Resumen de Enhancing mobile robot navigation: integrating reactive autonomy through deep learning and fuzzy behavior

Julián López Velásquez, Gustavo Alonso Acosta Amaya, Jovani Alberto Jiménez Builes

• español

  Objetivo: este estudio tuvo como objetivo desarrollar una arquitectura de control para la navegación autónoma reactiva de un robot móvil mediante la integración de técnicas de Deep Learning y comportamientos difusos basados en el reconocimiento de señales de tráfico.

  Materiales: la investigación utilizó transfer learning con la red Inception V3 como base para entrenar una red neuronal en la identificación de señales de tráfico. Los experimentos se llevaron a cabo utilizando un Donkey-Car, un robot móvil de código abierto tipo Ackermann, con limitaciones computacionales inherentes.

  Resultados: la implementación de la técnica de transfer learning arrojó un resultado satisfactorio, logrando una alta precisión del 96.2% en la identificación de señales de tráfico. No obstante, se encontraron desafíos debido a retrasos en los cuadros por segundo (FPS) durante las pruebas, atribuidos a la capacidad computacional limitada de la Raspberry Pi.

  Conclusiones: al combinar Deep Learning y comportamientos difusos, el estudio demostró la efectividad de la arquitectura de control en mejorar las capacidades de navegación autónoma del robot. La integración de modelos pre-entrenados y lógica difusa proporcionó adaptabilidad y capacidad de respuesta a escenarios de tráfico dinámicos. Investigaciones futuras podrían centrarse en optimizar los parámetros del sistema y explorar aplicaciones en entornos más complejos para avanzar aún más en las tecnologías de robótica autónoma e inteligencia artificial.

• English

  Objective: This study aimed to develop a control architecture for reactive autonomous navigation of a mobile robot by integrating Deep Learning techniques and fuzzy behaviors based on traffic signal recognition.

  Materials: The research utilized transfer learning with the Inception V3 network as a base for training a neural network to identify traffic signals. The experiments were conducted using a Donkey-Car, an Ackermann-steering-type open-source mobile robot, with inherent computational limitations.

  Results: The implementation of the transfer learning technique yielded a satisfactory result, achieving a high accuracy of 96.2% in identifying traffic signals. However, challenges were encountered due to delays in frames per second (FPS) during testing tracks, attributed to the Raspberry Pi's limited computational capacity.

  Conclusions: By combining Deep Learning and fuzzy behaviors, the study demonstrated the effectiveness of the control architecture in enhancing the robot's autonomous navigation capabilities. The integration of pre-trained models and fuzzy logic provided adaptability and responsiveness to dynamic traffic scenarios. Future research could focus on optimizing system parameters and exploring applications in more complex environments to further advance autonomous robotics and artificial intelligence technologies.