Industrial Internet Robot Collaboration System and Edge Computing Optimization

Resumen Técnico: Sistema de Colaboración de Robots de Internet Industrial y Optimización de Computación en el Borde (Edge Computing)

Planteamiento del Problema
En entornos de Internet industrial, tales como el almacenamiento y la fabricación flexible, los robots móviles enfrentan desafíos significativos para generar rutas globales libres de colisiones. Estos desafíos surgen de disposiciones de obstáculos estocásticos y perturbaciones aleatorias en las velocidades lineales y angulares comandadas. Mientras que los enfoques existentes optimizan para la distancia mínima o la energía, a menudo luchan contra mínimos locales y perturbaciones de ejecución en entornos complejos y congestionados. Además, la navegación de alta precisión requiere la adherencia estricta a las restricciones de movimiento no holonómico, manteniendo al mismo tiempo un seguimiento estable y la evitación de colisiones. El artículo también aborda la latencia y los problemas de tráfico inherentes a la comunicación robot-servidor, proponiendo la computación en el borde como un medio para mejorar la capacidad de respuesta.

Metodología
El enfoque propuesto integra el modelado dinámico, la planificación de rutas globales basada en energía y el control difuso para la ejecución, con el soporte de la computación en el borde.

1. Modelado Dinámico y Descomposición de Comportamiento:
   Los autores modelan un robot de tracción diferencial con restricciones no holonómicas. La ecuación dinámica se establece inicialmente basada en la pose ($x, y, \theta$) y las entradas de control, luego se simplifica en una forma cinemática donde la velocidad lineal ($\eta$) y la velocidad angular ($v$) impulsan el movimiento. Para mejorar la controlabilidad, el movimiento del robot se descompone en tres comportamientos parametrizados:

• Evitación de Obstáculos: Ajusta la velocidad angular basándose en los ángulos de desviación y el rumbo del obstáculo, mientras modula la velocidad lineal según la distancia mínima al obstáculo.
• Acercamiento al Objetivo: Limita la velocidad lineal basándose en la distancia al objetivo y la velocidad máxima, reteniendo los términos relacionados con los obstáculos.
• Giro hacia el Objetivo: Establece la velocidad angular basándose en la diferencia entre los rumbos del objetivo y el obstáculo, acotando la velocidad lineal.

2. Planificación de Ruta Global (Función de Energía y Recocido Simulado):
   La planificación de la ruta global se formula como un problema de optimización restringida. El modelo se convierte en una función de energía ponderada ($F$) que comprende un término de longitud de trayectoria ($F_l$) y un término de penalización por colisión ($F_z$). Una red neuronal de tres capas representa el modelo de planificación. Para resolver la ruta óptima y mitigar los mínimos locales, los autores emplean el Recocido Simulado (Simulated Annealing). Este algoritmo genera iterativamente rutas vecinas, evalúa los cambios de energía y acepta soluciones inferiores con una probabilidad que disminuye a medida que la "temperatura" baja, convergiendo hacia una ruta global de baja energía.

3. Control de Ruta Global (Lógica Difusa):
   Durante la ejecución, un controlador difuso corrige las desviaciones. Las entradas son la desviación del ángulo de rumbo (umbral establecido: $\pm10^\circ$) y el error de desplazamiento lateral (umbral establecido: $\pm100$ mm). La salida es la velocidad diferencial entre las ruedas izquierda y derecha. El controlador utiliza funciones de membresía triangulares para la corrección de errores y la desdifusión basada en reglas de experto para emitir acciones de control nítidas.

4. Integración de Computación en el Borde (Edge Computing):
   El artículo analiza el traslado de la computación hacia el borde para reducir el tráfico robot-servidor y la latencia, facilitando el intercambio oportuno de información ambiental entre robots colaborativos.

Contribuciones Clave

• Parametrización Basada en Comportamiento: Una novedosa descomposición del movimiento del robot en comportamientos de evitación de obstáculos, giro hacia el objetivo y acercamiento al objetivo para parametrizar las variables de control bajo restricciones no holonómicas.
• Arquitectura de Planificación Híbrida: La combinación de un modelo de planificación basado en redes neuronales con el Recocido Simulado para buscar mínimos globales cercanos en paisajes de energía complejos.
• Controlador Difuso de Corrección de Errores: Una estrategia de control difuso específica que utiliza errores de rumbo y de desplazamiento lateral para ajustar rápidamente los diferenciales de velocidad de las ruedas, asegurando que el robot se mantenga dentro de los umbrales de desviación definidos.
• Ejecución Optimizada por el Borde: Un marco que integra la computación en el borde para abordar las restricciones de latencia y ancho de banda en la colaboración industrial.

Resultados Experimentales
El método fue evaluado utilizando simulaciones en Matlab 2024, comparando el enfoque propuesto contra dos líneas base: un planificador de restricciones generalizadas de servovisual y un planificador de campo de seguridad dinámico/estático.

• Desviación de la Ruta: El método propuesto mantuvo las desviaciones dentro de $\pm5$ cm y logró la convergencia en 10 ms, superando a las líneas base tanto en estabilidad como en velocidad de convergencia.
• Longitud de la Ruta: A medida que las iteraciones aumentaban (hasta 500), el método propuesto generó consistentemente rutas más cortas. A las 500 iteraciones, el método propuesto logró una longitud de ruta de 106 m, comparado con 118 m (servovisual) y 117 m (campo de seguridad). La longitud media de la ruta para el método propuesto fue de 114 m, significativamente más corta que las líneas base (132 m y 130 m, respectivamente).
• Robustez: Las simulaciones demostraron una mejor robustez en la navegación global bajo condiciones estocásticas.

Significancia y Limitaciones
El artículo afirma que este enfoque mejora la robustez de la navegación global en entornos industriales prácticos al equilibrar eficazmente la optimalidad de la ruta con la evitación de colisiones y la estabilidad de seguimiento. La integración de la computación en el borde se destaca como un factor crítico para reducir la latencia en entornos colaborativos.

Los autores reconocen modestamente las limitaciones, señalando que el sistema depende de supuestos de modelado específicos, el uso de funciones de membresía y reglas difusas diseñadas manualmente, y la sensibilidad al ruido de los sensores o cambios ambientales abruptos. El trabajo futuro se identifica como la incorporación de detección consciente de la incertidumbre, el ajuste adaptativo de los parámetros difusos y la validación mediante experimentos con robots reales.