Planificación de tareas para la cosecha selectiva con un sistema robótico de manipulación dual

Resumen

El auge de la robótica y la inteligencia artificial en los últimos años ha revolucionado todos los sectores de la industria. Las mejoras tecnológicas de sensores y actuadores junto a los progresos en sistemas inteligentes de toma de decisiones suponen un entorno perfecto para la creación de sistemas autónomos capaces de operar en cualquier ámbito de la vida humana.

La agricultura es uno de los campos con mayor potencial de aplicación para estas tecnologías. Se trata de un entorno muy poco automatizado, pero con un gran impacto en la calidad de vida de cada país. Esta situación genera un gran interés por parte del mundo científico, que se puede ver reflejado en el aumento de líneas de investigación que centran sus esfuerzos dentro de este sector.

En este contexto, surge la prueba de concepto PoC-ROBOCROP. Se trata de un proyecto financiado por la Agencia Estatal de Investigación, cuyo objetivo es desarrollar un prototipo funcional de un robot manipulador de dos brazos para la recolección selectiva. Este Trabajo Fin de Máster se centra en el diseño, desarrollo y validación de un sistema inteligente de toma de decisiones a alto nivel que se implemente en el sistema robótico propuesto.

A través del entorno de trabajo ROS (Robot Operating System) y herramientas dedicadas de visión por computador como OpenCV, se implementan algoritmos encargados de organizar la recolección selectiva en un entorno no controlado. Estos algoritmos consideran diferentes acciones, como la recolección simultánea con dos brazos o la recolección de frutas parcialmente ocluidas mediante hojas, buscando siempre realizar acciones y movimientos eficientes.

Asimismo, se han desarrollado diferentes algoritmos que utilizan distintos parámetros de control extraídos de la información proporcionada por el sistema multisensorial del robot. De esta forma, se pueden realizar pruebas para comprobar la eficiencia de cada uno de ellos en diferentes situaciones. La última fase de desarrollo se ha orientado a asentar las bases y requisitos necesarios para la futura implementación de un sistema de toma de decisiones basado en Machine Learning, mediante aprendizaje por refuerzo.

Al final de la memoria, también se detalla el proceso de integración del planificador con el resto de la arquitectura de software del sistema, así como con otros avances paralelos de la línea de investigación general. En esta fase del desarrollo, cobran especial importancia las características de modularidad y adaptabilidad de la arquitectura de software implementada.

Por último, se realiza un breve análisis sobre el impacto social, económico y medioambiental del proyecto.

-----------------------------------------------------------------------

Recent progress in the fields of robotics and artificial intelligence has revolutionized the industrial sector. The technological evolution of sensors and actuators, alongside the improvement in intelligent decision-making systems, has created a perfect environment for the growth of autonomous robotics systems capable of operating under any environment.

Agriculture represents one of the most promising fields for the application of these technologies and despite the impact it has on human life, it is a sector with very low automatization. This context attracts the attention of scientists who try and provide robotic solutions to common
agricultural tasks.

The PoC-ROBOCROP project, funded by the Spanish Research Agency, aims to develop a functional prototype of a dual-armed robot geared towards selective harvesting. This Master’s Thesis focuses on the design, development, and validation of an intelligent high-level decisionmaking system capable of operating the PoC-ROBOCROP prototype.

Using Robot Operating System (ROS) middleware and dedicated computer vision tools such as OpenCV, algorithms are developed to perform organized selective harvesting tasks in unstructured environments. These algorithms study different actions, such as two-arm simultaneous harvesting or partially occluded fruits picking, with the objective of operating under high efficiency levels.

Each algorithm is designed to use a different set of parameters based on the data captured by the robot’s sensorial system. Throughout the testing phase of the project, the efficiency of every algorithm was validated under different scenarios. The final phase of development focused on settling the foundations and software requirements for the future implementation of a decision-making system based on Machine Learning’s reinforcement methodology.

The project also includes an explanation of the design requirements arising from the need to adapt this work to parallel progress made in the line of research as a whole. During this phase of development, additional emphasis was placed on the modularity and adaptability features of the software architecture to facilitate the expansion of future work.

Lastly, the regulatory framework of the project is analyzed, along with a study of its possible socioeconomic and environmental costs and impact.