los conictos entre los robots que
participan.
1. Evitar conictos de colisi on, de manera que los agentes no est en demasiado cerca. As, los
agentes act uan de en un manera que benecie a otro agente para evitar las colisiones.
2. Proporcionar un medio de evitaci on de conictos en situaciones donde un solo agente no es
capaz de resolver el conicto individual.
3. Actuar como un puntero en las zonas del espacio de posibles soluciones donde la b usqueda
de una soluci on es probable que sea m as fructfera.
Matem aticamente, la resoluci on individual se caracteriza como una b usqueda de la velocidad en
el espacio de los respectivos robots que participan en el conicto.
La resoluci on de conictos entre robots se resuelve en las tres fases mencionadas anteriormente.
La modalidad de elecci on de las velocidades determina cual de las tres fases es adaptada para la
resoluci on.
Se considera S
T
, la representaci on del conjunto de todas las posibles soluciones para resolver con-
ictos con robots. Cada miembro s
i
del conjunto viene representado como s
i
= {v
1i
, . . . , v
Ni
},
para los N robots involucrados en el conicto. El conjunto es innito y no es numerable, por lo
tanto el subndice i en s
i
es usado solo por notaci on. Los robots evitan los conictos controlando
sus velocidades en los instantes de tiempo {t
1i
, . . . , t
Ni
}, se denota s
i
S
T
.
El espacio cooperativo es representado por el conjunto S
C
S
T
, i.e., el espacio cooperativo es
un subconjunto del espacio total de soluciones y donde cada robot involucrado en el conicto es
requerido para modicar la velocidad, de manera que cada robot tiene una parte de responsabilidad
para la resoluci on del conicto.
La fase colaborativa en navegaci on es denida con la condici on S
C
= S
T
, donde cada robot no
tiene otra elecci on que la resoluci on del conicto. En las resoluciones individuales la elecci on de
velocidades en el espacio S
I
= S
T
S
C
, donde la vinculaci on de cada robot a cooperar no existe.
Si S
I
= diremos que la navegaci on tiene una fase cooperativa completa.
La gura 3 muestra la evoluci on de trayectoria de dos robots, marcados como R1 y R2, movi endose
en direcciones ortogonales. Las echas muestran la localizaci on de los dos robots en el tiempo
t = 0. Los robots se mueven con velocidades id enticas v
R1
= v
R2
= 2,5 unidades. Los estados
de los dos robots vienen representados por: Psi
1
= (v
R1
, v
R1
, 0) y Psi
2
= (v
R2
, v
R2
, 90). Las
igualdades de las velocidad se limitan a indicar que el robot se mueve con velocidad uniforme y
no es una p erdida de generalidad en los casos en que la velocidad diere de la actual.
(d) Localizaci on de personas
En esta secci on se explica la manera c omo se localizan de manera cooperativa los miembros de
un grupo, existen diferentes trabajos que estudian el modo de localizar a grupos de personas con
m ultiples robots [26, 40, 63].
Figura 3: Dos robots navegando en direcciones ortogonales.
El objetivo de [26, 60] es diferenciar los seres humanos de otros objetos en el mundo, y el
seguimiento de cada persona mientras se desplazan, para ello debe determinarse el centro del
grupo (en el Centro de gravedad, CG).
Las zonas de discriminaci on es un proceso de ltrado de 2 umbrales (shoulders & knees), donde en
los puntos localizados entre ellos, est a la mayora de la informaci on perteneciente a las personas.
Este pre-ltrado se reere a la eliminaci on de zonas innecesarias. Del mismo modo, la reducci on
del ruido limpia el error producido, debido a las condiciones de luz parcial o de oclusi on. La fusi on
de multi-sensores de datos es una recopilaci on de la informaci on sensorial en el centro de acogi-
da, como una forma de compartir datos de sensores distribuidos y para representar a nivel global
el modelo del mundo. La segmentaci on es una importante cuesti on a n de clasicar los objetos
captados.
El m etodo es un proceso de agrupaci on, que depende de un umbral entre dos puntos en 2D. La
agrupaci on termina con una serie de sub-grupos que representan la oscilaci on objetos. Este m eto-
do es able para diferentes autores, Ohya Akihisa o Shinichi Yutase entre otros. No obstante,
diversos autores han propuesto otras metodologas ables, como por ejemplo en [26] se propone
un seguimiento de personas utilizando optical ow con m ultiples c amaras, o en [76], se explica
un ltro de partculas condicionado para la localizaci on y el seguimiento de personas con robots
m oviles.
Para la localizaci on de humanos es util:
Diferenciar los seres humanos de otros objetos en el mundo.
Proporcionar al centro de acogida la distribuci on geom etrica de las personas con el n de
hacer un plan de movimiento en cada momento.
El centro de gravedad del grupo se estima a partir de la posici on de los miembros del grupo.
Por tanto, en esta estrategia, la cuesti on clave es llevar a cabo la orientaci on a lo largo de un
itinerario. La trayectoria de control se reere a la forma en que el CG est a controlado para el
seguimiento de la trayectoria deseada. Los tres elementos principales que son importantes para la
trayectoria de control: (a) observaci on de la ltraci on; (b) el control del modelado de la trayectoria
de modelado; y (c) la predicci on de CG en t
k+1
.
La posici on del CG se ve afectada por una secuencia de ruido actualizado a lo largo de cada mo-
mento. Una soluci on para ltrar el CG y obtener una mejor estimaci on fue ampliada mediante la
utilizaci on del Filtro de Kalman (EKF) [73]. Una proyecci on de la estimaci on de CG en t
k+1
, se
correlaciona con un conjunto de ecuaciones que expresan la din amica del grupo. Ver el grupo de
personas como una unidad, donde su CG es una din amica de partculas, la aceleraci on angular,
velocidad angular, velocidad lineal y los desplazamientos lineales son considerados como la inte-
graci on en el dise no EKF del sistema para la obtenci on de una posici on deseada de CG.
La trayectoria en [26] de control se haya obteniendo de forma implcita la aceleraci on angular del
grupo . La ecuaci on de informaci on de control viene dada por:
= k
1
x k
2
k
3
w (16)
Donde x es la distancia del CG hacia la linia de seguimiento, es el angulo de partida y w es la
velocidad angular. k
1
, k
2
y k
3
son las constantes de benecios establecidas a priori.
Un conjunto de ecuaciones del modelado de movimiento de CG fue propuesto como el n ucleo de
la trayectoria de control y predicci on. La propuesta de [41] calcula un modelo deseado siguiendo
la posici on del CG como gc
k+1
(x, z, ), con una velocidad lineal v, una velocidad angular w, y
una aceleraci on angular obtenidas a partir de la trayectoria de control. Todas las representaciones
son vectoriales, salvo y w.
En [40] se describe la situaci on de localizaci on de m ultiples humanos con multi-sensor de fusi on
de datos. En la gura 4, se presentan las condiciones de trabajo, el m etodo presentado se lleva a
cabo en un ambiente estacionario s olo con el prop osito de la realizaci on de m ultiples tareas de
localizaci on. B asicamente, las las de personas se alinean en las de 3 y 2 personas en la parte
delantera y en el dorso, respectivamente, entre un robot y los robots B, C (a la izquierda y la
derecha tambi en respectivamente). La raz on por la cual varios robots m oviles se utilizan para la
localizaci on de varios humanos, es por: (1) Para superar el problema de la oclusi on parcial o total
debido a varias personas. (2) Varios robots pueden servir de gua y control junto al grupo.
Con el n de detectar la ubicaci on de varias personas utilizando un unico robot, su posici on y la
orientaci on debe ser organizado estrat egicamente, porque de otra forma, tal robot no puede igualar
correctamente la totalidad de miembros del grupo con un determinado angulo. Pero por otro lado,
el uso de m ultiples robots m oviles puede permitir que estos sean m as simples. Adem as, incluso si
cada robot s olo puede percibir un n umero parcial de personas de diferentes lugares, el problema se
vuelve m as f acil de superar, ya que los datos de las personas localizadas de cada robot se funden
en un marco de cooperaci on.
Por medio de un marco de cooperaci on se ha desarrollado un m etodo, que se lleva a cabo en 6
etapas principales: Tarea del c alculo de los puntos 3D, (2) tarea de proceso de pre-ltrado, (3) un
ltro de reducci on del ruido, (4) transformaci on de los puntos a 2D, (5) una clasicaci on de los
datos basados en segmentaci on , y (6) c alculo de la localizaci on de los humanos. En la gura 5 se
muestra el funcionamiento del ltro.
Considerada como una parte del procesamiento de datos, el ltrado de datos es uno de los elemen-
tos m as importantes de la esencia de este m etodo. Del mismo modo, el ltrado, b asicamente, se
divide en 3 fases: pre-ltrado, reducci on de ruido 2D y transformaci on, este ultimo es tambi en una
Figura 4: Localizaci on de un grupo de 5 personas con 3 robots.
rutina para la reducci on de puntos.
Figura 5: Diagrama del proceso de datos.
(e) Localizaci on de robots
La localizaci on que se realiza en la mayora de los trabajos es el m etodo de localizaci on de Markov,
[21, 22, 23], consiste en mantener una distribuci on de probabilidad sobre todas las localizaciones
posibles del robot dentro de su entorno de movimiento.
La localizaci on de un robot viene dada por las coordenadas cartesianas de un punto cualquiera del
mismo (x,y) y la orientaci on de alguno de sus ejes ( ) respecto a un sistema de referencia externo
jo. Estas tres variables dan lugar a un espacio de estados tridimensional L, en el que cada uno de
sus estados l = (x, y, ) es una posible localizaci on del robot.
Con el m etodo de localizaci on de Markov, en cada instante de tiempo t el robot tiene una cierta
creencia sobre cu al es su posici on en el entorno, caracterizada por una distribuci on de probabilidad
sobre el espacio L, a la que se denominar a Bel(L
t
). De este modo, Bel(L
t
= l) eval ua la distribu-
ci on de probabilidad en un punto concreto l, y se interpreta como la creencia del robot de estar en
la posici on l en el instante de tiempo t.
La distribuci on de probabilidad Bel(L
t
) se inicializa en t=0 en funci on del conocimiento que se
tenga sobre la posici on inicial del robot. En el caso de que esta sea conocida y de valor l
0
, Bel(L
0
)
ser a una funci on delta centrada en dicha posici on l
0
. En el caso contrario de no tener ninguna in-
formaci on sobre la posici on inicial del robot, Bel(L
0
) ser a una distribuci on uniforme a lo largo de
todo el espacio L.
El m etodo de Markov consiste en actualizar la distribuci on de probabilidad sobre la posici on del
robot Bel(L
t
), cada vez que se produzca alguno de los dos siguientes sucesos:
Cuando el robot se mueve. En este caso, la actualizaci on de Bel(L
t
) se realiza mediante el
modelo de movimiento del robot.
Cuando el robot realiza alguna medida con sus sensores. En este caso, la actualizaci on de
Bel(L
t
) se realiza mediante el conocido como modelo de percepci on del robot.
Modelo de movimiento
El movimiento del robot se modela mediante una funci on de probabilidad condicional p(l
|l, o),
que indica la probabilidad de que la nueva posici on del robot sea l
si anteriormente se encontra-
ba en la posici on l, y se ha medido un desplazamiento o desde dicha posici on con los sistemas
odom etricos del robot.
El modelo de movimiento utilizado en esta aplicaci on para el robot se basa en la cinem atica de una
plataforma con tracci on diferencial. Sup ongase que el robot realiza un movimiento caracterizado
por una rotaci on a
rot
(variaci on de la orientaci on) y una traslaci on a
tras
(espacio avanzado), de
forma que la acci on de control ejecutada es el vector a = (a
rot
, a
tras
). Si estas dos magnitudes
pudieran conocerse exactamente, sin ning un tipo de error, un modelo cinem atico sencillo para
determinar la nueva posici on l
tras ejecutar la acci on a desde la posici on l sera el siguiente:

