Ups - TTS281

UNIVERSIDAD POLITÉCNICA SALESIANA
SEDE QUITO
CARRERA:
INGENIERÍA ELECTRÓNICA
Trabajo de titulación previo a la obtención del título de:
INGENIEROS ELECTRÓNICOS
TEMA:
DESARROLLO DE UN ALGORITMO DE TRAYECTORIA PARA UN

ROBOT SEGUIDOR DE LÍNEA DESTREZA DE COMPETENCIA
MEDIANTE VISIÓN E INTELIGENCIA ARTIFICIAL
AUTORES:
CLELIO DANIEL ENDARA SUMBA
EMERSON JOAO MAIGUA YÁNEZ
TUTORA:
CARMEN JOHANNA CELI SÁNCHEZ
Quito, marzo 2021

CESIÓN DE DERECHOS DE AUTOR
Nosotros Clelio Daniel Endara Sumba y Emerson Joao Maigua Yánez, con
documentos de identificación N° 1723598197 y Nº 1717983702 respectivamente,
manifestamos nuestra voluntad y cedemos a la Universidad Politécnica Salesiana la
titularidad sobre los derechos patrimoniales en virtud de que somos autores del trabajo
de titulación intitulado: DESARROLLO DE UN ALGORITMO DE TRAYECTORIA
PARA UN ROBOT SEGUIDOR DE LÍNEA DESTREZA DE COMPETENCIA
MEDIANTE VISIÓN E INTELIGENCIA ARTIFICIAL, mismo que ha sido
desarrollado para optar por el título de: Ingenieros Electrónicos, en la Universidad
Politécnica Salesiana, quedando la Universidad facultada para ejercer plenamente los
derechos cedidos anteriormente.
En aplicación a lo determinado en la Ley de Propiedad Intelectual, en nuestra

condición de autores nos reservamos los derechos morales de la obra antes citada. En
concordancia, suscribimos este documento en el momento que hacemos entrega del
trabajo final en formato digital a la Biblioteca de la Universidad Politécnica Salesiana.
_________________________ _________________________
Clelio Daniel Endara Sumba Emerson Joao Maigua Yánez
C.I. 1723598197 C.I. 1717983702
Quito, marzo 2021.
i
DECLARATORIA DE COAUTORÍA DE LA DOCENTE TUTORA
Yo declaro que bajo mi dirección y asesoría fue desarrollado el Proyecto Técnico,

DESARROLLO DE UN ALGORITMO DE TRAYECTORIA PARA UN ROBOT
SEGUIDOR DE LÍNEA DESTREZA DE COMPETENCIA MEDIANTE VISIÓN E
INTELIGENCIA ARTIFICIAL, realizado por Clelio Daniel Endara Sumba y
Emerson Joao Maigua Yánez, obteniendo un producto que cumple con todos los
requisitos estipulados por la Universidad Politécnica Salesiana, para ser considerados
como trabajo final de titulación.
Quito, marzo 2021.
_________________________
Carmen Johanna Celi Sánchez
C.I. 1717437808
ii
DEDICATORIA
A Dios por brindarme salud, bendiciones y crear resiliencia en mi espíritu; a mi madre

Rosa Sumba y a mi padre Clelio Endara quienes me dieron la vida, alimentación,
educación, un hogar; desde siempre con su gran entrega, dedicación, compromiso,
consejos y apoyo incondicional con lo cual me han demostrado su amor en todo su
esplendor para forjarme en la persona que soy en la actualidad; a mi hermano Francisco
Endara que a pesar de nuestra diferencias desde siempre nos hemos apoyado; a mi tía
Rosita “mamita del campo” mis primas/o Ximena, Nora, Jenny, y Fernando que con
su respaldo y cariño me han inspirado para seguir adelante.
Clelio Daniel Endara Sumba
Es de trascendental importancia dedicar este trabajo de titulación a toda mi familia en

