ÁRBOLES DE DECISIÓN COMO TÉCNICA DE FUSIÓN DE SENSORES PARA MEDICIÓN DE DISTANCIAS

Resumen

La robótica móvil tiene múltiples aplicaciones que benefician y mejoran la calidad de vida de las personas. Gracias a los diferentes sensores con los que cuenta un robot móvil terrestre, es posible adquirir una gran cantidad de datos e información relativa a su entorno. Con esta información y después de un procesamiento adecuado, un robot puede ser capaz de realizar tareas específicas, tales como percepción del entorno, navegación, exploración, planificación de trayectorias, entre otros. Sin embargo, los sensores son susceptibles a errores, por lo cual es necesario el uso de técnicas de fusión de sensores para obtener datos precisos. El propósito de este trabajo consistió en determinar y predecir las distancias entre el robot y un obstáculo, con un coeficiente de determinación superior al 90%. Para llevar a cabo esta tarea se empleó la técnica de aprendizaje automático supervisado de árboles de decisión para regresión, con la finalidad de fusionar diversos sensores. Para ello se utilizaron dos sensores ultrasónicos, un sensor LIDAR y un encoder, gestionado con una Raspberry Pi 3B+ utilizando Python. Se recolectaron datos en una ruta lineal en laboratorio, se analizó la dispersión de éstos. Como resultado se obtuvieron modelos con un coeficiente superior al 90%, además, se consideró el error cuadrático medio para un mejor análisis, sí bien, los modelos tienen un coeficiente esperado, las predicciones no son las óptimas en los árboles con baja profundidad, lo anterior es indicado por el error cuadrático medio. Para esta aplicación, árboles de decisión es una buena técnica para fusionar los sensores, pero se debe cuidar el ajuste del árbol, ya que es susceptible al sobre entrenamiento.