Presentación del Vehículo Solar Autónomo

1. Vehículo solar autónomo de arquitectura
electrónica abierta para el desarrollo de
algoritmos de gestión de energía
Antonio Guerrero González1, Francisco García-Córdova2, Inocencio González Reolid3
En la Fig. 1 podemos ver las tres componentes del
Resumen—Este trabajo consiste en la descripción del campo magnético terrestre, necesarias para una
Vehículo Autónomo Solar de la Universidad Politécnica de navegación completa, algunos animales son sensibles a
Cartagena SAV-UPCT (CHAMAN-UPCT) y las estas tres componentes, pero el ser humano, todavía no
posibilidades de realizar misiones terrestre no supervisadas
o supervisadas, siendo una plataforma experimental para
es capaz de construir aparatos capaces de detectar la
realizar aprendizajes de comportamiento bio-inspirados inclinación e intensidad del campo magnético, con
para la navegación como vehículo autónomo, utilizando suficiente sensibilidad para que sea útil para la
como fuente de energía la energía solar tomada a través de navegación.
módulos fotovoltaicos.
Además, lleva un computador embebido, en el que se ha
implementado una red neuronal para el control de la
navegación, junto con la gestión de la energía, completando
un equipo destinado a exploraciones o misiones de larga
duración, sin la presencia humana, capaz de reaccionar
por sí mismo, ante eventualidades como detección de
obstáculos, poca radiación solar, etc.
También permite capturar información mediante
sensores y enviar datos en tiempo real a un centro de
control. Fig. 1. Inclinación e intensidad del campo magnético terrestre.
Palabras clave—Plataforma solar, robot navegadores,
robot autónomos, vehículos solares autónomos, La navegación autónoma de robots en entornos
computación embebida. desconocidos constituye uno de los retos tecnológicos
más importantes en el campo de la robótica móvil. El
I. INTRODUCCIÓN problema que se plantea es cuando un robot móvil se
M EDIANTE unos sensores que captan la
información procedente de la tierra, del Sol, de
encuentra en un ambiente no estructurado, donde existen
una serie de obstáculos y un objetivo/meta [7].
las estrellas y un reloj biológico interno, el cerebro de El aporte energético es uno de los principales
los animales migratorios construyen mapas cognitivos problemas que se debe resolver para un robot destinado
para guiar en sus desplazamientos estacionales de a misiones de larga duración, en entornos hostiles y
migración [1]. alejados de la presencia humana, tales como misiones
Las tortugas bobas (Caretta caretta) pueden hacer espaciales, exploraciones planetarias, navegación en
viajes transoceánicos navegando longitudinalmente o en océanos turbulentos, exploraciones en desiertos y
dirección de este a oeste, sin puntos de referencia visual, regiones polares, descensos en océanos a grandes
haciéndolo mediante señales magnéticas [2]. profundidades, exploraciones volcánicas, etc.
El ser humano consigue orientarse utilizando el El SAV es controlado mediante una CPU empotrada,
campo magnético terrestre, mediante brújulas, pero éstas que mediante un algoritmo de gestión de energía, es
sólo detectan una parte del campo magnético, mientras capaz, por sus propios medios, de forma autónoma, de
que las tortugas bobas consiguen navegar gracias a que navegar por el entorno, evitando los obstáculos y
nunca pierden de vista la inclinación e intensidad del alcanzando la meta, realizando una supervisión de la
campo magnético terrestre, en forma de una “firma energía solar recibida, de la energía almacenada en las
magnética”, creando un mapa magnético en sus celebros baterías y de la energía consumida.
con “bi-coordenadas”, de esta manera, consiguen El algoritmo de control va gestionando el consumo
navegar de este a oeste, de norte a sur y viceversa, a lo moderado de energía del SAV, variando su velocidad, su
largo de sus vías migratorias [3]-[6]. dirección y sentido, para que, en ningún momento se
quede sin energía, completando su objetivo o misión.
De esta manera el SAV es capaz de mantener su
* Corresponding author: funcionamiento en misiones de exploración de larga
antonio.guerrero@upct.es (Antonio Guerrero González) duración, abastecido sólo con la energía recibida del Sol.