especial a mis padres y adorada hija Valentina por ser mi fuente de motivación e
inspiración para poderme superar cada día más, por último, pero igual importante a
mis amigos Miguel, Willy, Eve, Andrea y David quienes con su apoyo me permitió
culminar mi carrera, una mención especial a Clelio amigo y compañero académico.
Este logro es para ustedes.
Emerson Joao Maigua Yánez
iii
AGRADECIMIENTO
La vida está llena de retos y gratas experiencias, es por ello que agradezco a la
Universidad Politécnica Salesiana sede Quito campus Sur por brindarme las
herramientas necesarias para mi formación profesional, a todos los docentes que a lo
largo de mi carrera universitaria me han transmitido su sabiduría y conocimiento, en
especial a mi tutora Mgtr. Carmen Johanna Celi Sánchez por su confianza, orientación
y guía puesta en este trabajo de titulación; a la Secretaría Técnica de Ecosistema de
Emprendimiento e Innovación por darme la oportunidad de desarrollar el primer
proyecto de investigación en los laboratorios de fabricación StartLabs, a mis
compañeros universitarios por su amistad brindada en todos aquellos momentos de
jornadas académicas, actividades extracurriculares y de diversión, en especial a la Srta.
Mishel Pazmiño; así como también a mi familia y a todas aquellas personas que
estuvieron en los momentos más adecuados brindándome sus consejos para motivarme
a culminar mi carrera profesional.
Clelio Daniel Endara Sumba
Agradezco a la Universidad Politécnica Salesiana, que abrió sus puertas del

conocimiento para mí, a todos los docentes en especial a mi tutora Mgtr. Carmen
Johanna Celi Sánchez, que a lo largo de mi carrera me brindaron su apoyo y
conocimientos suficientes para mi formación profesional, una mención especial a mis
amados padres Pedro y Susana por haberme dado el legado más importante de la vida
que es la educación.
Emerson Joao Maigua Yánez
iv
ÍNDICE DE CONTENIDO
RESUMEN ........................................................................................................... xii
ABSTRACT ........................................................................................................ xiii
INTRODUCCIÓN .............................................................................................. xiv
CAPÍTULO 1 ......................................................................................................... 1
ANTECEDENTES ................................................................................................. 1
1.1 Planteamiento del problema ........................................................................... 1
1.2 Justificación del proyecto ............................................................................... 2
1.3 Objetivos ........................................................................................................ 2
1.3.1 Objetivo General ..................................................................................... 2
1.3.2 Objetivos específicos ............................................................................... 2
CAPÍTULO 2 ......................................................................................................... 4
MARCO TEÓRICO .............................................................................................. 4
2.1 Introducción ................................................................................................... 4
2.2 Robot Autónomo ............................................................................................ 4
2.3 Sistema de locomoción de un robot ................................................................ 4
2.4 Robot móvil Seguidor de Línea Destreza ........................................................ 4
a) Reglamento para la categoría Seguidor de Línea Destreza ........................ 5
b) Robot móvil seguidor de línea destreza con arquitectura diferencial ......... 6
c) Pistas para el robot móvil seguidor de línea destreza ................................. 7
2.5 Visión Artificial ............................................................................................. 8
2.6 Estado del arte de los sistemas de navegación en robots móviles. ................... 9
2.7 Inteligencia Artificial ....................................................................................10
2.8 Redes Neuronales ..........................................................................................11
a) Neuronas .................................................................................................11
2.9 Arquitectura de una red neuronal ...................................................................11
a) Arquitectura MobileNet ...........................................................................12
v
2.10 Tipos de capas de una red neuronal .............................................................12
a) Capa de entrada .......................................................................................13
b) Capas intermedias ...................................................................................13
c) Capa de salida .........................................................................................13
2.11 Etapas de construcción y manejo de una red neuronal ..................................13
a) Fase de conceptualización .......................................................................13
b) Fase de diseño .........................................................................................13
c) Fase de implementación ..........................................................................14
d) Fase de mantenimiento ............................................................................14
2.12 Deep Learning .............................................................................................14
2.13 Backpropagation .........................................................................................14
2.14 Aprendizaje de una red neuronal..................................................................15
2.15 Métodos de Aprendizaje ..............................................................................15
a) Aprendizaje Supervisado .........................................................................15
b) Aprendizaje no supervisado .....................................................................15
c) Aprendizaje por refuerzo .........................................................................15
CAPÍTULO 3 ........................................................................................................16
DISEÑO E IMPLEMENTACIÓN DEL ROBOT MÓVIL SEGUIDOR DE