_
_
_
x
_
_
_ =
_
_
_
x +a
tras
cos( +a
rot
)
y +a
tras
sin( +a
rot
)
+a
rot
_
_
_ (17)
En la pr actica, estas acciones de control se miden a trav es de los sistemas odom etricos, que intro-
ducen un cierto error de medida. Llamando o = (o
rot
, o
tras
) a la rotaci on y traslaci on medidas por
los sistemas odom etricos, y conociendo la posici on de partida del robot l, la funci on de probabili-
dad p(l
|l, o) puede calcularse con los siguientes pasos:

1. De las ecuaciones cinem aticas del robot, y tomando l
y l como posiciones nal e inicial, se

obtiene la acci on de control real necesaria para que se haya producido dicho movimiento.
2. A partir de los sistemas odom etricos se obtiene el movimiento real o medido por el robot.
3. Mediante alg un modelo del ruido introducido por los sensores, (modelos tpicos son los tri-
angulares o gaussianos), se obtiene la probabilidad de que habiendo medido o, la acci on de
control real sea a. Esta probabilidad, p(a|o), coincide con la probabilidad p(l
|l, o) buscada.
Cada vez que el robot realiza un movimiento, del cual toma una medida o mediante sus sistemas
odom etricos, la distribuci on de probabilidad sobre la creencia de su posici on, Bel(L
t
) debe ser ac-
tualizada. Para ello, en cada punto l
del espacio de movimiento L debe calcularse la probabilidad

de ser la nueva posici on del robot, integrando el producto de la probabilidad de estar anteriormente
en otra posici on l por la probabilidad de haber pasado de l a l
si la medida del sistema odom etrico

es o (dada por el modelo de movimiento p(l
|l, o)) a lo largo de todo el espacio L:

Bel(L
t
= l
) =
_
L
p(l
|l, o)Bel(L
t1
= l)dl (18)
(f) Estimaci on
Una parte importante de las investigaciones es la actuaci on con antelaci on para evitar posibles
problemas, como por ejemplo, que la gente no salga del camino o que las personas no se separen
del grupo. En la mayora de los trabajos estudiados [3, 7] se han estimado las posiciones y las
velocidades de las personas y los robots con un Filtro de Partculas Gaussiano.
El problema consiste en la estimaci on de estados din amicos del sistema no lineal estoc astico,
basado en una serie de observaciones. El modelo puede ser descrito como:
x
n
= f(x
n1
, u
n
) (ecuaci on del proceso)
y
n
= h(x
n
, v
n
) (ecuaci on de las observaciones) (19)
Donde f() y h() son funciones conocidas, y u
n
y v
n
son vectores de ruido aleatorio de una
distribuci on conocida. La ecuaci on de proceso representa un sistema de tiempo n, donde es repre-
sentado por un estado oculto x
n
. Denotamos x
0:n
y y
0:n
la se nal de observaci on en el tiempo n,
respectivamente, i.e., x
0:n
:= {x
0
, . . . , x
n
} y y
0:n
:= {y
0
, . . . , y
n
}. El objetivo es estimar recursi-
vamente en el tiempo: (i) la distribuci on del ltro p(x
n
|y
0:n
) en el tiempo n, (ii) la distribuci on de
la predicci on p(x
n+1
|y
0:n
), ambas se pueden escribir como:
p(x
n
|y
0:n
) = C
n
p(x
n
|y
0:n1
)p(y
n
|x
n
) (20)
C
n
=
__
p (x
n
|y
0:n1
) p (y
n
|x
n
) dx
n
_
1
p(x
n+1
|y
0:n
) =
_
p(x
n+1
|x
n
)p(x
n
|y
0:n
)dx
n
(21)
Ver gura 6 donde se muestran el funcionamiento del ltro de partculas utilizado.
El ltro de partculas gaussiano aproxima las distribuciones de 20 y 21 con densidades gaussianas
usando la metodologa del ltro de partculas. Se calculan M partculas X = x
(1)
n
, . . . , x
(M)
n
de una distribuci on de muestreo (x
n
). Las partculas tienen un peso asociado como w
(j)
=
(p(x
(j)
n
))/((x
(j)
n
)). Si W =
_
w
(1)
, . . . , w
(M)
_
, el conjunto (X, M) representa las muestras de
Figura 6: Secuencia general del Importance Sampling Particle Filter.
la distribuci on posterior p(x
n
).
Los algoritmos que describen el proceso se encuentran descritos en alg. 1 y 2.
Algorithm 1 Actualizaci on de las medidas
1: Dibujar las muestras de la funci on (x
n
|y
0:n
)
_
x
(j)
n
_
M
j=1
2: Normalizar los pesos como
w
(j)
n
=
w
(
n
j)
M
j=1
w
(j)
n
(22)
3: Estimaci on de la media y la covariancia:
n
=
M
j=1
w
(j)
n
x
(j)
n
n
=
M
j=1
w
(j)
n
(
n
x
(j)
n
)(
n
x
(j)
n
)
T
(23)
Algorithm 2 Actualizaci on en el tiempo
1: Dibujar las muestras N(x
n
,
n
,
n
)
_
x
(j)
n
_
M
j=1
2: for j=1,. . . ,M do
3: muestrear p(x
n+1
|x
n
= x
(j)
n
) para obtener
_
x
(j)
n+1
_
M
j=1
4: end for
5: Calcular la media
n+1
y la covariancia

