Descriptive statistics

De todas las tareas implicadas en la funcionalidad de un robot personal, es la de localización la que presenta mayor relación con el desarrollo de la tesis. El problema aquí planteado (estimar la posición y el movimiento de múltiples objetos en entornos interiores y complejos) es, en principio, un problema de localización local, con la complejidad no siempre contemplada en los trabajos de este tipo realizados por la comunidad investigadora, de incluir un número desconocido y variable de elementos a localizar, de posición inicial desconocida.

Por otra parte, la implicación de unas condiciones complejas del entorno de movimiento en las tareas de detección, posicionamiento y seguimiento no ha sido extensamente abordada hasta los últimos diez años y son pocos los grupos de investigación que han desarrollado proyectos que resuelven con éxito este problema, y cuando lo hacen es bajo condiciones muy concretas.

En este apartado se recogen los ejemplos más importantes desarrollados por la comunidad científica que se aproximan al concepto de robot personal. El objetivo es analizar funcionalmente si incluyen el módulo de MTT propuesto en esta tesis y bajo qué condiciones se desarrollan (entorno, algoritmia, etc.), y justificar así el interés de la tesis. El análisis exhaustivo de las técnicas y algoritmos empleados en cada caso se deja para el capítulo siguiente.

Investigadores de la universidad americana Carnegie Mellon en colaboración con otros de la Universidad de Bonn, han desarrollaron en el periodo 1997 a 2002 diferentes robots personales, con distintas aplicaciones:

• En los años 1997 y 1999 los robots guías de museo Rhino ([RHINO]) y Minerva

Figura 1.3. Robots Minerva y Rhino actuando como guías de los museos Smithsonian’s National Museum of American History en Washington (USA) y Deutsches Museum en Bonn (Alemania) respectivamente.

• Posteriormente (año 2002) un grupo de trabajo de la Universidad de Bonn en colaboración

con instituciones como la Universidad de Freiburg, presenta nuevos robots guías de museo, bajo los proyectos Tourbot y WebFair ([TOURBOT] y [Trahanias05]) (Figura 1.4).

Figura 1.4. Robots del proyecto Tourbot en distintas situaciones: Lefkos en la Foundation of the Hellenic World, en Atenas (Grecia) y Albert en la feria Heinz Nixdorf Museums-Forum en Paderborn (Alemania).

• Finalmente el grupo de la universidad Carnegie Mellon diseña a continuación de Minerva

(año 2001 y 2002) los robots de asistencia personal Flo ([Roy00]), Pearl ([Pineau03] [Pollack02]) desarrollados bajo el proyecto Nursebot ([NURSEBOT]) (Figura 1.5).

Figura 1.5. Robots Flo y Pearl interaccionando con personas. Flo en un programa televisivo de la NBC y Pearl en un centro de personas mayores en Longwood (USA).

En todos estos proyectos se utilizan algoritmos probabilísticos para localizar al robot en el entorno por el que se desplaza. En todos los casos el problema de la detección de objetos alrededor del robot se resuelve usando sensores de ultrasonidos, láser, y en el caso de Tourbot y WebFair cierta información de visión.

En casi ninguno de los robots se incluye una tarea de seguimiento de estos objetos. La excepción se presenta en los últimos prototipos del proyecto Tourbot, en los que se incorpora la tarea de localización de las personas que se detecten alrededor del robot mediante información de un láser de infrarrojos y se sigue su movimiento gracias a un estimador bayesiano.

La otra línea de proyectos importante en la que se plantea resolver el problema de navegación autónoma en entornos densamente poblados de un robot móvil, es la desarrollada por investigadores del Instituto de Investigación FAW de Alemania y del Instituto Tecnológico de California, en el diseño de la silla de ruedas autónoma Maid ([Prassler01]). Uno de los objetivos del trabajo es proporcionar movilidad a usuarios de sillas de ruedas en entornos no estructurados y muy poblados, en los que éstos encuentran especial dificultad de maniobra.

En este trabajo tampoco se resuelve el problema de seguimiento de múltiples objetos, sino que al igual que hacen los robots Minerva y Rhino, Maid únicamente detecta con sensores de proximidad (láser infrarrojo y ultrasonidos) los objetos que se encuentran en su entorno y, utilizando un mapa ocupación de rejilla con marcas temporales, determina cuáles son estáticos y cuáles dinámicos, y su vector velocidad característico en este último caso.

En la misma línea de proyectos, se aborda más tarde ([Illmann01]) el objetivo de que la silla de ruedas siga a una persona por un entorno muy poblado, pero como se trata de seguir un único objeto el problema no es comparable con el objetivo planteado en esta tesis.

La Figura 1.6 muestra una imagen de la silla de ruedas moviéndose de forma autónoma en la estación de tren de Ulm (Alemania), donde estuvo en fase de pruebas durante varios días con distinta intensidad de tráfico de personas, con resultados exitosos. En la misma figura se observa también una imagen de Maid desarrollado tareas de seguimiento de una persona.

Figura 1.6. Silla de ruedas Maid en movimiento autónomo por la estación de ferrocarril de Ulm (Alemania).

Posteriormente, en los años 2001 a 2003, los autores de [Prassler01], en este caso trabajando

en el “Instituto de Producción y Automatización” (“Institut für Produktionstechnik und

Automatisierung”, IPA) en Stuttgart (Alemania), presentan varios prototipos de robots asistenciales bajo el proyecto Care-o-bot ([CARE-O-BOT]), pero ninguno de ellos resuelve el problema de seguimiento de objetos de forma específica ([Graf04]).

De la exposición anterior se extrae la conclusión de que la tarea de detección y seguimiento de múltiples objetos en entornos densamente poblados no ha sido abordada hasta los últimos

años, y cuando se ha hecho ha sido en contextos muy particulares. En cualquier caso, las soluciones aportadas han sido pocas y con escaso éxito, lo cual justifica el interés de los trabajos desarrollados en esta tesis.

Finalmente, es necesario destacar que, si bien la característica principal que hace a los métodos probabilísticos exitosos en la resolución de problemas de estimación es su capacidad de integrar en el proceso el valor de incertidumbre de las variables asociadas, la particularidad que los hace, aún si cabe, más interesantes para la resolución del problema que se plantea en la tesis es su capacidad de manejar procesos multimodales3.

Esta característica de los algoritmos probabilísticos, que se analiza más adelante, no ha sido explotada en la mayor parte de las soluciones aportadas por la comunidad científica al problema de seguimiento de múltiples objetos, tal y como se muestra en el capítulo 2 de esta tesis. Generalmente, esta tarea se resuelve utilizando un estimador para cada uno de los objetos a seguir, o algún método aproximado a la formulación de Bayes sin un planteamiento teórico formal, como ocurre en el proyecto de la silla de ruedas Maid.

El uso de un único estimador que sea capaz de manejar sistemas multimodales en el algoritmo de seguimiento de múltiples objetos tiene numerosas ventajas, tal y como se demostrará a lo largo de la tesis; y los métodos probabilísticos son, hoy por hoy, la única solución robusta para implementar esta tarea en aplicaciones de robótica personal en tiempo real, en las que el entorno del robot es muy complejo y la robustez, seguridad y tolerancia a los fallos del sistema es un factor primordial.