LÍNEA DESTREZA .............................................................................................16
3.1 Selección de la tarjeta de desarrollo ...............................................................16
a) NRF52-DK..............................................................................................16
b) Tarjeta Raspberry Pi 3 .............................................................................17
c) Tarjeta DECA .........................................................................................17
d) Tarjeta OpenMV .....................................................................................18
e) Placa TMDSDC3359 ...............................................................................18
3.2 Diseño electrónico del robot móvil seguidor de línea destreza .......................20
a) Sistema Sensorial ....................................................................................21
vi
b) Sistema de control ...................................................................................21
c) Interfaz ....................................................................................................23
d) Micromotores y ruedas ............................................................................24
e) Fuente de alimentación ............................................................................25
f) Arranque del robot ...................................................................................26
3.3 Diseño estructural del robot móvil seguidor de línea destreza ........................26
a) Modelado 3D del subconjunto de piezas ..................................................27
b) Laminado 3D del subconjunto de piezas ..................................................28
c) Impresión 3D del subconjunto de piezas ..................................................29
d) Post Procesado del subconjunto de piezas................................................30
e) Ensamblaje del robot móvil seguidor de línea destreza ............................30
3.4 Red Neuronal para el robot móvil seguidor de línea destreza .........................32
a) Entrada del Sistema .................................................................................32
b) Capa Oculta ............................................................................................32
c) Salida del Sistema ...................................................................................32
3.5 Entrenamiento para la red neuronal ...............................................................33
a) Configuración y entrenamiento de la Red Neuronal .................................34
b) Algoritmo del robot móvil .......................................................................36
c) Adquisición de imagen ............................................................................37
d) Procesamiento de imagen ........................................................................38
3.6 Funcionamiento de la red neuronal ................................................................39
3.7 Control del shield para motores .....................................................................39
3.8 Resultado final del robot móvil seguidor de línea destreza .............................40
3.9 Resumen de costos ........................................................................................41
CAPÍTULO 4 ........................................................................................................42
PRUEBAS – RESULTADOS ...............................................................................42
4.1 Pruebas en pista con un escenario controlado ................................................42
vii
CONCLUSIONES ................................................................................................47
RECOMENDACIONES .......................................................................................49
REFERENCIAS ....................................................................................................50
ANEXOS ...............................................................................................................55
viii
ÍNDICE DE FIGURAS
Figura 2.1 Cinemática de un robot móvil con arquitectura diferencial ...................... 7