Published online at http://journal.sapub.org/xxx
Copyright © year Scientific & Academic Publishing. All Rights Reserved
Hay varios autores con diferentes enfoques para
resolver el problema, se está trabajando en mejorar los
métodos clásicos de planificación de trayectorias, como
los grafos de visibilidad, los diagramas de Voroni, etc.

2. [8], los sistemas de control inteligentes basados en II. DESCRIPCIÓN DE LA PLATAFORMA
técnicas de Inteligencia Artificial, Lógica Fuzzy [9], EXPERIMENTAL
[10], y las Redes Neuronales Artificiales [11], [12],
muchos de estos sistemas están teniendo éxito debido a A. Descripción del SAV-UPCT
su gran capacidad de emular los sistemas de navegación En la Fig. 2, se aprecia el robot experimental
natural de los humanos y de los animales. autónomo SAV, se puede ver en la parte superior la
Hay diferentes plataformas robóticas y proyectos estructura con los módulos solares fotovoltaicos.
destinados a desarrollar la navegación autónoma y la La plataforma experimental lleva baterías de gel,
aplicación de energía solar fotovoltaica, a continuación, regulador de carga de baterías y protecciones.
se exponen varios de ellos. A continuación se realiza una explicación de cada uno
The Cool Robot es un vehículo autónomo destinado a de dichos componentes.
navegar en ambientes helados, como la Antártida y La plataforma tiene dos módulos fotovoltaicos de
Groenlandia, para apoyo a investigaciones científicas silicio policristalino de elevado rendimiento, con una
[13]-[14]. potencia de 100 Wp cada uno, estos módulos se utilizan
La Microtransat Challenge es una competición para capturar la radiación solar y convertirla en energía
trasantlántica de embarcaciones marinas totalmente eléctrica.
autónomas. Esta carrera pretende estimular el desarrollo
de embarcaciones marinas autónomas a través de una
competición [15].
El SAUV II [16] es un vehículo submarino autónomo
propulsado mediante energía solar capaz de operar a
profundidades de hasta 500 m.
En este trabajo, nosotros proponemos un robot móvil
autónomo solar (SAV-UPCT), donde se integra un
sistema de control neuronal bio-inspirado para su
navegación autónoma, que le permite realizar alcances
de objetivos y seguimientos de trayectorias con evasión
de obstáculos en entornos no estructurados.
Además, con esta arquitectura bio-inspirada se
pretende presentar, de una manera simplificada, para
entender en parte los mecanismos que permiten al Fig. 2. Vehículo Autónomo Solar, SAV-UPCT
cerebro recabar entradas sensoras, para realizar
comportamientos de control adaptativos en la El SAV utiliza el regulador de carga Flexmax [17] y
navegación autónoma de los animales. su función es la de regular la carga de las baterías desde
En este trabajo, la autonomía del vehículo es evaluada los módulos solares, prevenir la sobrecarga, la descarga
en diversos escenarios. También, SAV-UPCT lleva un de las baterías y proteger a los módulos solares cuando
sistema de gestión energético para realizar misiones de no haya radiación solar.
largo recorrido o duración, con la auto-ayuda del También cuenta con cuatro baterías o acumuladores
almacenamiento en baterías de la energía proporcionada utilizados para almacenar la energía de los módulos
por los módulos fotovoltaicos, permitiendo proporcionar fotovoltaicos, y proporcionar energía en los momentos
energía en los momentos de baja radiación solar. de baja radiación.
Este artículo está organizado de la manera siguiente:
Primero, describimos la plataforma experimental en la
Sección II, con el sistema de navegación, el sistema de
gestión de energía y dispositivos integrantes. En la
Sección III, describimos el sistema de navegación
autónomo con la arquitectura de control bio-inspirada
para el alcance de objetivos y seguimiento de trayectoria
con evasión de obstáculos. Los resultado experimentales
de la plataforma propuesta para comportamientos de
alcance de objetivos y seguimiento de trayectoria con
evasión de obstáculos, se muestran en la Sección IV.
Finalmente, en la Sección V, se presentan las
conclusiones basadas en los resultados experimentales y
trabajos futuros.
Fig. 3. Esquema instalación energética.
