Optimización del algoritmo de robótica de enjambre Particle Swarm Optimization para su implementación con agentes robóticos físicos en escenarios con obstáculos en el ecosistema Robotat

Abstract

La robótica de enjambre, inspirada en el comportamiento colectivo de animales como peces o aves, permite que un conjunto de partículas trabaje de forma colaborativa para alcanzar un objetivo en común. En la Universidad del Valle de Guatemala (UVG), se han desarrollado diversas investigaciones basadas en el algoritmo Particle Swarm Optimization (PSO), el cual evalúa posiciones óptimas mediante funciones de costo que determinan las mejores posiciones encontradas por el enjambre de robots. En esta investigación, se presenta la optimización del algoritmo Modified Particle Swarm Optimization (MPSO) desarrollado en fases anteriores, para su implementación con agentes robóticos físicos en escenarios más complejos con obstáculos en el ecosistema Robotat. La optimización se llevó a cabo mediante técnicas de vectorización, paralelización y lenguaje de programación Python, buscando mejorar el tiempo de convergencia (tiempo que tardan los agentes robóticos en llegar a la meta) y las trayectorias generadas. Las pruebas se realizaron utilizando agentes robóticos Pololu 3pi+ y las funciones de costo Sphere, Booth y Schaffer. Asimismo, se evaluaron y compararon las trayectorias generadas con las originales. El algoritmo PSO también fue implementado como planificador de trayectorias mediante el uso de campos potenciales artificiales para la evasión de obstáculos, implementado en dos entornos: uno en tiempo real en el ecosistema Robotat y otro en el simulador Webots. Los resultados más relevantes presentan mejoras en el tiempo de convergencia y las trayectorias generadas. De igual forma, la implementación del algoritmo PSO, como planificador de trayectorias, demostró un mejor desempeño en la evasión de obstáculos y el tiempo requerido para llegar a la meta.

Swarm robotics, inspired by the collective behavior of animals such as fish or birds, enables a set of particles to work collaboratively to achieve a common goal. At the University of Valle de Guatemala, several research projects have been developed based on the Particle Swarm Optimization (PSO) algorithm, which evaluates optimal positions using cost functions to determine the best positions found by the swarm of robots. This research presents the optimization of the Modified Particle Swarm Optimization (MPSO) algorithm, developed in previous phases, for implementation with physical robotic agents in more complex scenarios, including obstacles within the Robotat ecosystem. The optimization was carried out through techniques such as vectorization, parallelization, and the use of the Python programming language, aiming to improve convergence time (the time it takes for the robotic agents to reach the target) and the generated trajectories. Tests were conducted using Pololu 3pi+ robotic agents and the cost functions Sphere, Booth, and Schaffer. Additionally, the generated trajectories were evaluated and compared to the original ones. The PSO algorithm was also implemented as a trajectory planner using artificial potential fields for obstacle avoidance, tested in two environments: one in real-time in the Robotat ecosystem and another in the Webots simulator. The most significant results showed improvements in convergence time and the generated trajectories. Furthermore, the implementation of the PSO algorithm as a trajectory planner demonstrated better performance in obstacle avoidance and reduced time to reach the target.