Figura 2.2 Pista de competencia categoría seguidor de línea destreza CER 2013 ...... 8
Figura 2.3 Funcionamiento general de una neurona .................................................11
Figura 2.4 Arquitectura general de una red neuronal ...............................................12
Figura 2.5 Etapas de una red neuronal .....................................................................13
Figura 3.1 Tarjeta NRF52-DK ................................................................................16
Figura 3.2 Tarjeta Raspberry Pi 3 ............................................................................17
Figura 3.3 Tarjeta DECA ........................................................................................17
Figura 3.4 Tarjeta OpenMV ....................................................................................18
Figura 3.5 Tarjeta TMDSDC3359 ...........................................................................18
Figura 3.6 Esquema de proceso destacado para las tarjetas de desarrollo .................19
Figura 3.7 Cámara Cam H7 .....................................................................................21
Figura 3.8 Tarjeta OpenMV conectada con shield para motores ..............................23
Figura 3.9 Pantalla LCD .........................................................................................23
Figura 3.10 Rueda Pololu Tipo D ............................................................................25
Figura 3.11 Batería Turnigy 800mAh ......................................................................25
Figura 3.12 Esquema de alimentación .....................................................................26
Figura 3.13 Conexión del módulo de arranque ........................................................26
Figura 3.14 Piezas del robot móvil seguidor de línea destreza .................................27
Figura 3.15 Vistas del prototipo ensamblado ...........................................................28
Figura 3.16 Slicing en Objet Studio.........................................................................28
Figura 3.17 Impresión 3D en Stratasys Objet 30 Pro ...............................................29
Figura 3.18 Post Procesado de las piezas del robo móvil .........................................30
Figura 3.19 Prototipo final ......................................................................................31
Figura 3.20 Vistas del prototipo final ......................................................................31
Figura 3.21 Diagrama de bloques de la arquitectura de la red neuronal ....................32
Figura 3.22 Interfaz Edge Impulse ..........................................................................33
Figura 3.23 Interfaz Edge Impulse configuración de la red neuronal .......................34
Figura 3.24 Interfaz Edge Impulse de la salida del entrenamiento ...........................35
Figura 3.25 Archivos generados en Edge Impulse ...................................................35
Figura 3.26 Diagrama de flujo del algoritmo en la tarjeta OpenMV .........................36
Figura 3.27 Ejemplos de la adquisición de imagen ..................................................37
ix
Figura 3.28 Funciones para el procesamiento de imagen de entrada ........................38
Figura 3.29 Programación de la red neuronal en Open MV IDE ..............................39
Figura 3.30 Programación para el control del shield para motores ...........................40
Figura 3.31 Prototipo Implementado .......................................................................40
Figura 4.1 Pistas en escenario controlado ................................................................42
Figura 4.2 Pista con líneas de tendencia ..................................................................46
x
ÍNDICE DE TABLAS
Tabla 3.1 Resumen característico de las tarjetas electrónicas ...................................20

Tabla 3.2 Micromotores motorreductores ................................................................24
Tabla 3.3 Resumen de Costos del Proyecto .............................................................41
Tabla 4.1 Resultados en la pista, red neuronal con 5 neuronas en la capa oculta ......43
Tabla 4.2 Resultados en la pista, red neuronal con 10 neuronas en la capa oculta ....43
xi
RESUMEN
Con el avance tecnológico y la fácil adquisición de nuevos elementos favorables a las

técnicas de visión artificial, además de sus aplicaciones mediante el uso de inteligencia
artificial sumado ante el escaso desarrollo de prototipos robóticos móviles que a partir
de dicha tecnología en las competencias nacionales de robótica, nace una oportunidad
de emplear, ensayar e implementar algoritmos inteligentes que permitan el control en
la trayectoria de un prototipo robot móvil seguidor de línea destreza mediante
tecnologías de vanguardia.
El presente trabajo se ha dirigido hacia el desarrollo de un robot móvil seguidor de

línea destreza con arquitectura diferencial fabricado con tecnología SLA en conjunto
con una red neuronal con visión artificial, basándose en estudios de software libre para
esta aplicación, en función del reglamento de competencia y características técnicas
del prototipo; se determinó que la tarjeta OpenMV Cam H7 con núcleo ARM Cortex
A8 Sitara AM335x es idónea la cual alberga la red neuronal para controlar la
trayectoria del prototipo robot móvil implementados para el desarrollo del trabajo de
investigación.
A través de la creación del prototipo en conjunto con redes neuronales para el control
de la trayectoria mediante visión artificial, se obtuvo como resultado una efectividad
del 100 % en la aplicación de una red neuronal con 12 neuronas en la capa oculta en
un escenario controlado con alto grado de dificultad.
Palabras claves: robot móvil, prototipo, seguidor de línea destreza, visión artificial,
algoritmo inteligente, trayectoria.
xii
ABSTRACT
Throughout time, artificial vision technology has developed rapidly, promoting

