Optimización de un algoritmo de inteligencia de enjambre enfocado en sincronización y control de formaciones de sistemas robóticos multi-agente para escenarios con obstáculos móviles

Abstract

En este trabajo de graduación se optimizó la implementación del algoritmo de inteligencia de enjambre enfocado en sincronización y control de formaciones de sistemas robóticos. Para su desarrollo, se emplearon robots diferenciales Pololu 3Pi+ dentro del ecosistema del Robotat de la Universidad del Valle de Guatemala. El proceso comenzó verificando el funcionamiento del algoritmo original, utilizando simulaciones con Webots y escenarios físicos. Luego, se identificaron áreas de mejora en su implementación, enfocándose en incrementar la escalabilidad, robustez y eficiencia computacional mediante el uso de operaciones matriciales, paralelismo, ajustes en la asignación de posiciones y mejorando otras funcionalidades. Como parte de la validación, se llevaron a cabo 24 experimentos que permitieron verificar el rendimiento del algoritmo optimizado. Los resultados mostraron una reducción significativa en los tiempos de ejecución, particularmente al incrementar el número de agentes en la formación. Asimismo, se demostró que el algoritmo optimizado es adecuado para generar trayectorias en escenarios con obstáculos móviles. Esto se validó con 26 experimentos físicos controlados, en los que los agentes ajustaron sus trayectorias en tiempo real, respondieron a cambios en las posiciones de los obstáculos y evitaron colisiones, confirmando la efectividad y adaptabilidad del algoritmo.

In this graduation work, the implementation of the swarm intelligence algorithm focused on synchronization and control of robotic system formations was optimized. For its development, Pololu 3Pi+ differential robots were used within the Robotat ecosystem of the Universidad del Valle de Guatemala. The process began by verifying the performance of the original algorithm, using simulations with Webots and in physical scenarios. Then, areas of improvement in its implementation were identified, focusing on increasing scalability, robustness and computational efficiency through the use of matrix operations, parallelism, adjustments in position allocation and improving other functionalities. As part of the validation, 24 experiments were carried out to verity the performance of the optimized algorithm. The results showed a significant reduction in execution times, particularly as the number of agents in the formation increased. In addition, the optimized algorithm was shown to be suitable for generating trajectories in scenarios with moving obstacles. This was validated with 26 controlled physical experiments, in which agents adjusted their trajectories in real time, responded to changes in obstacle positions and avoided collisions, confirming the effectiveness and adaptability of the algorithm.