De momento, se logra una calibración exitosa del rango de presión ejercida, llegando a un límite máximo de 250 mmHg con un error del 5 %. Para la activación de válvulas se decide utilizar un conmutador de alta velocidad con el fin de accionar el mecanismo de la válvula solenoide en un tiempo de 100 mS, hasta lograr una presión de estabilización de 55 mmHg. El sistema se ha diseñado para que el usuario pueda ingresar por teclado la presión pico de operación del sistema, así como el valor de estabilización posterior de la misma y el número de ciclos de presión necesarios, con lo que quedará establecido el tratamiento para cada paciente. Por medio de una pantalla LCD se tiene un indicador de la presión que se está ejerciendo; además, el sistema guarda un registro histórico de las condiciones de presión con las que se realiza cada tratamiento.
En la revisión bibliográfica efectuada se encontraron dispositivos neumáticos comerciales cuya aplicación principal se establece en drenajes del sistema linfático, pero que han sido probados como alternativas de tratamiento a isquemias en extremidades inferiores. Los efectos de estos dispositivos son positivos en el restablecimiento del flujo sanguíneo hasta el tejido afectado; sin embargo, no se evidencia la posibilidad de ajustar algún perfil de presión que emule el funcionamiento orgánico del cuerpo humano. Para lograr un gradiente de presión que se asimile más al flujo natural, es necesario utilizar válvulas proporcionales, las cuales permiten un mejor control sobre el flujo de aire en las cavidades, ejerciendo un rango de presión que recorra las extremidades afectadas. Sin embargo, este tipo de actuadores aumentarían el costo final del sistema, por lo que se hace necesaria una evaluación de resultados médicos con el fin de saber si amerita el costo adicional del sistema.
Es necesario aclarar que en la consulta bibliográfica se determina que las terapias con sistemas neumáticos de presión intermitente solucionan momentáneamente las obstrucciones causadas por isquemias, pero esto no significa que sea una cura completa para esta patología. Es posible que algunos pacientes tratados con estos métodos necesiten nuevamente realizar este procedimiento en algunos años.
[1] P. Aristizabal Londoño, M. Duque, D. Y. Berbesi, y M. Ortega, “Caracterización de pacientes con isquemia crítica de miembros inferiores”, CES Salud Pública, vol. 3, n. 1, pp. 18-27, 2012. [Online]. Available: https://revistas.ces.edu.co/index.php/ces_salud_publica/article/view/2073/1437 [Accessed: 15-April-2019].
[2] F. B. Smith, A. Bradbury, and G. Fowkes, “Intravenous naftidrofuryl for critical limb ischaemia”, Cochrane Database Syst. Rev., n. 7, art. CD002070, 2012. doi: 10.1002/14651858.CD002070.pub2
[3] Institute for Quality and Efficiency in Health Care, “How does the blood circulatory system work?”, 2010. [Online]. Available: https://www.ncbi.nlm.nih.gov/books/NBK279250/. [Accessed: 15-April-2019].
Harold Ruiz γ, 1, Laura Rodríguez1, Andrés Pantoja 1 y Jon Barco 2
1 Departamento de Electrónica, Universidad de Nariño, Pasto, Colombia.
2 Facultad de Ingeniería, UNICESMAG, Pasto, Colombia.
γ. Autor corresponsal: harolfernandoruiz@hotmail.com
Aunque la planificación de rutas es un factor clave en la robótica móvil, probar las estrategias en entornos reales es una tarea difícil. Las plantas virtuales representan uno de los instrumentos más versátiles en el proceso de enseñanza-aprendizaje de los sistemas de control, ya que suplen la falta de laboratorios costosos o plantas reales. Por ello, en este trabajo proponemos una plataforma de co-simulación usando el simulador 3D V-REP y Matlab para la evaluación de diferentes estrategias de planificación de trayectoria para un robot diferencial en escenarios con obstáculos. Los resultados se comparan calculando el rendimiento de los métodos en simulación y en el entorno virtual con un control cinemático para el vehículo, mostrando diferencias notables entre escenarios ideales y reales.
Palabras clave: Planta virtual en V-REP, función de potencial, algoritmos heurísticos, descomposición de celdas, planeamiento de trayectorias, robótica móvil.
Las plantas virtuales son entornos de experimentación basados en software, donde los usuarios pueden operar diferentes componentes gráficos que representan elementos de un modelo físico, de tal manera que el sistema emula estrechamente el rendimiento real de la planta [6]. Una plataforma ampliamente utilizada para implementar plantas virtuales es V-REP [1], que ha tenido un auge en muchas áreas de la simulación e investigación de ingeniería, alimentada por el avance de las tecnologías basadas en la simulación 3D y su relevancia en la pedagogía [2], [4].
La planificación de rutas es una de las tareas más importantes en el desarrollo de la robótica móvil; sin embargo, los laboratorios reales para probar el desempeño de diferentes estrategias son costosos y limitados en espacio, configuración y posibles vehículos. En este sentido, la plataforma de co-simulación propuesta en este trabajo permite a los investigadores diseñar en V-REP un amplio espectro de escenarios con obstáculos configurables ubicados en áreas grandes o pequeñas, para el funcionamiento de uno o varios vehículos con sensores a bordo o en el escenario. Luego, las estrategias de planificación se programan en Matlab utilizando la información del entorno (obtenida de los sensores en V-REP) y envían las acciones de control a los vehículos en V-REP para ejecutar las trayectorias.