various applications. However, in our country, the development of dexterity line
follower robot prototypes based on artificial vision is scarce during national
competitions. This has created the opportunity to employ, test, and implement
intelligent algorithms that allow the control in the trajectory of a prototype robot
follower of the dexterity line using cutting-edge technology.
This work of research and experimentation is directed towards the development of a

dexterity line follower mobile robot with differential architecture manufactured with
SLA technology in conjunction with a neural network with artificial vision, based on
different studies of free software for this application, considering the different
characteristics and regulations of the prototype in a determined category. It was
determined that the OpenMV CamH7 card with an ARM Cortex A8 Sitara AM335X
core was suitable to allocate the intelligent algorithms such as neural networks to
control the trajectory of the prototype robot for the development of the case study.
Through the creation of the prototype in conjunction with neural networks to control
the trajectory through artificial vision, as a result, 100% effectiveness was obtained in
the application of a neural network with 12 neurons in the hidden layer in a controlled
scenario with a high degree of difficulty.
Keywords: mobile robot, prototype, the follower of skill line, artificial vision,
intelligent algorithm, trajectory.
xiii
INTRODUCCIÓN
El presente trabajo de titulación se basó en la aplicación de visión e inteligencia
artificial, y como han ayudado de gran manera a solucionar problemas en diversos
ámbitos; en la actualidad se cuenta con trabajos relacionados a nuestra investigación
como por ejemplo: Obtención de rutas de navegación óptimas, algoritmos de
búsqueda, Aprendizaje del Comportamiento Humano en el Espacio Articular del
Robot con el uso de Redes Neuronales (Hossian, y otros, 2018), (Aguilar Campos &
Sandoval Suquillo, 2018), (Ramírez Díaz, 2019); y aplicación de visión artificial
como: Navegación Autónoma de Robots, Navegación autónoma basada en maniobras
bajo estimación de posturas humanas, Navegación Autónoma de un vehículo Pequeño
en Interiores (Castañeda Bermúdez & Salguero Lozano, 2017), (Barahona Guamani,
2019), (Buendia Ríos, 2017).
En el Capítulo 1 se detalla el planteamiento del problema, la justificación del proyecto,

así como también los objetivos propuestos.
En el Capítulo 2 se contempla temas teóricos de hardware y software del prototipo,

donde se enfoca en los conceptos generales sobre la Inteligencia Artificial, sus
algoritmos inteligentes mediante Visión Artificial, sus funciones para la adquisición y
procesamiento de imágenes, además de una descripción general de los requerimientos
que engloba a la categoría seguidor de línea destreza.
En el Capítulo 3 se describen las características y funciones principales de las tarjetas

electrónicas para el desarrollo de aplicaciones mediante visión artificial de manera que
se acople a los requerimientos del prototipo; se presentan las propiedades electrónicas
y mecánicas que componen al robot móvil, su diseño estructural, el dimensionamiento
tanto electrónico como mecánico, además se describe la arquitectura de la red neuronal
con visión artificial empleada para el control de la trayectoria del prototipo.
En el último Capítulo se enuncian las conclusiones y recomendaciones establecidas

acorde al propósito del presente trabajo de titulación, a través de la metodología
experimental donde se procedió al análisis de pruebas realizadas en un escenario
controlado con las cuales se logró concluir que el trabajo de titulación cumplió con los
objetivos planteados.
xiv
ANTECEDENTES
1.1 Planteamiento del problema
Actualmente la robótica de competencia ha sido de gran acogida a nivel mundial en
diversas categorías, por lo tanto; Ecuador no es la excepción ya que cada año se
realizan torneos de robótica donde los participantes han evolucionado los diseños
mecánicos, electrónicos y software de los prototipos robóticos, en ese sentido los
integrantes del grupo ASU del área académica club de robótica "Robotics UPS UIO”
de la Universidad Politécnica Salesiana sede Quito campus Sur, han desarrollado
prototipos robóticos tradicionales de competencia para diferentes categorías.
Para la categoría Seguidor de Línea Destreza que consiste en seguir un camino con
bifurcaciones desde un punto inicial a un punto final cuyo escenario tiene un fondo
blanco con líneas de color negro, los integrantes del club han desarrollado robots
móviles con un diseño mecánico, electrónico y de control tradicional, haciendo uso de
sensores reflectivos (QTR-8A o su equivalente CNY70) o de sensores infrarrojos
digitales que tienen respuesta inmediata, los mismos que a su vez forman una hilera
de dos o más sensores (uno a cada lado de la línea) por lo general se los instala en el
frente del chasis y paralelamente al piso permitiendo que el robot móvil seguidor de
línea destreza pueda seguir la línea.
Estos robots seguidores de línea destreza presentan errores aleatorios al momento de