n+1

n+1
=
1
M
M
j=1
x
(j)
n+1
n+1
=
1
M
M
j=1
(
n+1
x
(j)
n+1
)(
n+1
x
(j)
n
)
T
(24)
2.3.2. Guiado con un Robot
GU
IA DE ANIMALES
Existen varios trabajos que han investigado como llevar a un grupo de personas con un robot [9,
14], sin embargo, los primeros trabajos se realizaron con grupos de patos [68, 71].
En [68, 71] se presenta un sistema completo de un robot que controla el comportamiento de otro
sistema inteligente con la presencia de la variabilidad, la incertidumbre y el ruido. Los robots uti-
lizados en el Proyecto Sheepdog demostraron la capacidad de recogida de una manada de patos y
la realizaci on de maniobras con seguridad hacia un objetivo predeterminado.
El uso de los patos en lugar de ovejas permite experimentar en un ambiente controlado. El com-
portamiento de los grupos de patos es reconocido por los pastores como similar al de las ovejas;
los patos se utilizan a menudo para formar a los perros de pastoreo, debido a su movimiento relati-
vamente lento. Con el n de identicar las interacciones entre el robot y los animales, se dise n o un
modelo generalizado de los comportamientos del grupo. La hip otesis presentada es la siguiente: si
el modelo capta con precisi on la base del comportamiento, a continuaci on, el sistema que controla
el modelo debe controlar el comportamiento del mundo real.
Modelos del comportamiento de manadas existen en la literatura y generalmente son derivados
de las observaciones de Hamilton, las manadas vienen producidas por la acci on en masa de los
animales individuales, cada uno ellos buscando la proximidad de sus vecinos m as cercanos [71].
M as tarde se sugiri o que este comportamiento puede ser modelado por una fuerza atractiva entre
los animales, con la magnitud de la atracci on variando con el cuadrado del inverso de la distancia
entre los animales [69, 70]. Est a argumentado que la relaci on representa una respuesta lineal de
la informaci on sensorial, que a su vez vara con el inverso del cuadrado de la distancia. Modelos
similares han producido animaciones realistas de bandadas de p ajaros [70].
Estas ideas est an familiarizadas con la rob otica, donde se utilizan t ecnicas de campos potenciales
para la navegaci on [39]. Esta clase de algoritmo utiliza la analoga de las fuerzas que act uan sobre
las partculas, de tal modo que el robot se mover a como si se tratara de una partcula, atrado o
repelido seg un las caractersticas de su entorno. Un robot suele ser atrado hacia un objetivo y
repelido de los obst aculos.
Los sistemas experimentales, normalmente, est an compuestos por un vehculo robot, una estaci on
de trabajo y una c amara de vdeo (Figura 7). Los robots est an dise nados para trabajar en ambientes
preparados para los patos.
Figura 7:

Area de trabajo para el guiado de patos.
El vehculo y los patos se mueven libremente en un area de visi on, el area de trabajo era un crculo
de siete metros de di ametro. La posici on y la orientaci on del robot, y la posici on y el tama no de la
manada vienen determinados por la tramitaci on de la imagen de video. Debe tenerse en cuenta que
el sistema de visi on determina s olo el centro de masa (y radio) de la manada y no las posiciones
de cada uno de los p ajaros. Se constat o que el vector del robot al centro del grupo se aproximaba
a la resultante de los vectores del robot a cada p ajaro, informaci on necesaria para realizar los ex-
perimentos.
El controlador del robot utilizaba un algoritmo del control de la manada, el cual guiaba hacia la
salida del crculo a los patos. Este algoritmo tiene la visi on los datos (posiciones del robot R, de la
manada F y del objetivo G) como entrada y vuelve una trayectoria deseada para el vehculo (R, F,
G) r.
Las observaciones de las velocidades y del rumbo se comparen con r, y la nueva velocidad de las
ruedas vienen determinadas por la funci on:
_
R
left
R
right
_
=
_
|r| +
D
2
(
r)
|r|
D
2
(
r)
_
(25)
Donde es el rumbo actual del robot, D es la distancia entre las ruedas y

r es la direcci on de las
ruedas.
Dada la posici on de los patos D, la posici on de N patos D
1N
, la posici on del robot R y el ultimo
punto de la pared W, el vector de movimiento de grupo de patos d se determina por la funci on
mostrada en la gura 8. El grupo cumple: (i) se atraen los unos a los otros, agreg andose al grupo,
(ii) se repelen entre ellos, previniendo colisiones entre ellos y respetando sus distancias, (iii) se ale-
jan de los muros previniendo colisiones, (iv) se producen repulsi on del robot. Todas estas fuerzas
son escaladas de acuerdo con el cuadrado inverso de la distancia, y cada pato se mueve de acuerdo
a la resultante de las fuerzas que act uan sobre ellos.
Figura 8: Modelo del grupo (esquem atico, no dibujado en escala). Par ametros de ganancia K
14
; cam-
bio de par ametro L; posici on del grupo de los patos D, posicion de un subgrupo de patos D
n
; posici on
del robot R; punto m as cercano al muro W; t erminos del algoritmo (1 4) y la resultante d (donde a es
el vector unitario de a).
Hay dos estudios paralelos sobre como un robot gua un grupo de patos. En el primer experimento,
el vector de movimiento r viene dado por la gura 9. El robot es (1) atrado por cada pato con una
magnitud proporcional a su distancia mutua. Esta fuerza hace que el robot avance hacia el grupo.
Una segunda fuerza (2) repele el robot de cada uno de los patos con una magnitud proporcional al
inverso del cuadrado de sus distancias, esto evita las colisiones. La resultante de estas dos fuerzas
crea una orbita circular de potencial cero alrededor del centro del grupo de animales. Otra fuerza
(3) repele el robot de la posici on con una magnitud constante. Como consecuencia la orbita alrede-
dor del grupo tendr a un mnimo detr as de la formaci on respecto a la meta.
En el segundo experimento, la distancia |GF| (v eanse las guras 9 y 10) es la variable del sistema
que se intenta controlar, es decir, reducir a cero. En un controlador cl asico, una salida de control
se aplicar a para corregir la variable, con una magnitud proporcional al tama no del error. Si se in-
troduce este t ermino en el controlador del grupo, se puede dise nar un sistema similar, mediante
el cual se repele el estmulo experimentado por los patos, que es proporcional a la distancia de
la meta. Esto debera reducir al problema de oscilaci on sobre el objetivo causado por una se nal
excesiva de control.
El vector de movimiento del robot r viene dado por la funci on que se muestra en la gura 10. El
robot es (1) atrado hacia el grupo con una magnitud proporcial a la distancia hasta la meta; (2)
repelido de la meta con una magnitud constante.
Figura 9: M etodo 1 (esquem atico, no dibujado a escala). Par ametros de ganancia K
13
; centro del
grupo F; posici on del robot R; posici on de la meta G; t erminos del algoritmo 1 3 y la resultante r
(donde a es el vector unitario de a).
Figura 10: M etodo 2 (esquem atico, no dibujado a escala. Par ametros de ganancia K
12
; centro del
grupo F; posici on del robot R; posici on de la meta G; t erminos del algoritmo 1 3 y la resultante r
(donde a es el vector unitario de a).
GU
IA DE PERSONAS
Desde el comienzo de los robots biol ogicamente inspirados, los investigadores se han sentido fasci-
nados por la posibilidad de la interacci on entre un robot y su entorno, y de la posibilidad de robots
que interact uan entre s. Estos grupos de robots sociales est an orientadas a maximizar benecios
(por ejemplo, las tareas de ejecuci on) mediante la acci on colectiva. La investigaci on descrita hasta
el momento utiliza los principios de auto-organizaci on y el comportamiento social inspirado en
las sociedades de insectos himen opteros. Estas sociedades son an onimas, grupos homog eneos en
los que un unico elemento no importa. Este tipo de comportamiento social ha demostrado ser
un atractivo modelo para la rob otica, sobre todo porque permite a grupos de robots relativamente
sencillos realizar tareas difciles.
El desarrollo de un robot como individuo social requiere el uso de modelos y t ecnicas diferentes
de grupos sociales de robots colectivos. En particular, el aprendizaje y la imitaci on social, los
gestos y el lenguaje natural de comunicaci on, la emoci on y el reconocimiento de la interacci on de
todos los socios, son factores importantes. Por otra parte, la mayora de la investigaci on en este
ambito se ha centrado en la aplicaci on de la conducta social. De este modo, los robots sociales son
generalmente concebidos como asistentes, compa neros, o animales de compa na.
Los estudios realizados en robots que guan a humanos se han desarrollado en museos [9], en esta-
ciones de trenes [27], en ocinas [18] o en hospitales. Las funciones que llevan a cabo los robots
en dichos trabajos son su propia localizaci on, la navegaci on y la evitaci on de obst aculos (est aticos
y din amicos) en los entornos cerrados.
Los principales comportamientos que desempe nan los robots son los siguientes:
1. El primer comportamiento del robot es evitar colisiones, para ello se aplica la relantizaci on
de la velocidad del robot. Si el obst aculo no gura en el mapa (y por lo tanto es probable que
sea una persona), el robot utiliza su l aser para detectar el obst aculo m ovil [14].
2. El siguiente comportamiento es encontrar una ruta que rodee a la persona para evitar coli-
siones con ella, y al mismo tiempo se modicar a el mapa.
3. Si el bloqueo persistiera y no existiera un desvo local, la modicaci on del mapa conducira,
unos segundos m as tarde, a un desvaci on global. El robot se desplaza m as lejos y escoge el
segundo mejor camino global.
2.3.3. Guiado con m ultiples Robots
Figura 11: Perro ovejero que gua a los gansos gracias a sus movimientos de lado a lado por detr as de
la manada.
Los estudios realizados sobre la conducta que debe tener el gua para conducir animales a las posi-
ciones deseadas, han sido el origen que nos ha servido de ejemplo para lograr guiar a un grupo de
personas [5, 8, 11, 19, 42].
El modelado y la simulaci on del comportamiento de reba nos ha sido estudiado por muchos investi-
gadores en diversos campos, como la rob otica, el control, o la biologa, [43, 61]. En general, es necesario
considerar una teora compleja para tratar los comportamientos imprevisibles y complejos. En el modelo
presentado en [54] se muestra con detalle el comportamiento de un reba no gracias a la interacci on entre
simples comportamientos particulares.
Por otra parte, en el pastoreo se investiga el comportamiento que el pastor debe tener para conducir a las
manadas. El pastoreo es guiar o controlar la conducta de un grupo con la ayuda de uno o m as agentes
externos que se llaman shepherds [36]. El pastoreo es util para una amplia variedad de campos.
En [43] se intenta controlar el grupo con mecanismos m as simples, adecuados para la implementaci on de
robots aut onomos. La propuesta del mecanismo de pastoreo se basa en las fuerzas de reacci on entre los
individuos. El comportamiento de un pastor se deriva del simple mecanismo basado en la informaci on
local observable en el entorno.
En [54] describen un modelo que representa de manera realista un comportamiento complejo de un grupo
y el comportamiento del pastoreo con un n umero de normas:
Comportamiento de los individuos del grupo que se pastorea:
1. Cohesi on: Se intenta estar lo m as cercano posible a los vecinos.
2. Separaci on: Se evita la colisi on con los vecinos o los obst aculos.
3. Escapar: Escapar de los pastores.
4. Acci on aleatoria: Comportarse independientemente de las reglas 1 y 2 con cierta aleatoriedad.
Donde la norma 3 ha de prevalecer m as alto y la norma 4 se a nade para representar de manera realista
el comportamiento de una manada. El comportamiento de la manada se genera sobre la base de estas
normas. Un miembro de la manada reacciona con los otros miembros del conjunto solo dentro de un
determinado entorno a su alrededor, y reacciona a los pastores dentro de una determinada area entorno a
s misma. La primera se llama area de zona personal y la segunda es la zona de seguridad.
Maniobras de pastoreo:
1. Guiado: Guiar a un conjunto hacia una direcci on objetivo dada por un supervisor.
2. Uni on del conjunto: Hacer retroceder a uno de los individuos del reba no al grupo.
3. Mantenimiento: Mantener una cierta distancia entre los miembros de la manada a n de evitar la
perturbaci on del grupo.
4. Cooperaci on: Evitar la superposici on de los pastores.
Un pastor reacciona seg un la posici on de los dem as pastores en una determinada area alrededor de s mis-
mo, la cual es introducida para evitar la superposici on entre ellos, y buscan al miembro del grupo en una
zona determinada en torno a s mismo. La primera zona se llama zona de manipulaci on y la segunda
zona de observaci on.
A continuaci on se presentan los algoritmos que denen las conductas: llegar a la meta, navegaci on,
atravesar pasillos estrechos y pastoreo. Los dos primeros comportamientos inuyen en la direcci on del
grupo,llegar a un objetivo pre-denido (llegar a la meta), intentar cubrir (navegaci on) todos los ambitos
del medio o buscar un objetivo cuya ubicaci on se desconoce. El paso de pasillos estrechos es un com-
portamiento que inuye en el modo de posicionamiento de los miembros de la manada en relaci on a
cada uno cuando los dem as se mueven a trav es del paso. En el pastoreo, un agente externo controla el
movimiento de la manada.
Comportamiento 1: Llegar a la meta
El comportamiento llegar a la meta suele ser simulado mediante la adici on de una fuerza atracti-
va hacia el objetivo nal. Sin embargo, este m etodo puede ser f acilmente atrapado en un mnimo
local. Un m etodo com unmente usado en juegos de ordenador que requieren el movimiento de un
grupo de objetos se basa en el algoritmo A
. En este enfoque, el medio es discretizado en peque nas