En la Fig. 3, se aprecia el esquema del sistema
energético, compuesto por los módulos solares

3. fotovoltaicos, que convierten la radiación solar incidente tracción con los motores y encoders unidos a los ejes de
en energía eléctrica, después de pasar por unas los motores.
protecciones de DC (Corriente Continua), la energía se
inyecta a las baterías a través del regulador de carga con
control MPP (Punto de Máxima Potencia). Todo el
sistema energético trabaja a 24 V, siendo la tensión más
utilizada por los diferentes elementos del SAV, como los
motores de tracción, CPU embebida (Unidad Central de
Proceso), etc.
En la Fig. 4, aparece el esquema del sistema de
control embebido, compuesto por una unidad central de
procesamiento de datos CPU, sobre la cual se
implementa el sistema de red neuronal artificial.
A esta CPU van conectados los diferentes sensores
necesarios para la navegación como el sónar, el laser,
compás y receptor GPS (Sistema de Posicionamiento Fig. 5. Computador Empotrado y Sistema de Control Energético del
Global), por otro lado, se conectan otros sensores Vehículo Solar.
necesarios para verificar el comportamiento del robot
como su inclinación, giro y radiación solar incidente
El SAV lleva un receptor GPS montado sobre el
sobre los módulos solares.
vehículo, se utiliza para la navegación autónoma, con
este sistema permite conocer la posición inicial y si
introducimos las coordenadas de la meta, permite al
SAV navegar hasta la misma, evitando los obstáculos,
modificando su trayectoria lo necesario, para evitar la
colisión con obstáculos que se encuentre en su camino,
para ello, lleva unos sensores sonar por ultrasonidos,
perimetrales y un sensor laser de barrido central de 180º,
Fig. 6.
Fig. 4. Interconexiones de elementos del hardware del sistema de
control del SAV-UPCT.
Fig. 6. Equipos del sistema energético y laser.
Como salidas de actuación se conectan los
controladores de los motores de tracción, control del
sistema energético, pantalla de visualización de datos,
luces de alumbrado y señalización, emisor/receptor de
datos para control desde una central, emisor de señales
de video.
B. Sistema de Control Energético del Vehículo
Autónomo
El sistema de computador empotrado utilizado es el
modelo ARK-5280, del fabricante ADVANTECH, se
puede ver en la foto de la Fig. 5, donde se aprecia a la
Fig. 7. CPU ARK-5280, del fabricante ADVANTECH.
izquierda la CPU, con las conexiones CAN bus
(Controller Area Network), RS232, USB, etc., las
conexiones COM van por detrás, a la izquierda está el
sistema de control y etapas de potencia de los motores
que impulsan al SAV, abajo se encuentra el tren de

4. Fig. 10. Más especificaciones de la CPU ARK-5280..
Fig. 8. Conexiones de la CPU ARK-5280, ADVANTECH.
El ARK-5280 es un potente y robusto Computador
Embebido, utiliza los procesadores de alto rendimiento
como Intel Celeron M y Pentium M. Esto hace que sea
muy adecuado para aplicaciones de Computadores
embebidos e industriales que requieren un alto
rendimiento del procesador en un espacio limitado. Con
dos ranuras PCI para su aplicación.
La integración de la expansión y el sistema, ARK-
5280 PC Box Embedded también lleva cuatro puertos
USB 2.0 y cuatro interfaces de puerto serie. Puede
soportar hasta 2 GB de SDRAM DDR y tiene soporte de
pantalla dual independiente de la incorporada en las
interfaces de CRT / VGA y DVI.
A continuación en las Fig. 9, Fig. 10 y Fig. 11 se
exponen las características más importantes de la CPU
ARK-5280 utilizada. Fig. 11. Más especificaciones de la CPU ARK-5280..
III. NAVEGACIÓN AUTÓNOMA CON EVASIÓN
DE OBSTÁCULOS, ARQUITECTURA DE RED
NEUROBIOLÓGICA
Se propone una arquitectura neuronal para robots
móviles no-holonómicos, en entornos no estacionarios,
que hace posible la integración de un neurocontrolador
cinemático, para el seguimiento de trayectorias y un
neurocontrolador adaptativo para la evasión de
obstáculos. En las Fig. 12 y Fig. 13, ilustran la
arquitectura neuronal propuesta.
