Evaluación e implementación de algoritmos genéticos para aplicaciones en robótica y otras áreas de Ingeniería Mecatrónica

Abstract

Este trabajo aborda la evaluación e implementación de algoritmos genéticos (AG) para aplicaciones específicas en robótica y la Ingeniería Mecatrónica. Se plantearon objetivos enfocados en la planificación de trayectorias, evasión de obstáculos y segmentación de imágenes, desarrollando escenarios prácticos para validar la eficacia de estos algoritmos. Mediante una revisión exhaustiva del marco teórico de la computación evolutiva, se diseñaron AG adaptados que fueron implementados en simulaciones realistas utilizando plataformas como MATLAB y Webots. En el ámbito de la planificación de trayectorias, se evaluaron cinco escenarios en mapas 2D y cuatro en entornos 3D. En los mapas 2D, los AG generaron rutas eficientes tras un número controlado de iteraciones, evitando colisiones con obstáculos estáticos y optimizando las trayectorias en términos de distancia recorrida. En los entornos 3D, los algoritmos demostraron su capacidad para la navegación de drones, adaptándose a restricciones espaciales y obstáculos complejos, y generando trayectorias precisas. La implementación en simulaciones permitió validar el desempeño de los AG en entornos controlados, asegurando la viabilidad de las soluciones propuestas. En el procesamiento de imágenes, los AG fueron aplicados a la segmentación de imágenes complejas, como imágenes médicas y escenarios con ruido. Los algoritmos lograron un desempeño superior en métricas de calidad de segmentación frente a métodos tradicionales como Otsu y K-means, destacándose en la agrupación de píxeles y la optimización de regiones homogéneas. Adicionalmente, se desarrolló un escenario específico enfocado en la segmentación para la identificación de regiones útiles en visión por computadora, mostrando resultados altamente satisfactorios. Con estas implementaciones, el trabajo cumplió con el objetivo general de evaluar e implementar algoritmos genéticos para aplicaciones en robótica y otras áreas de la Ingeniería Mecatrónica, validando su capacidad de optimización en diversos escenarios y consolidando su utilidad como herramienta versátil en la resolución de problemas complejos.

This work addresses the evaluation and implementation of genetic algorithms (GA) for specific applications in robotics and Mechatronics Engineering. The objectives focused on trajectory planning, obstacle avoidance, and image segmentation, developing practical scenarios to validate the effectiveness of these algorithms. Through an exhaustive review of the theoretical framework of evolutionary computation, adapted GAs were designed and implemented in realistic simulations using platforms such as MATLAB and Webots. In the area of trajectory planning, five scenarios were evaluated on 2D maps and four in 3D environments. On 2D maps, the GAs generated efficient routes after a controlled number of iterations, avoiding collisions with static obstacles and optimizing trajectories in terms of travel distance. In 3D environments, the algorithms demonstrated their ability to navigate drones, adapting to spatial constraints and complex obstacles, and generating precise trajectories. The implementation in simulations allowed for validating the performance of GAs in controlled environments, ensuring the feasibility of the proposed solutions. For image processing, GAs were applied to the segmentation of complex images, including medical images and scenarios with noise. The algorithms achieved superior performance in segmentation quality metrics compared to traditional methods such as Otsu and K-means, excelling in pixel grouping and the optimization of homogeneous regions. Additionally, a specific scenario was developed for segmentation aimed at identifying regions useful in computer vision, yielding highly satisfactory results. Through these implementations, the work fulfilled the general objective of evaluating and implementing genetic algorithms for applications in robotics and other areas of Mechatronics Engineering, validating their optimization capabilities in diverse scenarios and consolidating their utility as a versatile tool for solving complex problems.