cuadrculas y la b usqueda del camino del grupo se basa en la expansi on hacia el vecino de los no-
dos ya visitados m as prometedor. A pesar que el algoritmo de b usqueda A
encuentra los caminos

m as cortos, tiene inconvenientes. De particular importancia, existe la necesidad de encontrar un
camino completamente nuevo para cada nueva meta, lo cual reduce la eciencia e incrementa el
tiempo de c alculo para entornos complejos.
En [5], se utiliza un probabilistic roadmap planner (PRM) para encontrar un camino para el grupo.
Una de las ventajas de PRM es que los caminos obtenidos tienden a tener grandes espacios libres
de obst aculos. Una vez se encuentra el camino, los agentes deben seguir la ruta. El camino est a di-
vidido en un conjunto de sub-caminos (identicados como sub-metas), basados en los sensores
individuales de los agentes. Cada miembro guarda la posici on de los sub-objetivos; tan pronto co-
mo un sub-objetivo entra en el campo de visi on de uno de los sensores, el siguiente sub-objetivo
se convierte en el sentido de direcci on para el objetivo global.
El comportamiento de llegar a la meta se describe en el algortimo 3.
Algorithm 3 Llegar a la meta
1: if la meta est a en el campo de visi on then
2: Fijar meta como objetivo
3: else
4: if Objetivo est a en el campo de visi on then
5: Fijar la siguiente sub-meta como objetivo
6: end if
7: end if
8: Dirigirse hacia el objetivo
Comportamiento 2: Navegaci on
Existen diferentes variantes para la navegaci on. Por ejemplo, los agentes pueden utilizar buenos
datos a priori sobre el medio y pueden estar buscando objetos cuya ubicaci on se desconoce, o el
medio puede ser desconocido. El objetivo de la conducta de navegaci on es para recoger informa-
ci on sobre el medio. Se considera como comportamiento la b usqueda de un objetivo y avanzar
hacia este, una vez que se encuentre. Se realiza un path planning y se pondera cada nodo del grafo.
Las ponderaciones representan la relevancia de las aristas para la tarea actual, a n de lograr el ob-
jetivo. Este comportamiento es similar a las colonias de hormigas (ant colony optimization, ACO),
donde las hormigas depositan feromonas para indicar las rutas.
En el comportamiento de b usqueda del objetivo a pesar que los agentes tienen informaci on del
mundo que les rodea (por lo menos a nivel local) no saben la ubicaci on de la meta. Si un individuo
llega a un lugar donde el objetivo est e dentro del alcance de sus sensores, su localizaci on se comu-
nica a los otros miembros y luego se trata de alcanzar el objetivo.
Cuando un agente se desplaza a lo largo de un camino, recuerda la ruta; cuando se llega a una
meta, aumenta el peso de los bordes de la ruta que tom o. Si el individuo llega a una hoja de ruta sin
ning un tipo de conexiones salientes del nodo,es decir, con una sola arista, o un nodo que ya gura
en el actual camino (es decir, un ciclo), el peso de las aristas que ha seguido ser a disminuido. El
algoritmo de este planteamiento se resume en el algoritmo 4 .
Este algoritmo puede ser implementado mediante dos reglas diferentes. La primera norma estable-
cida es para todos los nodos del grafo de ruta, excepto el objetivo, se a naden los nodos visitados
a la hoja de ruta del agente. La segunda regla s olo ser a ejecutada si el agente llega a la meta, y la
tarea de este es aumentar el peso de las aristas que ha utilizado. A continuaci on, el siguiente obje-
tivo se establece como el segundo punto nal de la arista y esta informaci on se a nade al camino, a
n de que las aristas prometedoras puedan ser actualizadas si los agentes llegan a la meta.
Algorithm 4 Buscar la meta
1: for Cada robot gua do
2: if Se ha encontrado la meta then
3: Incrementar el peso de las aristas hasta la meta.
4: else
5: if Llega a un nodo nal y no es la meta then
6: Parar mientras se busca un nuevo nodo.
7: Disminuir el peso de las aristas que conducen hasta dicho nodo.
8: else
9: Escoger un nodo vecino del actual
10: Colocar el nodo en la lista
11: end if
12: end if
13: end for
Comportamiento 3: Atravesar pasillos estrechos
En algunas ocasiones el comportamiento del grupo depender a del entorno que le rodee. Por ejem-
plo, se deben utilizar diferentes formaciones si se trabaja en zonas relativamente abiertas o cuando
se pasan por regiones estrechas.
Un m etodo para lograr pasar por zonas donde su recorrido es estrecho es utilizar el comportamien-
to de llegar hasta la meta y seleccionar dos nodos como objetivos, primero un nodo delante de la
entrada del pasillo y, acontinuaci on, un nodo fuera de la salida del paso. Un inconveniente de este
enfoque es que los miembros del grupo pueden colisionar al querer desplazarse por el pasillo al
mismo tiempo.
La estrategia de seguir al lder puede evitar los problemas de congesti on. En esta estrategia, primero
se reune a los miembros del grupo delante del pasaje estrecho y, acontinuaci on, se selecciona el
agente m as cercano al paso de entrada del pasillo como lder. Despu es, los restantes miembros se
colocan en una la para seguir al lder. Su posici on en la cola depende de su distancia a la entrada
del pasillo.
Algorithm 5 Pasillos estrechos
1: while No todos los miembros est en en el area de entrada do
2: Meta individual area de entrada
3: end while
4: while Hay miembros fuera del pasillo do
5: Seleccionar el robot m as cercano como: Sub-lder
6: if Lder no es Sub-lder then
7: Sub-lder Lder
8: Nuevo objetivo del Lder ser a el nuevo paso del camino
9: else
10: Meta del Lder ser a la anterior
11: end if
12: Incrementar el umbral de elusi on de vecindad
13: end while
Comportamiento 4: Pastoreo
Se ha observado dos clases de comportamientos, en el primer caso, los agentes se mueven hacia
un objetivo conjunto; es decir, como una manada. En el segundo caso, los miembros del grupo
estudian y planican sus propuestas por separado. En cierto sentido, el grupo tena el control del
movimiento.
Para mover el reba no hacia el objetivo, el agente dirige la manada desde atr as. Si alg un subgrupo
se separa de la manada, es trabajo del agente mover el subgrupo hacia la manada. Dicho enfoque
se presenta en el algoritmo 6.
Algorithm 6 Pastoreo
1: Enconrar un camino en el grafo del roadmap
2: while La meta no se haya alcanzado do
3: Seleccionar el siguiente nodo del camino como sub-meta
4: while La sub-meta no haya sido alcanzada do
5: Colcarse en la parte trasera del grupo
6: if El grupo se separa then
7: Mover el subgrupo que est e m as lejos del sub-goal hacia el resto del grupo
8: end if
9: end while
10: end while
Secci on 3 Trabajo en Curso 29
3. Trabajo en Curso
Como se ha mencionado en diferentes ocasiones en el presente trabajo, la investigaci on se ha centrado en
el guiado de personas mediante el trabajo cooperativo de dos o m as robots. La parte que se ha estudiado
con m as profundidad es la creaci on de un modelo que represente el area de trabajo de los robots, i.e,
la representaci on de las posiciones de las personas, sus movimiento, y las posiciones de los obst aculos
m oviles (robots, coches...) y los obst aculos est aticos (edicios, bancos, papeleras . . . ). Dicho modelo se
llama Dynamic model of Local Enviorment (DLE).
Parte de la motivaci on del trabajo se ha desarrollado en el entorno del proyecto URUS [57]. El objeti-
vo de este proyecto es planicar diferentes tareas de manera cooperativa con robots m oviles, como por
ejemplo, robots acompa nantes, robots en evacuaci on o robots guas. El modelo propuesto se utiliza para
guiar un grupo de personas en las zonas urbanas con dos robots, el primero de ellos es el lder, sus tareas
son calcular la trayectoria estimada y dirigir el grupo; est a situado en la parte frontal de la formaci on.
El segundo robot llamado shepherd robot, es el responsable que el grupo de personas sigan la ruta y
guiar a las personas que han salido de ella. El modelo DLE utiliza t ecnicas de ltrado como el ltro de
Kalman [73] y el ltro de partculas (PF) [3, 7, 37, 53], estas t ecnicas se han aplicado al problema de
estimaci on de la posici on de los robots m oviles y las personas y as permitir que los robots act uen con
tiempo suciente para lograr sus objetivos.
El modelo DLE consta de una componente din amica y una componente est atica. La componente din ami-
ca es el estudio de los movimientos que deben realizar los robots para lograr su misi on. La componente
est atica se utiliza para especicar la posici on y velocidad de las personas, los robots y los obst aculos, y
las orientaciones de los objetos m oviles (personas y robots), dicha componente consta de la malla regular
con 8-vecinos, la tensi on se calcula en cada nodo de la malla seg un la posici on de las personas, de los
robots y de los obst aculos, dicha tensi on ser a la representaci on de la distribuci on de las personas, los
objetos y los obst aculos en la malla. En los nodos hay tambi en representados los vectores directores que
indican la tendencia del movimiento de las personas.
3.1. Hip otesis preliminares
Parte del objetivo de nuestro trabajo es estimar las posiciones de la gente para colocar al robot en las
mejores condiciones para orientar al grupo de personas. Por lo tanto, antes de comenzar a trabajar con
el problema, debemos considerar algunas hip otesis preliminares, como por ejemplo, que la velocidad
del robot cambia gradualmente, no hay aceleraciones y desaceleraciones abruptas. Si v es la direcci on
del robot gua, las direcciones de circulaci on de las personas estar an en un cono con una obertura de
grados, donde [15, 15] grados.
La zona urbana de trabajo que se ha considerado es el campus Nord de la Universidad Polit ecnica de
Catalunya (UPC) de alrededor 10000m
2
, v ease la gura 12.
Vamos a considerar como obst aculos est aticos los edicios, bancos o macetas, y obst aculos din amicos
los robots m oviles. En un estado inicial no se tendr an en cuenta los autom oviles o camiones para simpli-
car el problema.
Para crear el modelo DLE se trabaja con una malla regular con 8 vecinos, v ease la gura 13. Esta malla
se puede considerar como un grafo plano G = (V, E). La distancia entre los nodos es de 25 cm, y el
tama no total del grafo depender a del n umero de personas en el grupo, se considera que el espacio vital de
las personas es un crculo de 1 metro de di ametro. En un grupo de personas que se desplazan de manera
Figura 12: Campus-Nord UPC, Tech Robot Lab
calmada se dividir an en las de 3 a 5 personas .
Figura 13: Malla regular 8-vecinos.
3.2. Componente Est atica del modelo DLE