El neurocontrolador es una red neuronal no-
supervisada que aprende a controlar al robot móvil en un
entorno no estacionario, la cual se denomina Red
Autoorganizativa de mapeado de direcciones (Self-
Organization Direction Mapping Network (SODMN), y
combina aprendizaje asociativo y mapas asociativos
vectoriales (VAM), aprendiendo a generar
trasformaciones entre coordenadas espaciales y
velocidad en motores.
El neurocontrolador adaptativo para la evasión de
obstáculos, es una red neuronal, que aprende a controlar
los comportamientos de evasión de obstáculos, sobre
robots móviles de la forma que los animales aprenden y
Fig. 9. Especificaciones de la CPU ARK-5280. es conocido como condicionamiento operante.
El aprendizaje, que no requiere supervisión, tiene
lugar cuando el robot se mueve alrededor de un

5. ambiente lleno de obstáculos. La red neuronal no Las actividades de las celdas de DVs y DVm se
requiere el conocimiento de la geometría del robot o de representan en la red neuronal por las cantidades (S1, S2,
la calidad, el número, o la configuración de los sensores ..., Sm) y (R1, R2, ..., Rn), respectivamente [24]-[28]. El
del robot. mapeado de direcciones se obtiene con un campo de
( xd , yd , φd ) (θ&r d , θ&l d )Mobile ( x, y, φ ) celdas de actividad Vik. Cada celda Vik recibe el conjunto
completo de las entradas especiales Sj, j = 1, m, pero
Kp SODMN
φd 1 φ d (θ&r , θ&l ) Robot
+ conectadas solamente a una celda Ri. El mapeado de
−
celdas de dirección ( V ∈ ℜ ) calcula la diferencia de
+ n× k
+
NNAB actividad entre los vectores de dirección motor y
φe φ
&
espacial a través de la dirección DVm.
Ultrasound sensors Durante el aprendizaje, estas diferencias activan el
reajuste de los pesos. Durante la fase de funcionamiento,
Fig. 12. Arquitectura neuronal para la navegación reactiva y adaptativa estas diferencias producen las actividades DVm sobre
de un SAV. los valores codificados en el mapeado aprendido.
B. Red Neuronal NNAB para la evasión de obstáculos.
A. Red SODMN (Self-Organization Direction Mapping
Network). Grossberg propuso un modelo de condicionamiento
clásico y operante, el cual se diseñó para tener en cuenta
Esta Red expresa las trasformaciones de direcciones
una variedad de datos de comportamiento en el
espaciales a direcciones motoras como un mapeado
aprendizaje en vertebrados [29]-[36].
lineal tal y como se expresa en la Fig. 13. El error
espacial se calcula para obtener el vector de dirección Nuestra implementación está basada en el circuito de
espacial DVs (Spatial Direction Vector). El DVs se condicionamiento de Grossberg, el cual sigue una forma
trasforma mediante un mapeado de los elementos DVik al muy apropiada al propuesto en Grossberg & Levine
correspondiente vector (DVm). [36], [37] and Chang & Gaudiano [38], tal y como se
muestra en la Fig. 14.
Por otro lado, un conjunto de celdas activas
inhibitorias, reciben las entradas y determinan el
contexto de una acción motor, este conjunto de celdas se Ii S Angular Velocity Map
xi P
denominan campo de contexto. El campo de contexto CSi
nsors
xyi xm j
selecciona los elementos Vik basado en la configuración I3
und se
CS3
inicial de la velocidad angular de las ruedas. I2 φe
& φe
∫ f ( x)
Ultraso
CS2
Desired Spatial Position
Sensed Position in Spatial I1 Angular velocity
+ UCR of avoidance
Coordinates - CS1
∑
Active → ck = [cf ]+ Spatial Direction Vector
Inactive → ck = 0 Collision (UCS) y
S1 S2 Sm
Context Field Survival (Ty)
D φ
& Sensed Angular
velocity
Direction
V1K VnK Mapping Cells
Fig. 14. Red Neuronal para la Conducta de Evitación de Obstáculos.
cf V12 Vn 2
En este modelo las señales sensoriales (ambas CS y
θr
& θl
& V11 R1 Rn Vn1 UCS) se almacenan en una memoria de corto plazo
Motor (STM) dentro de las poblaciones designadas como S, las
Direction
cf Vector cuales incluyen interacciones competitivas para asegurar
θr
&
∏ ∏ GO
que las señales más importantes son contrastadas,
mejoradas y almacenadas en el (STM) mientras que las
θr d
& θl d
&
señales menos importantes son suprimidas.
