Registro:
| Documento: | Tesis Doctoral |
| Título: | Navegación autónoma para robots móviles omnidireccionales en almacenes inteligentes |
| Título alternativo: | Autonomous navigation for omnidirectional mobile robots in smart warehouses |
| Autor: | Bedin, Sebastián Pablo |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Fecha de defensa: | 2026-02-25 |
| Fecha en portada: | 2026 |
| Grado Obtenido: | Doctorado |
| Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias de la Computación |
| Departamento Docente: | Departamento de Computación |
| Director: | Nitsche, Matías Alejandro |
| Consejero: | Mocskos, Esteban Eduardo |
| Jurado: | Mas, Ignacio Agustín; Mayol-Cuevas, Walterio W; Pérez del Pulgar Mancebo, Carlos Jesús |
| Idioma: | Español |
| Palabras clave: | LOCALIZACION; CALIBRACION; NAVEGACION; ROBOTICA MOVIL; OMNIDIRECCIONALLOCALIZATION; CALIBRATION; NAVIGATION; MOBILE ROBOTICS; OMNIDIRECTIONAL |
| Formato: | PDF |
| Handle: |
https://hdl.handle.net/20.500.12110/tesis_n7895_Bedin |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7895_Bedin.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7895_Bedin |
| Ubicación: | COM 007895 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Bedin, Sebastián Pablo. (2026). Navegación autónoma para robots móviles omnidireccionales en almacenes inteligentes. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7895_Bedin |
Resumen:
En el contexto de los denominados almacenes inteligentes, el uso de robots móviles industriales para la automatización de tareas logísticas (tales como el transporte de cargas) requiere que los mismos puedan desplazarse en el ambiente en forma segura y precisa. Con este objetivo, en este trabajo se presenta un novedoso método de localización y navegación autónoma, que se denomina LETnR: Laser Encoder Teach and Repeat, y que está enfocado al caso particular de los robots de tipo omnidireccional con ruedas tipo mecha-num. Este tipo de robots presentan capacidades de movimiento que los hacen ideales para el transporte de cargas en entornos industriales. Sin embargo, la estimación precisa de sus movimientos presenta considerables dificultades debido al deslizamiento impreciso de sus ruedas al desplazarse en distintas direcciones. El enfoque propuesto se basa en la técnica de navegación denominada Teach and Repeat (aprendizaje y repetición) o TnR . Esta técnica se basa en una primera etapa de aprendizaje, donde se define una trayectoria y una construcción de un mapa del entorno, para luego repetir dicha trayectoria en una segunda etapa. Este tipo de navegación es muy aplicable al caso de robots en entornos industriales que deben transportar cargas de un lado a otro. En particular, el sistema TnR se formula bajo una expresión relativa de la información, donde la pose del robot y los sensados se expresan respecto de marcos de referencia locales. Este enfoque evita los problemas de acumulación de errores de localización asociados típicamente a otros de tipo absolutos (como suele ser al emplear la técnica SLAM) y a la vez evita la necesidad de lograr la consistencia global mediante cierre de ciclos. Por esta misma razón esta formulación permite resolver la localización en entornos de grandes dimensiones sin riesgo de acumular error o incurrir costo computacional elevados para el mantenimiento del mapa. Bajo el sistema de navegación propuesto, la localización se resuelve mediante la fusión probabilística de la información provista por sensores LiDAR 2D y encoders odométricos, empleando una estimación de tipo Maximum A Posteriori (MAP) bajo un esquema de optimización no lineal. Al considerar también la incertidumbre de todas las variables involucradas se logra no solo dar una solución al problema sino una medida de certeza respecto de la misma. En particular, para abordar la problemática de la odometría imprecisa del robot omnidireccional, se propone una calibración en línea del modelo cinemático correspondiente. En este punto se propone y evalúan distintos modelos de calibración logrando demostrar mejoras en la localización del robot. Por último, para completar el sistema de navegación propuesto, se aborda el problema de la localización global, permitiendo así relocalizar al robot respecto de la trayectoria objetivo, en caso de desvío (por ejemplo, para evitar un obstáculo) o falla de la localización incremental (si el robot es trasladado manualmente a otra parte del mapa). Para ello, a partir de la información de la nube de puntos del LiDAR y del mapa de referencia, se extraen una serie puntos característicos los cuales permiten detectar la posición del robot dentro de todo el mapa mediante el emparejamiento de dichos puntos en base al cálculo de descriptores. Sobre estos métodos se proponen diversas mejoras respecto de los algoritmos de detección y extracción, logrando un tratamiento más eficiente de la información a la vez que se mantiene la calidad de la solución. Finalmente, la precisión y eficiencia del método, así como sus alcances y limitaciones, se analizaron experimentalmente mediante el uso de datos provistos por robots reales y simulados, basados tanto en sistemas de locomoción de tipo omnidireccional como diferencial.