3.2.1. C alculo del grafo
Posici on del grafo Se ha desarrollado un algoritmo para la elecci on, de entre las diferentes posiciones
de la gradilla, la posici on que cubra el mayor espacio libre evitando los obst aculos, este algoritmo se
basa en [28].
El algoritmo recibe una entrada que corresponde a la posici on de la malla y devuelve un entero cor-
respondiente al grado de penetraci on del grafo en los obst aculos. El c alculo se realiza para diferentes
gradillas desplazadas en el mismo eje, y se elegir a la posici on que tenga el grado de penetraci on m as
bajo.
Tensi on de los nodos Para permitir que el robot tome decisiones es necesario almacenar tensiones en
los nodos del grafo, estas tensiones se calcular an seg un las posiciones de las personas, robots y obst acu-
los.
Tensi on en los obst aculos: Para evitar la colisi on entre los robot y los diferentes obst aculos, se
almacenar a tensi on innita en los nodos del grafo que est en en el interior del obst aculo y los que
Algorithm 7 C alculo del grado de penetraci on
Require: Posici on del grafo en el mundo
1: Detectar todos los puntos en la escena. Ver gura 14(a)
2: j 1
3: while Existen puntos de colisi on do
4: Identicar todos los puntos adyacentes a uno o m as puntos que no colisionan con el obst aculo,
marcarlos como puntos bordes: n
j
1
. . . n
j
m
j
. Ver gura 14(c),(d)
5: for i=1 to m
j
do
6: n
j
i
2
j
7: end for
8: Marcar el conjunto n
j
1
. . . n
j
m
j
como puntos de no colisi on
9: j j + 1
10: end while
11: grado
penetracion
j,i
n
j
i
12: return grado
penetracion
Figura 14: Proceso del algoritmo 7 (los cuadros grises son la representaci on de los obst aculos). (a)
Superposici on original entre el obst aculo y el grafo; (b) Nodos bajo colisi on; (c) Nodos bajo colisi on
conectados con un nodo de libre colisi on; (d) Nodos considerados en superposici on despu es de unos
pasos del algoritmo
se encuentren a una distancia de 0,5 metros del obst aculo tendr an una tensi on de: T
obstacle
= .
Tensi on de los Robots: Se trabajar a con robots que miden un metro de di ametro, por lo tanto, para
una mayor seguridad, se considerar a un di ametro de 1,5 metros. La tensi on de los nodos que est en
en el primer permetro ser a innita, los nodos x
i
que est en en el segundo permetro tendr an una
tensi on:
T
robot
j
=
k
robot
j
x
i
p
(26)
Donde x
i
es el nodo sobre el que se calcula la tensi on, p es el nodo que representa el centro del
robots, k
robot
j
es una constante que determina al robot j.
Se debe mencionar que seg un la velocidad de un robot, la zona de tensi on en la parte delantera
aumenta. La distancia que un vehculo cubre desde el momento de frenada hasta pararse depende
de varios factores (estado de las carretera, neum aticos, humedad . . . ).
Tensi on de las personas: B asandose en [78] las personas tenemos un espacio vital dependiendo de
las situaciones en las que nos encontremos, para poder trabajar se ha considerado que las personas
tienen un crculo de 0,5 metros de di ametro. Los nodos x
i
que est an en dicho permetro tendr an la
siguiente tensi on:
T
people
j
(x
i
) =
k
people
j
x
i
p
(27)
Donde x
i
es el nodo sobre el que se calcula la tensi on, p es el nodo que representa el centro de la
persona, k
people
j
es una constante que determina a la persona j- esima.
Sin embargo, se debe mencionar que el espacio fsico de una persona es de aproximadamente
60x25 cm, [17], por esta raz on, los nodos que ocupen la zona fsica de una persona tendr an tensi on
innita.
La tensi on total en un nodo x
i
ser a:
T
total
(x
i
) = T
obst
(x
i
) +T
rob
(x
i
) +T
people
(x
i
) (28)
En las aristas del grafo se almacenar an los vectores directores que indican la tendencia de movimiento
de las personas, el m odulo del vector vendr a determinado por la velocidad de las personas, estos vec-
tores se extender an a lo largo del grafo, reduciendo a la mitad su m odulo para cada arista que se extienda.
3.3. Componente Din amica del modelo DLE
Una parte importante del trabajo es la variaci on del grafo a lo largo de tiempo, una vez se conoce el
m etodo del c alculo de tensiones y el emplazamiento de la malla, se pretende explicar la representaci on
de los datos en el tiempo.
Para cada instante de tiempo t se estudia la imagen de la situaci on y se calcula el modelo de repre-
sentaci on. El objetivo del modelo DLE es conocer la variaci on de movimiento del grupo de personas
para permitir al robot actuar para conseguir el objetivo deseado, esto es, para que las personas sigan la
trayectoria del robot lder.
En el momento inicial, las personas est an esperando las ordenes del robot. Cuando el grupo empieza a
moverse, cada t se realiza una nueva fotografa para actualizar la situaci on de trabajo. En cada paso
se calcula la posici on optima del grafo y las tensiones. Entre los intervalos de tiempo, la posici on de las
personas ser a estimada con un Filtro de Partculas Gaussiano. Para observar los cambios de grafo a lo
largo del tiempo ver gura 15 donde se muestra como varan las posiciones del grafo y de las personas a
lo largo del tiempo.
Figura 15: Variaci on de posiciones a lo largo del tiempo.
3.4. Resultados
Se han realizado simulaciones con dos robots guiando a un grupo de cinco personas en un mapa 2D sin
obst aculos, donde el grupo debe llegar a su meta. La gura 16 se muestran diferentes instantes del tiempo
de simulaci on. En cada sub-gura, se muestra la posici on de las personas, a la izquierda, y el c alculo de
las tensiones en los nodos del grafo, parte derecha.
3.5. Conclusiones
El trabajo realizado se ha centrado en la descripci on del modelo DLE para lograr guiar a las personas
en zonas urbanas con un conjunto de robots m oviles trabajando de manera cooperativa. El trabajo con el
modelo DLE permite al robot actuar sin la necesidad de estar observando constantemente los movimien-
tos de las personas con la ayuda del ltro de partculas.
El siguiente paso de la investigaci on ser a aplicar las t ecnicas de guiado, explicadas en las secciones
anteriores, con la ayuda del modelo DLE.
(a)
(b)
(c)
(d)
Figura 16: (a) Situaci on inicial, las personas esperan las ordenes de los robots. (b)Situaci on del grupo
unos instantes posteriores, el robot ovejero debe colocarse a la izquierda del grupo ya que hay un indi-
viduo que intenta alejarse de la formaci on. (c) Unos segundos m as tarde, el robot ovejero debe moverse
de nuevo a la izquierda del grupo porque hay dos individuos que se alejan del grupo. (d) Las personas
siguen al robot gua a lo lardo del camino deseado.
Secci on 4 Plan de trabajo 35
4. Plan de trabajo
En la gura 17 se presenta el diagrama de Gantt para la propuesta del plan de trabajo de la tesis.
Los elementos de la gura se explican a continuaci on:
Estado del Arte Se estudi o la literatura escrita hasta el momento sobre las t ecnicas de guiado para
personas y animales, la rob otica cooperativa y diferentes ramas de su estudio, y las teorias necesarias
para crear el modelo de representaci on.
An alisis de representaci on para el guiado Antes de empezar a trabajar con las t ecnicas de guiado, es
necesario crear una representaci on optima del area de trabajo de los robots, y la creaci on de un modelo
din amico que permita al robot ser capaz de tomar decisiones y actuar con suciente antelaci on. Para ello,
se han estudiado los diferentes trabajos de representaciones para poder crear el que mejor se acomode al
problema.
Dise no de un modelo de representaci on Una vez se han estudiado los diferentes modelos ya exis-
tentes, se ha dise nado un nuevo modelo para que los robots sean capaces de guiar a grupos de personas.
Proyecto de tesis El presente trabajo se ha realizado a lo largo de los meses de julio, agosto y septiem-
bre , en el se ha explicado el estado del arte de los robots guas a personas desde sus inicios.
Simulaci on y vericaci on del modelo Una vez se ha desarrollado el modelo de representaci on, se
implementar a en entornos simulados para poder estudiar su comportamiento en diferentes ambientes y
situaciones y valorar si los resultados son los esperados.
DEA La presentaci on del DEA se espera que sea en los meses de octubre-noviembre, en ella se ex-
plicar an los avances en la tesis, y se presentar an los trabajos realizados en los cursos de doctorado.
Dise no de estrategias de guiado de personas mediante robots Una vez se haya comprobado la
validez del modelo, se estudiar an las diferentes estrategias de guiado, ya descritas, en las diferentes
situaciones de trabajo, para conocer sus restricciones.
Simulaci on y vericaci on de las estrategias Se realizar an experimentaciones en entornos de simu-
laci on de las estrategias de guiado junto con el modelo din amico para comprobar su funcionalidad y
poder corregir posibles errores de su dise no y optimizar las t ecnicas.
Experimentos en entornos urbanos reales dentro del proyecto URUS Una vez dise nados, imple-
mentados y simulados el modelo y las estrategias de guiado, se proceder a a experimentar en entornos
urbanos reales, as como en zonas del barrio de gracia o el campus nord de la UPC. Dichos proyectos se
realizar an en entorno del proyecto URUS.
Escritura de la tesis La escritura y correcci on de la tesis se realizar a seis meses antes de la lectura
para poder tener tiempo suciente para realizar las correcciones pertinentes, y poder publicar diferentes
artculos.
Lectura de la tesis Se espera que la lectura de la tesis se realize a nales del a no 2010, principios del
2011.
Figura 17: Plan de trabajo.
REFERENCIAS 37
Referencias
[1] AICHI. Robot project: We live in the robot age at expo 2005. Available from:
http://www.expo2005.or.jp/en/robot/robot project 00.html, 2005.
[2] R. C. Arkin. Behavior-based robotics. Cambridge, MA, USA: The MIT Press, 1998.
[3] MS Arulampalam, S. Maskell, N. Gordon, T. Clapp, D. Sci, T. Organ, and S.A. Adelaide. A tutorial
on particle lters for online nonlinear/non-gaussian bayesian tracking. Signal Processing, IEEE
Transactions [see also Acoustics, Speech, and Signal Processing, IEEE Transactions], 50(2):174
188, 2002.
[4] T. Balch and R. C. Arkin. Communication in reactive multi-agent robotic systems. Autonomous
Robots, 1(1):2752, 1994.
[5] O. B. Bayazit, J. M. Lien, and N. M. Amato. Swarming behavior using probabilistic roadmap
techniques. Swarm Robotics: SAB 2004 International Workshop, Santa Monica, CA, USA, July 17,
2004: Revised Selected Papers, 2005.
[6] A. Billard, B. Robins, J.
Nadel, and K. Dautenhahn. Building robots, mini-humanoid robot for the