θl
&
Sensed angular
velocities of
Las poblaciones S se modelan como un campo
wheels competitivo recurrente en la versión simplificada de
tiempo discreto, la cual elimina el ruido inherente,
Fig. 13. Red Neuronal para el Auto-Control de la Dirección para el normalizada eficientemente y mejorada por
Seguimiento de la Trayectoria del robot SAV. contrastación con las activaciones de los sensores.
En el presente modelo, los nodos CS corresponden a
La señal GO actúa como una puerta multiplicativa no la activación desde los sensores de ultrasonidos del
específica y controla el movimiento en todo el campo de robot. En la red Ii representa un valor del sensor el cual
velocidades. La señal GO es una entrada que procede codifica la distancia de objetos próximos con valores
del centro de decisión del cerebro, y que varía desde grandes y con objetos distantes los valores pequeños.
cero antes del movimiento y luego crece suavemente La red no requiere conocimiento de la geometría del
hasta un valor positivo cuando tiene lugar el robot móvil o la cantidad, número o distribución de los
movimiento. Durante la fase de aprendizaje, la señal GO sensores alrededor del cuerpo del robot.
está inactiva.

6. IV. RESULTADOS EXPERIMENTALES Todo este sistema sensorial y el GPS permiten
conocer en todo momento la posición y orientación del
A. Generando trayectorias SAV.
Se hicieron pruebas para verificar la correcta Podemos introducir las coordenadas iniciales, finales
navegación del SAV, el comportamiento de la red y la ruta a seguir, permite que el SAV inicie la ruta, con
neuronal artificial y el ambiente donde navega. la mayor precisión posible, a la vez que debe tener en
Se escogieron dos entornos: uno interior, Fig. 15 y cuenta la energía disponible en sus sistemas de
uno exterior. En el entorno interior localizado en el acumulación, para ello, debe en todo momento verificar
Laboratorio de Vehículos Submarinos de la UPCT, se la radiación incidente, la energía acumulada y el
traza la trayectoria a seguir por el SAV y se colocan consumo.
unos obstáculos que el SAV tendrá que evitar. En el caso de que haya poca radiación, el SAV debe
Además existe una baja radiación solar incidente reducir el consumo de sus sistemas, para ello reduce la
sobre los módulos solares provenientes de las ventanas velocidad de navegación, en el caso de que baje
orientadas al Sur del Laboratorio, de esta forma el robot demasiado la energía de los acumuladores, el sistema de
móvil dispone de fuente de energía. control puede parar el robot y comunicar su estado y
Las variables de interés para el control del SAV son localización, por vía remota, a la estación base.
las posiciones espaciales dadas en coordenadas (x,y) y el Hay que tener en cuenta, que en las pruebas realizadas
ángulo φ que representan la orientación dentro del en interiores, no funciona el receptor GPS, por eso se
entorno. Para el control de alcance se emplean las utilizó el compás magnético para la navegación.
coordenadas iniciales (xi, yi) y las coordenadas finales
(xf, yf) del objetivo y para el seguimiento de la En la Fig. 16 muestra la trayectoria generada por el SAV
trayectoria se emplean incrementos de la trayectoria a en un entorno al aire libre, donde su objetivo es seguir
seguir como comandos de referencias para el neuro- un recorrido quasi-senoidal aplicando el sistema de
controlador. La Fig. 15 muestra la trayectoria trazada gestión de la energía y la geo-referencia (GPS).
por SAV para el alcance de un objetivo con obstáculos.
Fig. 16. Simulación de la trayectoria del robot SAV, en exteriores.
En la Fig. 17 se observan los errores (ex, ey), en todo
el recorrido, siendo la trayectoria realizada de 60 metros,
completando seis rectas de 8 metros, tres giros a
izquierda y dos a derecha, como vemos el error no
sobrepasa los 0,2 metros.
