Exploración activa en entornos de búsqueda y rescate utilizando un robot cuadrúpedo

Abstract

Desde hace más de 10 años se está trabajando, dentro del ROBCIB en la aplicación de la Robótica a tareas de rescate. De los diversos proyectos relacionados han ido surgiendo robots de múltiples configuraciones –para facilitar su adaptación al terreno o la entrada por recovecos de difícil acceso– y finalidades –rescates en el campo, urbanos, en interiores…–.

En este proyecto, se ha empleado un robot cuadrúpedo con el fin de encontrar víctimas en entornos de interior desestructurados, como pueden ser domicilios u oficinas en ruinas. Este autómata cuenta con cámara de profundidad RGB-D y lídar, que, además de permitirle mapear el entorno en tiempo real –aspecto fundamental, ya que no se dispone de información a priori del mismo–, le da la posibilidad de interpretarlo y transmitirlo a un operario.

Con estas herramientas, se ha desarrollado un sistema de búsqueda y detección de víctimas que tiene como objetivo hacer una exploración eficiente del entorno, en la que se maximice la probabilidad de encontrar personas lo antes posible. Para lograrlo, se ha implementado un algoritmo que combina técnicas en el estado del arte en los campos de la búsqueda indirecta y la elección de NBV.

Así, en primer lugar, se ha entrenado la red neuronal convolucional YOLO para la detección de diferentes aspectos. Por un lado, se ha querido que esta fuera capaz de detectar puertas y situarlas en un mapa, para que, al llegar a una casa u oficina en la que ha ocurrido un desastre, pueda realizar una búsqueda basada en regiones. Posteriormente, con el fin de disponer de información semántica de cada región, se ha entrenado un detector de tipos de habitación y se ha combinado, finalmente, con el detector de objetos predeterminado de YOLO.

La finalidad de esta información semántica era la de asociar diversas tipologías de estancia y ciertos objetos de la vida cotidiana –mesa, silla, vaso, televisor… –a la probabilidad de que "<cerca"> de ellos se encuentre un humano. Para ello, se ha creado una base de datos en la que se han identificados objetos y habitaciones escenas del día a día y se ha evaluado la posibilidad de que en ellas haya humanos. Las imágenes se han obtenido del dataset COCO y se les han aplicado los detectores previamente desarrollados. La base de datos ha servido posteriormente para entrenar un random forest que, dada una serie de objetos y habitaciones, devuelve el valor de probabilidad de que tengan en sus alrededores una persona.

Con todo ello a punto, se ha desarrollado un algoritmo propio de exploración por habitaciones. Al llegar a un entorno desconocido, el robot se dirige a la puerta más cercana. Una vez atravesada, va barriendo la estancia moviéndose, en cada paso, al punto óptimo, elegido entre varios candidatos, según una función de bondad en la que se ponderan espacio libre alrededor de cada uno –se prefiere uno con amplias posibilidades de visualización–, probabilidad de encontrar allí humanos –según los resultados devueltos por el random forest– y se penaliza la distancia al punto para, en igualdad de condiciones, explorar primero lo más cercano.

El sistema se ha estructurado en una arquitectura maestro-esclavo en la que el algoritmo se ejecuta en el ordenador principal y las distintas opciones de mapeado y movimiento, en el propio robot. La conexión entre ambos se ha dado por medio de directrices de velocidad, para lo cual ha sido necesario desarrollar un controlador cinemático. Este se ha combinado con el planificador interno del Unitree A1 para lograr la realización de trayectorias largas de forma eficiente.

Las pruebas llevadas a cabo, tanto a nivel de módulo individual como, posteriormente, de todo el sistema en un entorno desestructurado, han mostrado claramente el éxito del mismo. Este es capaz de explorar de forma eficiente una región y de localizar en ella a todos los humanos presentes. Las diversas indicaciones dadas en tiempo real a un operador humano y la posibilidad que tiene este de visualizar en todo momento la cámara, el estado de los sensores y las futuras decisiones son una importante fuente de robustez lo que sirve para demostrar la eficacia de la colaboración-humano robot en las aplicaciones de rescate.