rehabilitation of children with autism. RESNA Assistive Technology Journal, 2006.
[7] M. D. Bolic and P. M. S. Hong. Resampling algorithms and architectures for distributed particle
lters. Signal Processing, IEEE Transactions [see also Acoustics, Speech, and Signal Processing,
IEEE Transactions], 53(7):24422450, 2005.
[8] C. Breazeal, A. Brooks, J. Gray, G. Hoffman, C. Kidd, H. Lee, J. Lieberman, A. Lockerd, and
D. Mulanda. Humanoid robots as cooperative partners for people. Int.Journal of Humanoid Robots,
1(2), 2004.
[9] W. Burgard, A. B. Cremers, D. Fox, D. Haehnel, G. Lakemeyer, D. Schulz, W. Steiner, and S. Thrun.
The interactive museum tour-guide robot. Proc. of AAAI, pages 1118, 1998.
[10] J. Casper and R. R. Murphy. Human-robot interactions during the robot-assisted urban search and
rescue response at the world trade center. IEEE transactions on systems, man, and cybernetics. Part
B, Cybernetics: a publication of the IEEE Systems, Man, and Cybernetics Society, 33(3):367385,
2003.
[11] L. Chaimowicz and V. Kumar. Aerial shepherds: Coordination among uavs and swarms of robots.
Proceedings of the 7th International Symposium on Distributed Autonomous Robotic Systems,
2004.
[12] K. Dautenhahn, M. Walters, S. Woods, K.L. Koay, C.L. Nehaniv, A. Sisbot, R. Alami, and
T. Sim eon. How may i serve you?: a robot companion approaching a seated person in a helping
context. ACM SIGCHI/SIGART Human-Robot Interaction, pages 172179, 2006.
[13] K. Dautenhahn, S. Woods, C. Kaouri, M. L. Walters, K. L. Koay, and I. Werry. What is a robot
companion friend, assistant or butler? Proc. IEEE IROS, 25:14881493, 2005.
[14] N. Davies, K. Cheverst, G. Blair, and K. Mitchell. Developing a context sensitive tourist guide:some
issues and experiments. CHI 2000 Conference Proceedings. ACM, pages 1724, 2000.
[15] JP Desai, JP Ostrowski, and V. Kumar. Modeling and control of formations of nonholonomic
mobile robots. Robotics and Automation, IEEE Transactions, 17(6):905908, 2001.
38 REFERENCIAS
[16] G. Dudek, M. R. M. Jenkin, E. Milios, and D. Wilkes. A taxonomy for multi-agent robotics.
Autonomous Robots, 5(29):19, 1996.
[17] E.Paquet and Herna L. Viktor. Adjustment of virtual mannequins through anthropometric mea-
surements, cluster analysis and content-based retrieval of 3-d body scans. IEEE, transactions on
instrumentation and measurement, 2007.
[18] D. Feil-Seifer and M. J. Mataric. Dening socially assistive robotics. International Conference on
Rehabilitation Robotics, 2005.
[19] E. Ferranti and N. Trigoni. Robot-assisted discovery of evacuation routes in emergency scenarios.
In Robotics and Automation. ICRA. IEEE International Conference, pages 28242830, 2008.
[20] T. Fong, C. Thorpe, and C. Baur. Evaluation of human-robot interaction awareness in search
and rescue. Collaboration, Dialogue, and Human-Robot Interaction. Springer Tracts in Advanced
Robotics. Berlin: Springer, 2003.
[21] D. Fox. Markov localization: A probabilistic framework for mobile robot localization and naviga-
tion. Institute of Computer Science III.Bonn, Germany, University of Bonn, 1998.
[22] D. Fox, W. Burgard, and S. Thrun. Active markov localization for mobile robots. Robotics and
Autonomous Systems, 25(3-4):195207, 1998.
[23] D. Fox, W. Burgard, and S. Thrun. Markov localization for mobile robots in dynamic environments.
Journal of Articial Intelligence Research, 11(3):391427, 1999.
[24] E. Gambao, C. Balaguer, A. Barrientos, R. Saltaren, and E.A. Puente. Robot assembly system
for the construction process automation. In Robotics and Automation, 1997. Proceedings, IEEE
International Conference, volume 1, 1997.
[25] R. Gockley, R. Simmons, and J. Forlizzi. Modeling affect in socially interactive robots. 15th In-
ternational Symposium on Robot and Human Interactive Communication (RO-MAN), Hertforshire,
Hateld, United Kingdom, 2006.
[26] Tsutsui H., Miura J., and Shirai Y. Optical ow-based person tracking by multiple cameras. IEEE
Int. Conf. On Multi-sensor Fusion and Integration in Intelligent Systems, Baden-Baden, Germany.,
2001.
[27] K. Hayashi, D. Sakamoto, T. Kanda, M. Shiomi, S. Koizumi, H. Ishiguro, T. Ogasawara, and
N. Hagita. Humanoid robots as a passive-social medium: a eld experiment at a train station.
ACM SIGCHI/SIGART Human-Robot Interaction, pages 137144, 2007.
[28] B. Heidelberger, M. Teschner, R. Keiser, M. Muller, and M. Gross. Consistent penetration depth es-
timation for deformable collision response. Vision Modeling and Visualization 2004: Proceedings,
November 16-18, 2004, Standford, USA, 2004.
[29] I. Hyderabad and P. Pittsburgh. Reactive navigation of multiple moving agents by collaborative
resolution of conicts. Journal of Robotic Systems, 22(5):249269, 2005.
[30] L. Iocchi, D.
Nardi, M. Piaggio, and A. Sgorbissa. Distributed coordination in heterogeneous multi-