Abstract:
In the context of socalled smart warehouses, the use of industrial mobile robots for automating logistical tasks (such as load transport) requires that they be able to move safely and precisely within the environment. To this end, this work presents a novel autonomous localization and navigation method called LETnR: Laser Encoder Teach and Repeat, which focuses on the specific case of omnidirectional robots with mechanum wheels. These robots possess movement capabilities that make them ideal for transporting loads in industrial environments. However, accurately estimating their movements presents considerable difficulties due to the imprecise slippage of their wheels when moving in different directions. The proposed approach is based on the navigation technique called Teach and Repeat (TnR). This technique involves an initial learning stage, where a trajectory is defined and a map of the environment is constructed, followed by repeating that trajectory in a second stage. This type of navigation is highly applicable to robots in industrial environments that must transport loads from one place to another. Specifically, the TnR system is formulated using a relative expression of information, where the robot’s pose and sensor data are expressed with respect to local reference frames. This approach avoids the problems of accumulated localization errors typically associated with absolute methods (such as those used in SLAM) and also eliminates the need to achieve global consistency through loop closure. For this same reason, this formula tion allows for localization in large environments without the risk of accumulating errors or incurring high computational costs for map maintenance. Under the proposed navigation system, localization is achieved through the probabilistic fusion of in formation provided by 2D LiDAR sensors and odometer encoders, using a Maximum A Posteriori (MAP) estimation method within a nonlinear optimization framework. By also considering the uncertainty of all the variables involved, it is possible not only to provide a solution to the problem but also a measure of certainty regarding that solution. In particular, to address the problem of imprecise odometry in the omnidi rectional robot, online calibration of the corresponding kinematic model is proposed. At this point, different calibration models are proposed and evaluated, demonstrating improvements in robot localization. Finally, to complete the proposed navigation system, the global localization problem is addressed, thus allowing the robot to be relocated relative to the target trajectory in case of deviation (for example, to avoid an obstacle) or failure of incremental localization (if the robot is manually moved to another part of the map). To achieve this, a series of characteristic points are extracted from the LiDAR point cloud data and the reference map. These points allow the robot’s position to be detected within the entire map by match ing them based on the calculation of descriptors. Several improvements to the detection and extraction algorithms are proposed for these methods, achieving more efficient data processing while maintaining the quality of the solution. Finally, the accuracy and efficiency of the method, as well as its scope and limitations, were analyzed experimentally using data provided by real and simulated robots, based on both omnidirectional and dif ferential locomotion systems.
Citación:
---------- APA ----------
Bedin, Sebastián Pablo. (2026). Navegación autónoma para robots móviles omnidireccionales en almacenes inteligentes. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7895_Bedin
---------- CHICAGO ----------
Bedin, Sebastián Pablo. "Navegación autónoma para robots móviles omnidireccionales en almacenes inteligentes". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2026.https://hdl.handle.net/20.500.12110/tesis_n7895_Bedin
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7895_Bedin.pdf
