A Hybrid Intelligent Navigation Framework Using a Heuristic-Guided Dynamic Window Approach and Optimized Rapidly Exploring Random Tree Star for Autonomous Mobile Robots in Complex Dynamic Environments

Resumen Técnico: Un Marco de Navegación Inteligente Híbrido para Robots Móviles Autónomos

Planteamiento del Problema
Los Robots Móviles Autónomos (AMR) enfrentan desafíos significativos al navegar en entornos dinámicos complejos en tiempo real. Los métodos de planificación tradicionales suelen tener dificultades con la convergencia lenta, una adaptabilidad limitada a los cambios ambientales y una incapacidad para equilibrar la optimalidad de la ruta global con la evitación de obstáculos local. Los enfoques clásicos, como los métodos basados en grafos (Dijkstra, A*) y los planificadores basados en muestreo (variantes de RRT), a menudo carecen de eficiencia en espacios no lineales o sufren de mínimos locales y comportamiento oscilatorio cuando se combinan con métodos reactivos como los Campos de Potencial Artificial (APF). Por el contrario, los enfoques heurísticos y basados en IA suelen incurrir en altos costos computacionales o requieren extensos datos de entrenamiento, lo que los hace menos adecuados para aplicaciones en tiempo real. Las estrategias híbridas existentes frecuentemente fallan en mantener un equilibrio robusto entre la seguridad local y la optimalidad global, particularmente en entornos dinámicos con obstáculos en movimiento.

Metodología
El artículo propone un marco de navegación inteligente híbrido que integra un planificador global mejorado con un controlador de movimiento local adaptativo. El marco es evaluado a través de dos configuraciones específicas: APRRT-AW-DWA* y APRRT-DA-DWA*.

1. Planificador Global: RRT de Potencial Adaptativo (AP-RRT)**
   El planificador global extiende el algoritmo RRT* estándar con tres mecanismos clave:

• Tamaño de Paso Adaptativo: El tamaño del paso de expansión se ajusta dinámicamente según las condiciones del entorno, permitiendo pasos más grandes en regiones abiertas y pasos más pequeños y precisos en áreas congestionadas.
• Muestreo Guiado por Potencial: Se integra un Campo de Potencial Artificial (APF) en el proceso de muestreo. Se calcula un vector de dirección mixto combinando la dirección de muestreo aleatorio con el gradiente del APF, guiando el crecimiento del árbol hacia la meta mientras se evitan los obstáculos.
• Refinamiento de la Ruta mediante Optimización de Colonia de Hormigas (ACO): Para abordar la naturaleza estocástica de RRT*, que puede resultar en giros innecesarios, la ruta global generada es post-procesada utilizando ACO. Esta optimización suaviza la trayectoria y reduce las desviaciones, produciendo una ruta de referencia refinada ($P_{best}$).

2. Planificadores Locales: Variantes de DWA de Peso Adaptativo
   Se introducen dos variantes del Enfoque de Ventana Dinámica (DWA) para manejar la navegación local y los obstáculos dinámicos:

• AW-DWA (DWA de Peso Adaptativo): Esta variante introduce un mecanismo de ponderación dinámica para el término de despeje de obstáculos ($\beta_t$). El peso se ajusta basándose en la distancia mínima ($d_{min}$) entre la trayectoria prevista y los obstáculos cercanos. A medida que el robot se acerca a un obstáculo, el peso aumenta para priorizar la seguridad; en espacios abiertos, disminuye para priorizar el progreso hacia adelante.
• DA-DWA (DWA de Doble Adaptación): Esta variante extiende a AW-DWA adaptando también el peso de la orientación ($\mu$). El peso de la orientación se ajusta basándose en la relación entre la distancia recorrida desde el inicio ($L_{sn}$) y la distancia restante hacia la meta ($L_{ng}$). Esto asegura que el robot se alinee más fuertemente con la dirección de la meta a medida que se acerca al destino, equilibrando la alineación con la meta, la evitación de obstáculos y la eficiencia del movimiento.

Contribuciones Clave
La investigación identifica cuatro contribuciones técnicas primarias:

• La implementación de un mecanismo de tamaño de paso adaptativo dentro del proceso de expansión de RRT* para mejorar la eficiencia del muestreo.
• Una estrategza de expansión guiada por potencial que dirige el crecimiento del árbol hacia la región de la meta, reduciendo la exploración innecesaria.
• La integración de la Optimización de Colonia de Hormigas (ACO) para suavizar la ruta global generada y minimizar las desviaciones.
• El desarrollo de controladores DWA mejorados (AW-DWA y DA-DWA) que cuentan con mecanismos de ponderación adaptativa adecuados para el rendimiento en tiempo real en entornos dinámicos.

Resultados
El marco fue evaluado mediante simulaciones numéricas (Python) y experimentos en el mundo real utilizando una plataforma TurtleBot3 Burger tanto en entornos estáticos como dinámicos.

• Desempeño de la Planificación Global: En simulaciones de entorno estático (Mapa 1), el AP-RRT* propuesto se comparó con planificadores de referencia (RRT*, Informed RRT*, e Informed RRT* con ACO). Los resultados demostraron que el AP-RRT* redujo la longitud promedio de la ruta a aproximadamente 52.41 m (con una mejor ruta de 48.94 m) y mejoró la suavidad de la ruta a 3.45 rad. El resumen señala una reducción del 19% en la longitud de la ruta y una mejora del 67% en la suavidad en comparación con el RRT* estándar en estos ensayos estáticos. Nótese que la Tabla 1 presenta resultados de mapas dinámicos donde el AP-RRT* sirve como el planificador global para todos los métodos locales, en lugar de comparar el AP-RRT* directamente contra el RRT* estándar en el escenario dinámico.
• Desempeño de la Planificación Local: En entornos dinámicos, los métodos propuestos se compararon contra una línea base de DWA mejorado.
  • AW-DWA logró una tasa de éxito un 20% mayor (90% frente a 70%) y una desviación de ruta un 35% menor en comparación con la línea base.
  • Respecto a la suavidad de la ruta, la línea base de Improved DWA registró un valor de 0.1174 rad/m, mientras que AW-DWA logró 0.0301 rad/m. Esto representa una mejora del 74% en la suavidad de la ruta en comparación con el Improved DWA, indicando una trayectoria significativamente más suave con menos cambios abruptos.
  • DA-DWA logró una tasa de éxito del 80%.
  • Aunque la línea base a veces generaba rutas ligeramente más cortas, los métodos adaptativos propuestos produjeron trayectorias significativamente más suaves con menos cambios de dirección abruptos.
• Validación en el Mundo Real: Los experimentos en el TurtleBot3 Burger confirmaron la capacidad del marco para seguir las rutas planificadas y ajustar las velocidades suavemente en presencia de obstáculos móviles, demostando perfiles de velocidad lineal y angular estables.

Significancia y Reivindicaciones
El artículo afirma que el marco híbrido propuesto proporciona una solución efectiva y robusta para la navegación autónoma en tiempo real en entornos dinámicos complejos. Al integrar mecanismos adaptativos en ambas fases de planificación (global y local), el sistema aborda limitaciones comunes como la mala calidad de la ruta, la exploración ineficaz y la respuesta débil ante obstáculos dinámicos. Los autores aseguran que el marco equilibra con éxito la seguridad de la navegación, la estabilidad de la trayectoria y la eficiencia del movimiento sin sacrificar el control. La validación en una plataforma robótica física confirma además la aplicabilidad del método a escenarios de la vida real, ofreciendo un enfoque computacionalmente eficiente que mejora la fiabilidad de las estrategias de planificación de un solo método.