robot systems. Autonomous Robots, 15(2):155168, 2003.
[31] L. Iocchi, D.
Nardi, and M. Salerno. Reactivity and deliberation: A survey on multi-robot systems.

Lecture Notes in Computer Science, Springer-Verlag Heidelberg, 2103, 2001.
REFERENCIAS 39
[32] W. C. Gunhee Kim, K.-R. Kim, M. Kim, S. Han, and R. H. Shinn. The autonomous tour-guide
robot jinny. IEEE/Robotics Society of Japan International Conference on Intelligent Robots and
Systems, 2004.
[33] H. Kitano, S. Tadokoro, I.
Noda, H. Matsubara, T. Takahsahi, A. Shinjou, and S. Shimada. Robocup

rescue: Search and rescue in large-scale disasters as a domain for autonomous agents research.
IEEE International Conference on Systems, Man, and Cybernetics, 1999.
[34] B. Lavis, Y. Yokokohji, and T. Furukawa. Estimation and control for cooperative autonomous
searching in crowded urban emergencies. Robotics and Automation, ICRA. IEEE International
Conference, pages 28312836, 2008.
[35] Y. Li and X. Chen. Dynamic control of multi-robot formation. Mechatronics, ICM.IEEE Interna-
tional Conference, pages 352357, 2005.
[36] J. M. Lien, O. B. Bayazit, R. T. Sowell, S. Rodriguez, and N. M. Amato. Shepherding behaviors.
Robotics and Automation. Proceedings.ICRA04.2004 IEEE International Conference, 4, 2004.
[37] J. S. Liu and R. Chen. Sequential monte carlo methods for dynamic systems. Journal of the
American Statistical Association, 93(443):10321044, 1998.
[38] P. S. Lum, C. G. Burgar, P. C. Shor, M. Majmundar, and M. Van der Loos. Robot-assisted movement
training compared with conventional therapy techniques for the rehabilitation of upper-limb motor
function after stroke. Archives of Physical Medicine and Rehabilitation, 83, 2002.
[39] C.F. Marques and P.U. Lima. Multi-sensor navigation for soccer robots. Robot Soccer World Cup
V. Berlin, Germany: Springer-Verlag, 2002.
[40] E. Martinez, A. Ohya, and S. Yuta. Recognition of peoples positioning by cooperative mobile
robots for human groups steering. In Computational Intelligence in Robotics and Automation.
IEEE International Symposium, volume 2, 2003.
[41] E.A. Martinez Garcia, O. Akihisa, and S. Yuta. Crowding and guiding groups of humans by teams
of mobile robots. Advanced Robotics and its Social Impacts, 2005. IEEE Workshop, pages 9196,
2005.
[42] A. Masciotra, J.M. Lien, S. Rodriguez, and N. Amato. Composable group behaviors. Technical
Report TR05-003,Parasol Lab, Dept. of Computer Science, Texas A&M University.
[43] T. Miki and T.
Nakamura. An effective simple shepherding algorithm suitable for implementation