Como contribución, el documento analiza el uso de la co-simulación para la planificación de trayectorias de un robot terrestre con cuatro métodos representativos de planificación de rutas (campos de potencial artificial, búsquedas heurísticas y estocásticas, y enrutamiento basado en gráficos) descritos en [3]. El rendimiento de cada estrategia se compara mediante la implementación de los algoritmos solo en simulación (condiciones ideales) y en la plataforma virtual (condiciones reales), señalando las diferencias sobre la eficiencia, las colisiones y la distancia final recorrida. Las restricciones físicas del vehículo y los obstáculos en la planta virtual representan un desafío para mejorar la aplicación real de las estrategias en robótica móvil con sensores integrados (por ejemplo, con odometría).
Para ilustrar la implementación de planificación y el control cinemático del robot en V-REP a través de Matlab, se proponen tres escenarios con pasajes estrechos, trampas y asignación aleatoria de obstáculos para diseñar trayectorias óptimas entre puntos iniciales y finales fijos. El escenario está compuesto por un robot diferencial (Pioneer_p3dx) y varios obstáculos (cubos de diferentes tamaños) en un área plana de 10×10 m. En la simulación, se descuidan muchas dinámicas físicas; por ejemplo, se supone que el robot es una partícula sin fricción y con actuadores ideales. Sin embargo, en V-REP todas estas condiciones se tienen en cuenta para el robot diferencial con restricciones no holonómicas. En este caso, implementamos un controlador cinemático descrito en [5], usando transformaciones para obtener las velocidades angulares de las ruedas desde la posición angular del robot y la distancia deseada a la meta. La posición angular de las ruedas se mide por odometría (en V-REP), por lo que el control se basa en medidas locales, lo que aumenta la complejidad de la estrategia general de planificación de trayectoria.
Las estrategias para proporcionar los puntos de ajuste al controlador cinemático se basan en métodos de planificación de rutas bien conocidos, como la minimización de campos potenciales, la optimización del enjambre de partículas (PSO), la exploración rápida de árboles aleatorios (RRT) y la descomposición celular (CD) [3], que representan la mayoría de las metodologías generales para obtener rutas óptimas. Cada algoritmo se programa en Matlab con las condiciones del escenario y algunos índices de rendimiento como la distancia, el número de colisiones y el logro del objetivo final; los cuales se evalúan en simulación y con la planta virtual.
Para el análisis de resultados de un caso en particular es necesario que los algoritmos estén adaptados para cumplir con dos requisitos principales: i) la seguridad de la ruta (libre de colisiones); y ii) la minimización de la distancia total, definida como la suma de las distancias euclidianas entre los puntos de control en cada iteración. Con los métodos ajustados para el escenario, el robot puede alcanzar la posición deseada. Sin embargo, el método RRT presenta varias colisiones debido a la cercanía entre los puntos de ajuste y los obstáculos para acortar el camino. Además, el método CD muestra algunas oscilaciones generadas por la saturación de los actuadores (motores en el vehículo), mientras que el método de campo potencial presenta la implementación más compleja, pero la distancia final más corta. Se presenta entonces una compensación para la estrategia PSO, donde la distancia es más larga, pero el costo computacional se reduce; también se analizan dos escenarios más con pasajes estrechos y arreglos de trampa de obstáculos para proporcionar más pruebas y comentarios concluyentes sobre el desempeño de las estrategias, así como las diferencias entre la simulación y el entorno real de co-simulación.
Este trabajo presenta la implementación exitosa de cuatro métodos de planeación de trayectorias en un escenario construido en V-REP, donde se presentaron varios inconvenientes como las colisiones con los objetos, las oscilaciones en la trayectorias y errores en la odometría propios de un ambiente real. Además, se resalta que esta plataforma facilita el proceso de enseñanza-aprendizaje, permitiendo a las instituciones educativas usar diferentes plantas con la mayoría de las interacciones reales que, generalmente, no están presentes en las simulaciones de modelos.
[1] Coppelia Robotics, “CoppeliaSim User Manual”, 2019. [Online]. Available: http://www.coppeliarobotics.com/helpFiles/. [Accessed: Apr-2019].
[2] S. Dormido, “Control learning: Present and future”, Annu. Rev. Control, vol. 28, n. 1, pp. 115-136, 2004. doi: 10.1016/j.arcontrol.2003.12.002
[3] J. A. Getial Barragán, E. D. Erazo Caicedo, and A. Pantoja, “A Quantitative Comparison of Path Planning Methods in Mobile Robotics”, in 3rd Colombian Conference on Automatic Control (CCAC), D. Patiño, E. Yime, Ed. Cartagena Colombia: IEEE, 2017, pp. 1-6. doi: 10.1109/CCAC.2017.8276389
[4] D. Guillet, A. V. Nguyen, and Y. Rekik, “Collaborative Web-Based Experimentation in Flexible Engineering Education”, IEEE Trans. Educ., vol. 48, n. 4, pp. 696-704, 2005 [Online]. Available: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.183.4186&rep=rep1&type=pdf
[5] S. G. Tzafestas, Introduce to Mobile robot control, 1st ed. Greece: Elsevier, 2013.
[6] H. Vargas, R. Dormido, N. Duro, y S. Dormido-Canto, “Creación de laboratorios virtuales y remotos usando Easy Java Simulations y Labview”, en XXVII Jornadas de Automática, M. Berenguel, Ed. España: Editorial Universidad de Almería, 2006, pp. 1182-1188 [En línea]. Disponible en: http://www.dia.uned.es/proyectos/dpi2004-01804/documents/congresos/Congreso27.pdf