Desarrollo de un método para una asignación eficiente de recursos implementando algoritmos de robótica de enjambre y de agrupamiento

Abstract

La robótica de enjambre ofrece una alternativa para la asignación y la coordinación de múltiples agentes robóticos en entornos dinámicos, especialmente en aplicaciones como búsqueda, rescate y respuesta ante desastres naturales. Este trabajo presenta el desarrollo y validación de un método que combina un algoritmo de agrupamiento basado en densidad (DBSCAN) con el algoritmo de optimización de enjambre de partículas (PSO), con el objetivo de asignar recursos robóticos de manera proporcional y dirigirlos de forma eficiente hacia regiones de interés. La metodología inicia con la generación de escenarios aleatorios en Matlab, donde DBSCAN identifica grupos de datos relevantes y elimina el ruido, permitiendo calcular centroides que sirven como objetivos. Los agentes se asignan proporcionalmente al tamaño de cada grupo y se desplazan hacia dichos puntos mediante trayectorias optimizadas con PSO, incorporando además un mecanismo local de evasión de obstáculos basado en campos potenciales y el uso de control PID para suavizar la navegación. Luego, los algoritmos se trasladan al entorno tridimensional Webots, donde se evalúan bajo condiciones físicas con mayor realismo. Los resultados muestran un comportamiento consistente: el algoritmo combinado reduce el error cuadrático medio, mejora el tiempo de convergencia y mantiene trayectorias eficientes tanto en 2D como en 3D. Las simulaciones tridimensionales permitieron evaluar el algoritmo en entornos más realistas de una manera estable y escalable a distintos entornos.

Swarm robotics offers an efficient alternative for the allocation and coordination of multiple robotic agents in dynamic environments, particularly in applications such as search, rescue, and disaster response. This work presents the development and validation of a method that integrates a density-based clustering algorithm (DBSCAN) with the particle swarm optimization (PSO) algorithm, with the aim of proportionally assigning robotic resources and directing them efficiently toward regions of interest.

The methodology begins with the generation of random scenarios in Matlab, where DBSCAN identifies relevant data groups and filters out noise, enabling the computation of centroids that serve as navigation targets. Agents are assigned proportionally to the size of each group and move toward these points using PSO-optimized trajectories. A local obstacle-avoidance mechanism based on potential fields, together with a PID-based motion smoothing strategy, further enhances navigation. The algorithms are then transferred to the three-dimensional Webots simulation environment, where they are evaluated under more realistic physical conditions.

The results show consistent behavior: the combined approach reduces mean squared error, improves convergence time, and maintains efficient trajectories in both 2D and 3D simulations. The three-dimensional experiments demonstrate that the algorithm maintains stable and scalable performance across varied and realistic environments.