to a multi-mmobile robot system. Proceedings of the First International Conference on Innovative
Computing, Information and Control-Volume 3, pages 161165, 2006.
[44] J. Montemayor, H. Alborizi, A. Druin, J. Hendler, D. Pollack, J. Porteous, L. Sherman, A. Afework,
J. Best, J. Hammer, A. Kruskal, and A. Lal. From pets to storykit: Creating new technology with
and intergenerational design team. Workshop on Interactive Robots and Entertainment (WIRE),
Pittsburgh, PA, USA, 2000.
[45] M. Montemerlo, J. Pineau, N. Roy, S. Thrun, and V. Verma. Experiences with a mobile robotic
guide for the elderly. AAAI National Conference on Articial Intelligence, 2002.
[46] R. R. Murphy, J. Casper, M. Jicire, and J. Hyams. Assessment of the nist standard test bed for urban
search and rescue. NIST Workshop on Performance Metrics for Intelligent Systems, Gaithersburg,
MD, USA, 2000.
40 REFERENCIAS
[47] R.R. Murphy. Human-robot interaction in rescue robotics. Systems, Man and Cybernetics, Part C,
IEEE Transactions, 34(2):138153, 2004.
[48] Y.
Nemoto, S. Egawa, A. Koseki, S. Hattori, T. Ishii, and M. Fujie. Powerassisted walking support
system for elderly. IEEE International Conference on Engineering in Medicine and Biology, 1998.
[49] C. W. Nielsen and M. A. Goodrich. Comparing the usefulness of video and map information in
navigation tasks. First ACM International Conference on Human-Robot Interaction, Salt Lake City,
UT, USA: ACM Press, 2006.
[50] I. R. Nourbakhsh, J. Bobenage, S. Grange, R. Lutz, R. Meyer, and A. Soto. An affective mobile
robot educator with a full-time job. Articial Intelligence, 114(1-2):95124, 1999.
[51] E. Pagello, A. DAngelo, F. Montesello, F. Garelli, and C. Ferrari. Cooperative behaviors in multi-
robot systems through implicit communication. Robotics and Autonomous Systems, 29(1):6577,
1999.
[52] J. Penders, L. Alboul, C. Roast, and E. Cervera. Robot swarming in the guardians project. ECCS07,
Dresden, Germany, 2007.
[53] I. M. Rekleitis. A particle lter tutorial for mobile robot localization. Center for Intelligent Ma-
chines, McGill University, Montreal, Quebec, Canada, 2004.
[54] C. W. Reynolds. Flocks, herds and schools: A distributed behavioral model. ACM SIGGRAPH
Computer Graphics, 21(4):2534, 1987.
[55] B. Robins, K. Dautenhahn, R. te Boerkhorst, and A. Billard. Robots as assistive technology does
appearance matter. IEEE International Workshop on Robot and Human Communication (ROMAN),
2004.
[56] E. Rogers, R. R. Murphy, and B. Ericson. Agent-based expert assistance for visual problem solving.
First International Conference on Autonomous Agents, Marina Del , CA, USA: ACM Press, 1997.
[57] A. Sanfeliu and J. Andrade-Cetto. Ubiquitous networking robotics in urban settings. In Proceedings
of the IEEE/RSJ IROS Workshop on Network Robot Systems, 2006.
[58] J. Scholtz, M. Theofanos, and B. Antonishek. Development of a test bed for evaluating human-robot
performance for explosive ordnance disposal. First ACM International Conference on Human-
Robot Interaction, Salt Lake City, UT, USA:ACM Press, pages 1017, 2006.
[59] J. Scholtz, J. Young, L. Drury, and H. A. Yanco. Evaluation of human-robot interaction awareness in
search and rescue. Proceedings of the IEEE International Conference on Robotics and Automation,
New Orleans, LA, USA, pages 23272332, 2004.
[60] J. Schulte, C. Rosenberg, and S. Thrun. Spontaneous, short-term interaction with mobile robots.
Robotics and Automation.Proceedings. IEEE International Conference, 1, 1999.
[61] A. Schultz, J. J. Grefenstette, and W. Adams. Roboshepherd: Learning a complex behavior.
Robotics and Manufacturing: Recent Trends in Research and Applications, 6, 1996.
[62] C. P. Tang, R. Bhatt, and V. Krovi. Decentralized kinematic control of payload transport by a
system of mobile manipulators. Proc., Preceedings of the 2004 IEEE International Conference on
Robotics and Automation, 2004.
[63] R. Thrapp, C. Westbrook, and D. Subramanian. Robust localization algorithms for an autonomous
campus tour guide. Proc. of International Conference on Robotics and Automation, 2:2065 2071,
2001.
REFERENCIAS 41
[64] S. Thrun, M. Beetz, M. Bennewitz, W. Burgard, AB Cremers, F. Dellaert, D. Fox, D. Hahnel,
C. Rosenberg, and N. Roy. Probabilistic algorithms and the interactive museum tour-guide robot
minerva. The International Journal of Robotics Research, 19(11):972, 2000.
[65] C. Trevai, Y. Fukazawa, J. Ota, H. Yuasa, T. Arai, and H. Asama. Cooperative explo-
ration of mobile robots using reaction-diffusion equation on a graph. Robotics and Automa-
tion.Proceedings.ICRA03.IEEE International Conference, 2, 2003.
[66] European Land-Robot Trial. Elrob. Available from: http://www.elrob.org/, 2006.
[67] I. Ulrich, F. Mondada, and J. D. Nicoud. Autonomous vacuum cleaner. Robotics and autonomous
systems, 19(3-4):233245, 1997.
[68] R. Vaughan. Experiments in Animal-interactive Robotics. PhD thesis, University of Oxford, 1998.
[69] R. Vaughan, N. Sumpter, A. Frost, and S. Cameron. Robot sheepdog project achieves automatic
ock control. From Animals to Animats, 5, 1998.
[70] R. Vaughan, N. Sumpter, J. Henderson, A. Frost, and S. Cameron. Robot control of animal ocks.
In Intelligent Control (ISIC). Held jointly with IEEE International Symposium on Computational
Intelligence in Robotics and Automation (CIRA), Intelligent Systems and Semiotics (ISAS), Pro-
ceedings of the IEEE International Symposium, pages 277282, 1998.
[71] R. Vaughan, N. Sumpter, J. Henderson, A. Frost, and S. Cameron. Experiments in automatic ock
control. Robotics and Autonomous Systems, 31(1):109117, 2000.
[72] K. Vincenti. Theory and evaluation of human robot interactions. Cognitive Work Analysis: Towards
Safe, Productive and Healthy Computer-Based Work. Lawrence Erlbaum Associates, 1999.
[73] G. Welch and G. Bishop. An introduction to the kalman lter. ACM SIGGRAPH 2001 Course
Notes, 2001.
[74] P. Wells and D. Deguire. Lunar surface reference missions: A description of human and robotic
surface activities. Houston, TX, USA: NASA Lyndon B. Johnson Space Center, 2003.
[75] P. Wells and D. Deguire. Talon: A universal unmanned ground vehicle platform, enabling the
mission to be the focus. Proceedings of SPIE Unmanned Ground Vehicle Technology VII, 2005.
[76] W. Whitaker, M. Montemerlo, and S. Thrun. Conditional particle lters for simultaneous mobile
robot localization and peopletracking. IEEE International Conference on Robotics and Automation,
page 695, 2002.
[77] D. D. Woods. Designs are hypotheses about how artifacts shape cognition and collaboration. Er-
gonomics, 41, 1998.
[78] S. Worchel, J. Cooper, G. R. Goethals, and J. M. Olson. Psicologia Social. Thomson Learning
Ibero, 2002.
[79] A. Yamashita, T. Arai, J. Ota, and H. Asama. Motion planning of multiple mobile robots for
cooperative manipulation and transportation. IEEE Transactions on Robotics and Automation,
19(2):223, 2003.
42 REFERENCIAS
Agradecimientos
Toda la investigaci on se ha realizado gracias al soporte de la beca Formaci on de Profesorado Universi-
tario (FPU) del Ministerio de Educaci on y Ciencia y conducida en el Instituto de Rob otica e Inform atica
Industrial (IRI) de la Universidad Polit` ecnica de Catalunya y el Consejo Superior de Investigaciones
Cienticas.

21 Robots Cooperativos para El Guiado de Grupos de Personas en Zonas Urbanas

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

21 Robots Cooperativos para El Guiado de Grupos de Personas en Zonas Urbanas

Transféré par

Droits d'auteur :

Formats disponibles

Ttulo de Tesis Provisional:

Robots Cooperativos para el guiado

Area de aplicaci on Remoto/Pr oximo Papel Ejemplo Ref.

tras ejecutar la acci on a desde la posici on l sera el siguiente:

|l, o) puede calcularse con los siguientes pasos:

y l como posiciones nal e inicial, se

del espacio de movimiento L debe calcularse la probabilidad

si la medida del sistema odom etrico

|l, o)) a lo largo de todo el espacio L:

. En este enfoque, el medio es discretizado en peque nas

encuentra los caminos

Nadel, and K. Dautenhahn. Building robots, mini-humanoid robot for the

Nardi, M. Piaggio, and A. Sgorbissa. Distributed coordination in heterogeneous multi-

Nardi, and M. Salerno. Reactivity and deliberation: A survey on multi-robot systems.

Noda, H. Matsubara, T. Takahsahi, A. Shinjou, and S. Shimada. Robocup

Nakamura. An effective simple shepherding algorithm suitable for implementation

Vous aimerez peut-être aussi