La Fig. 18 refleja el desfase de la orientación del SAV
en la primera recta de 8 metros y en el primer giro a
izquierda, se observa como el desfase de la orientación
se hace 0, a los 8 segundos, debido a la inercia del SAV
que retarda el movimiento y el giro.
Fig. 15. Prueba del SAV, evitando obstáculos en interiores. Control En la Fig. 19, se observan las velocidades (vx, vy) del
adaptativo de la red SODMN. SAV, durante todo el recorrido de los 60 metros, la
velocidad en recta es de 0,5m/s y durante los giros de
0,25m/s, el tiempo total de la simulación es de 170
El SAV lleva un sensor de radiación, piranómetro
segundos, en las rectas, la velocidad vx = 0,5m/s y vy =
[39], sensores de nivel de carga de los acumuladores,
0m/s, mientras que en los giros, vx, vy van variando entre
sensores de consumo de energía, para el sistema de
0,1 y 0,25m/s.
gestión de la energía y un sistema de posicionamiento
global GPS [40].

7. a T3 (2,10)m y finalmente desde T3(2,10)m a
T1(4,3.5)m. La trayectoria generada por el SAV es un
quasi-triangulo.
Fig. 17. Errores en la trayectoria del robot SAV.
Fig. 20. Trayectoria quasi-triangulo del robot SAV.
B. Evitando obstáculos
Una de las características más importantes de las
Redes Neuronales Artificiales, es que aprenden a partir
de ejemplos. Se debe recopilar una gran cantidad de
datos, para poder realizar el proceso de entrenamiento,
para la tarea de poder realizar las trayectorias para la que
ha sido creada.
Dentro del entorno de la simulación, se ha trazado la
ruta a seguir y se ha colocado un obstáculo móvil, un
vehículo que se cruza en su trayectoria, que se desplaza
con dirección Este-Oeste.
Tal como se muestra en la Fig. 21, el SAV, mediante
Fig. 18. Desfase en la orientación de la trayectoria del robot SAV. sus sensores de obstáculos, detectan al vehículo que se
cruza, con suficiente antelación, calcula su dirección,
sentido y velocidad, entonces el sistema de control
procede a cambiar su rumbo para evadir el obstáculo y
después vuelve a su ruta trazada, para continuar con la
misión de exploración trazada.
Fig. 19. Velocidades del robot SAV.
La Fig. 20, se muestra el resultado de la trayectoria
generada por el SAV (línea roja) a diferentes alcances de Fig. 21. Trayectoria seguida por el SAV en presencia de un vehículo
móvil.
metas. La secuencia de alcance es de INICIO (1, 1)m al
objetivo T1 (4, 3.5)m, una vez alcanzado este objetivo se
lanza a la siguiente meta T2(10,8)m, y desde T2(10,8)m

8. En la Fig. 22, se ha simulado la trayectoria y una ruta deben ajustar muy bien todos los sensores, incluso
para el SAV, pero se han colocado dos objetos móviles, duplicar el sistema de detección de obstáculos,
dos vehículos que se cruzan en su trayectoria, que se utilizando sensores de diferente tecnología.
desplazan con dirección Este-Oeste, durante la El SAV-UPCT es capaz de seguir una ruta sin ayuda
simulación el SAV procedía a evitar los vehículos que se humana, al tiempo que toma muestras o recoge datos
cruzaban, cada vez con más precisión, conforme el que sirven para investigaciones científicas, sistemas de
sistema de Red Neuronal Artificial va aprendiendo. guiado autónomo, etc.
VI. REFERENCIAS
[1] Mª. L. Fanjul de Moles and Aldi de Oyarzábal,
“Navegación animal”. Investigación y Ciencia,
diciembre de 2007.
[2] Nathan F. Putman, Courtnet S. Endres, Catherine M. F.
Lohmann and K. J. Lohmann, “Longitud Perception and
Bioordinate Magnetic Maps in Sea Turtles”. Current
Biology 21, 463-466, March 22, 2011.
[3] Lohmann, K. J. & Lohmann, “Detection of magnetic
inclination angle by sea turtles: a possible mechanism for
determining latitude”. Journal of Experimental
Biology 194: 23-32. C. M. F. 1994.
[4] Lohmann, K. J. & Lohmann, “Detection of magnetic
field intensity by sea turtles”. Nature, 380: 59-61. C. M.
