Este proyecto desarrolla un sistema de percepción inteligente para robots futbolistas autónomos, implementado sobre una plataforma ESP32 y diseñado para entornos de fútbol robótico similares a la RoboCup Small Size League (SSL).
El sistema permite que el robot identifique objetos presentes en el campo de juego, como balones, oponentes y obstáculos, utilizando sensores ultrasónicos y sensores de color. La información capturada es procesada mediante una Red Neuronal Perceptrón Multicapa (MLP), complementada con técnicas de inteligencia artificial basadas en Algoritmos Genéticos (GA) y Optimización por Enjambre de Partículas (PSO) para la toma de decisiones en tiempo real.
- Diseñar un sistema de percepción inteligente para robots móviles.
- Detectar y clasificar objetos presentes en el campo de juego.
- Implementar aprendizaje supervisado mediante redes neuronales.
- Optimizar la toma de decisiones utilizando algoritmos bioinspirados.
- Ejecutar inferencia en tiempo real sobre hardware embebido ESP32.
- Mejorar la navegación autónoma y la interacción con el balón.
- Plataforma embebida basada en ESP32.
- Procesamiento en tiempo real con ciclos de aproximadamente 30 ms.
- Clasificación inteligente de escenarios mediante IA.
- Arquitectura híbrida combinando Machine Learning y algoritmos evolutivos.
- Navegación autónoma y evasión de obstáculos.
- Sistema adaptable a condiciones dinámicas del entorno.
- ESP32
- 3 Sensores ultrasónicos HC-SR04
- 1 Sensor de color TCS34725
- Distancia frontal superior
- Distancia frontal inferior
- Distancia izquierda
- Distancia derecha
- Cambio de distancia entre lecturas consecutivas
- Componente Roja (R)
- Componente Verde (G)
- Componente Azul (B)
El sistema utiliza una red neuronal con arquitectura:
9 → 12 → 4
Donde:
- 9 neuronas de entrada
- 12 neuronas ocultas
- 4 neuronas de salida
| Clase | Objeto Detectado |
|---|---|
| 0 | Pared u obstáculo |
| 1 | Oponente |
| 2 | Balón libre |
| 3 | Balón disputado |
- Normalización Min-Max
- Activación Sigmoide
- Softmax
- Entropía Cruzada
El algoritmo PSO se utiliza para:
- Exploración del entorno.
- Optimización de trayectorias.
- Búsqueda eficiente de objetivos.
- Navegación dinámica.
Los algoritmos genéticos permiten:
- Ajuste automático de parámetros.
- Adaptación a condiciones cambiantes.
- Optimización del comportamiento del robot.
- Evolución de estrategias de juego.
El sistema combina:
GA → Estrategia Global
PSO → Movimiento Local
MLP → Percepción Inteligente
Esta integración permite una toma de decisiones más robusta y adaptable.
El comportamiento del robot está gobernado por una máquina de estados compuesta por:
Explora el entorno en busca de objetivos.
Se dirige hacia el objeto detectado.
Confirma si el objeto corresponde al balón.
Interactúa físicamente con el balón.
Realiza maniobras de evasión ante obstáculos.
Lectura de Sensores
↓
Cálculo de Distancias
↓
Preprocesamiento
↓
Normalización
↓
Red Neuronal MLP
↓
Clasificación
↓
Máquina de Estados
↓
Acción del Robot
Durante las pruebas realizadas se observaron los siguientes beneficios:
- Detección confiable del balón naranja.
- Mayor precisión en la clasificación de objetos.
- Reducción significativa de colisiones.
- Mejora en la búsqueda de objetivos mediante PSO.
- Adaptación progresiva gracias a los Algoritmos Genéticos.
- Inferencia eficiente ejecutada directamente en el ESP32.
El proyecto incorpora conceptos de:
- Redes Neuronales Artificiales.
- Aprendizaje Supervisado.
- Normalización Estadística.
- Optimización Bioinspirada.
- Sistemas Embebidos.
- Robótica Móvil.
- Máquinas de Estados Finitos.
- Inteligencia Artificial Aplicada.
Proyecto desarrollado para la asignatura Toma de Decisiones del programa de Ciencias de la Computación e Inteligencia Artificial de la Universidad Sergio Arboleda.
- Cristian León
- Santiago Rodríguez
- Juan Pablo Chavarro
Universidad Sergio Arboleda Escuela de Ciencias Exactas e Ingeniería Ciencias de la Computación e Inteligencia Artificial