Diseño de un sistema de control Autónomo para estabilizar un robot submarino en la captura de imágenes y reconocimiento de especie marina estrella de mar mediante Pixhawk y visión artificial

Abstract

El presente proyecto aborda el diseño de un sistema de navegación buscando la autonomía para un robot submarino para la captura de imágenes y reconocimiento de una especie marina como la Estrella de Mar. El sistema de navegación autónomo será implementado en el robot submarino de BlueRobotics el cual fue diseñado para ser manipulado remotamente de modo manual, el robot es actualizado con el sistema operativo BlueOS que ha sido instalado en la computadora complementaria Raspberry Pi 4 y que a su vez se aplicara visión artificial para el reconocimiento de la Estrella de Mar. Los componentes de hardware usados para el diseño del sistema de navegación autónoma son: la cabina hermética de componentes electrónicos que está compuesta de los siguientes elementos: controlador Pixhawk PX4, Raspberry Pi 4, GPS, propulsores, y los softwares utilizados son: firmware Ardusub de ArduPilot, Mission Planner y QGroundControl. En la Raspberry Pi 4 se ejecuta el sistema operativo BlueOS que permite la comunicación entre el controlador Pixhawk. El controlador Pixhawk y el firmware Ardusub correctamente parametrizados controlan los propulsores del robot submarino. Los sensores integrados al Pixhawk como el giroscopio, acelerómetro, sensor de profundidad y el GPS incorporado proporcionan datos en tiempo real, que son utilizados para ajustar continuamente los comandos a los propulsores y así mantener la dirección y estabilidad del robot submarino durante una inmersión. En este trabajo se hace una comparativa entre el uso de los softwares Mission Planner y QGroundControl para determinar las ventajas y desventajas del comportamiento del robot submarino en una misión semiautónoma. El reconocimiento de la especie de marina se realiza mediante el uso de técnicas de visión artificial como el entrenamiento de una red neuronal convolucional utilizando un microprocesador Raspberry Pi 4, aplicando código Python y las librerías de OpenCV. El entrenamiento de la red neuronal se aplica Google Colab que proporciona memoria GPU El entrenamiento se desarrolla a partir del modelo preentrenado YOLOv4-Tiny, que es una versión comprimida y con mayor velocidad de detección que YOLOv4. La evaluación del reconocimiento se basó en las gráficas de precisión media promedio mAP, recall y F1. Se logro entrenar una red neuronal convolucional personalizada la cual se evaluó con la matriz de confusión que permite visualizar de manera clara las predicciones correctas e incorrectas, donde el modelo en pruebas reales alcanzo una precisión de 93.35% y recall de 96.76%, lo que nos indica que el modelo entrenado obtuvo buenos resultados. La evaluación del sistema de navegación que realiza el robot submarino se realizó calculando el error cuadrático medio comparando la trayectoria esperada vs la trayectoria real las que permiten identificar la efectividad del sistema de navegación. Para futuros trabajos con el robot submarino se espera que se implemente un sistema de control de estabilidad utilizando un control PID avanzado el cual sea capaz de ajustar los parámetros necesarios para que el robot responda ante cualquier tipo de condiciones en la que se encuentre, además se espera que se utilice las herramientas que no fueron utilizadas en este proyecto como el Gripper y el Sonar Ping360, que serían de gran provecho como el Ping360 que puede trabajar en condiciones de baja visibilidad para evitar obstáculos, seguir una trayectoria en combinación con un sistema de control de PID y a la localización de objetos.