Fig. 22. Trayectoria seguida por el SAV en presencia de varios F. 1996.
vehículos móviles.
[5] Lohmann K. J., Hester, J. T. & Lohmann, “Long-
distance navigation in sea turtles”. Ethology Ecology &
Evolution, 11: 1-23. C. M. F. 1999.
V. CONCLUSIONES [6] Lohmann, K. J., Cain, S. D., Dodge, S. A. & Lohmann,
“Regional magnetic fields as navigational markers for
Los puntos más importantes del trabajo son: El sea turtles”. Science, 294: 364-366. C. M. F. 2001.
sistema CPU propuesto permite el control de navegación
[7] Mª C. Marcos provecho, R. Guzmán Martínez y R. Alaíz
y gestión energética simultanea del SAV-UPCT, Rodriguez, “Autoguiado de robots móviles mediante
permitiendo llevar a cabo una misión, sin el problema redes neuronales”. Escuela de Ingenierías Industrial e
del abastecimiento energético. Informática, Dpto. Ingeniería Eléctrica y Electrónica.
Aplicar redes neuronales a un SAV para coordinar la Universidad de León. XXV Jornadas de Automática,
navegación con el sistema de gestión energética es un Ciudad Real, del 8 al 10 de septiembre de 2004.
campo nuevo en la investigación, permite aplicaciones [8] A. Ollero Baturone, “Robótica Manipuladores y robots
en el campo del ahorro energético, exploraciones móviles”, Ed. Marcombo. ISBN: 84-481-0815-9. 2001.
espaciales y oceánicas. [9] R. Brooks, “A Robust Layered Control System for a
El aporte de energía procedente de energías Mobile Robot”. IEEE Journal or Robotics and
renovables, hace al SAV-UPCT más versátil, Automation, Vol. RA-2, Nº1, pp 14-23.
permitiendo ser más ecológico y sostenible. Cuando se [10] N. Nilsson, “Inteligencia Artificial: una nueva síntesis”.
realiza una exploración científica para obtener Ed. McGraw-Hill. ISBN 84-481-2824-9. España 2001.
información de unos sensores, como salinidad del mar, [11] R. J. Mitchell and D. A. Keating, “Neural Network
viento, temperatura, partículas suspendidas en el aire, Control of Simple Mobile Robot”. Department of
gases, etc., o imágenes del entorno, este SAV-UPCT, Cybernetics. The University of Reading. Reading, UK.
permite que dichas medidas no sean alteradas por [12] Yan Zhou, D. Wilkins and Robert Cook, “Neural
contaminación del propio SAV-UPCT, al utilizar Networt Control for A Fire-Fighting Robot”. University
energía limpia como la solar. of Mississippi. Dept. of Computer and Information
Creación de una librería de datos de entrenamiento en Science.
Matlab®, muy importantes para el aprendizaje de la red. [13] R. McEwen, H. Thomas, D. Weber, F. Psota.
Se simularon varias trayectorias y se colocaron varios “Performance of an AUV Navigation System at Arctic
obstáculos en movimiento, el SAV, en todos los casos, Latitudes”. Monterrey Bay Aquarium Research Institute,
evitó a los obstáculos y volvió a su ruta preestablecida, Kearfott Guidance and Navigation Corporation. October
of 2001.
con más o menos precisión.
Se verificó que la red era capaz de generalizar, [14] L. E. Ray, J. H. Lever, A. D. Streeter. “Performance of a
Solar-Powered Robot for Polar Instrument Networks”.
permitiendo simular trayectorias diferentes, con
Thayer School of Engineering, Dartmouth College
diferente tamaño y orientación. Hanover, Cold Regions Research and Engineering
Se simuló con diferentes obstáculos, variando su Laboratory U.S. Army ERDC, Hanover.
tamaño, su velocidad, dirección y sentido, comprobando
[15] http://www.microtransat.org/index.php?lang=en
que con objetos pequeños, es más difícil su detección y a
cierta distancia es complicado averiguar su velocidad, se

9. [16] “Solar Powered Autonomous Underwater Vehicle, FSI [30] Caminiti, R., Johnson, P., Urbano, A.: Making arm
SAUV II”. Falmouth Scientific, Inc. 1400 Route 28ª, movements within different parts of space: Dynamic
pobox 315, Cataumet, MA 02534-0315, septembre 2004, aspects in the primate motor cortex. Journal of
2008 and 2009. Neuroscience 10 (1990) 2039-2058.
[17] http://www.outbackpower.com/ [31] Rondot, P., De-Recondo, J., Dumas, J.: Visuomotor
[18] P. Forde Rynne. “Design & performance og wind and ataxia. Brain 100 (1976), 355-376.
solar-powered autonomous surface vehicle”. Thesis for [32] Lacquaniti, F., Guigon, E., Bianchi, L., Ferraina, S.,
the Degree of Master of Sciencie. Florida Atlantic Caminiti, R.: Representing spatial information for limb
University. December 2008. movement: Role of area 5 in the monkey. Cerebral
[19] A. Lammas, K. Sammut, F. He. “6-DoF Navigation Cortex 5 (1995) 391-409.
Systems for Autonomous Underwater Vehicles”.
Flinders University Australia. [33] Fiala, J.C.: Neural Network Models of Motor Timing
and Coordination. PhD thesis, Boston University (1996).
[20] http://www.aber.ac.uk/en/cs/news-archive/2010/title-
97105-en.html. [34] Fujii, T., Arai, Y., Asama, H., Endo, I.: Multilayered
reinforcement learning for complicated collision
[21] http://liquidr.com/. avoidance problems. In: Proceedings IEEE International
Conference on Robotics and Automation. Volume 3,
[22] http://www.planetsolar.org/. Leuven, Belgium (1998) 2186-2191.
[23] Li, Z.X., Bui, T.D.: Robot path planning using fluid [35] Carreras, M., Yuh, J., Batlle, J., Ridao, P.: A behavior-
model. J. Intell. Robot. Syst., 21 (1998) 29-50. based scheme using reinforcement learning for
[24] Ritter, H.J., Martinez, T.M., Schulten, K.J.: Topology- autonomous underwater vehicles. IEEE JOURNAL OF
conserving maps for learning visuo-motor coordination. OCEANIC ENGINEERING 30 (2005) 416-427.
Neural Networks 2 (1989) 159-168. [36] Grossberg, S.: On the dynamics of operant conditioning.
[25] García-Córdova, F.: A cortical network for control of Journal of Theorical Biology 33 (1971) 225—255
voluntary movements in a robot finger. Neurocomputing [37] Grossberg, S., Levine, D.: Neural dynamics of
71 (2007) 374-391. attentionally moduled Pavlovian conditioning: Blocking,
[26] García-Córdova, F., Guerrero-González, A., Marín- interstimulus interval, and secondary reinforcement.
García, F.: Design and implementation of an adaptive Applied Optics 26 (1987), 5015—5030.
neuro-controller for trajectory tracking of nonholonomic [38] Chang, C., Gaudiano, P.: Application of biological
wheeled mobile robots. In Mira, J., Álvarez, J.R., eds.: learning theories to mobile robot avoidance and approach
Nature Inspired Problem-Solving Methods in Knowledge behaviors. J. Complex Systems 1 (1998) 79—114.
Engineering, Lectures Notes in Computer Science.
Volume 4528. Springer-Verlag Berlin Heidelberg, [39] J. M. Andújar Márquez. “Aportaciones a la
LNCS- 4528, Part II, ISBN: 978-3-540-73054-5 (2007) instrumentación electrónica en la optimización de
459-468. sistemas basados en energía solar”. Tesis doctoral.
Universidad de Huelva. 16 de diciembre de 2009.
[27] Gaudiano, P., Grossberg, S.: Vector associative maps:
Unsupervised real-time error-based learning and control [40] J. R. Rey. “El sistema de posicionamiento global-GPS”.
of movement trajectories. Neural Networks 4 (1991) University of Florida. IFAS Extensión.
147-183.
[28] Baraduc, P., Guigon, E., Burnod, Y.: Recording arm
position to learn visuomotor transformations. Cerebral
Cortex 11 (2001) 906-917.
[29] Georgopoulos, A.P.: Neural coding of the direction of
reaching and a comparison with saccadic eye
movements. Cold Spring Harbor Symposia in
Quantitative Biology 55 (1990) 849-859.