la competencia debido a factores como: las variaciones del voltaje de la batería ya sea
por descarga o sobrecarga, el aumento en la velocidad de desplazamiento, el ruido que
se ve representado por el cambio de luminosidad percibida por los sensores durante
todo el circuito de prueba, las vibraciones mecánicas que se generan al momento de
entrar en funcionamiento, las perturbaciones que se interpretan como los cambios de
la trayectoria y las impurezas en la pista de competencia; debido a estos factores el
prototipo presenta altos tiempos de recorrido, pérdida de la trayectoria parcial o total
en la pista de competencia, ocasionando más trabajo para el competidor ya que el
prototipo requiere de procesos de recalibración constantes debido al entorno
cambiante, por lo que la dificultad principal de este tipo de prototipos es como seguir
la línea sin problemas, con precisión y completar el circuito en el menor tiempo posible
para mejorar las participaciones en concurso de robótica de dicha categoría.
1
1.2 Justificación del proyecto
El presente Proyecto se enfocará en el desarrollo de un algoritmo de trayectoria
mediante inteligencia y visión artificial para el aprendizaje de un robot móvil seguidor
de línea en la categoría destreza sobre un escenario controlado, ya que con la visión
artificial se tiene la ventaja de analizar la ruta óptima de navegación en la pista de
competencia mediante adquisición de imágenes reales del entorno, obteniendo
información más relevante para realizar un control más efectivo.
La mayoría de los robots que participan en los concursos de robótica de competencia

a nivel nacional, específicamente en la categoría seguidor de línea destreza, obtienen
datos de su entorno por medio de sensores infrarrojos o de proximidad, los cuales
tienen limitada información para un control de la trayectoria más desarrollada, razón
por la cual nace la necesidad de aprovechar las nuevas tecnologías como son la visión
e inteligencia artificial orientando a solventar las limitaciones que presentan los
prototipos fabricados de forma tradicional.
Actualmente en los concursos nacionales no se manejan prototipos robóticos con este

tipo de tecnología, por lo que se pretende encaminar al grupo ASU del área académica
club de robótica "Robotics UPS UIO” de la Universidad Politécnica Salesiana sede
Quito campus Sur, hacia una nueva etapa tecnológica y desarrollo de prototipos que
puedan generar investigación. Además, contribuirá a la innovación y motivación para
los integrantes de dicho club con nuevos conocimientos favorables para el desempeño
en futuras participaciones de concursos de robótica nacionales e internacionales.
1.3 Objetivos
1.3.1 Objetivo General
Desarrollar un algoritmo de trayectoria para un robot móvil seguidor de línea en la
categoría de destreza mediante visión e inteligencia artificial utilizando software libre.
1.3.2 Objetivos específicos

 Analizar el estado del arte de sistemas de navegación de robots móviles para la
identificación de las variables que intervienen en el proceso.
2
 Diseñar el hardware para el robot móvil seguidor de línea destreza utilizando
los lineamientos reglamentarios de dicha categoría.
 Diseñar un algoritmo de trayectoria para el robot móvil seguidor de línea

destreza mediante visión artificial con un lenguaje de programación de
software libre.
 Implementar un prototipo para las pruebas del algoritmo inteligente utilizando

una tarjeta ARM en un escenario controlado.
 Realizar pruebas con el prototipo implementado para la validación de su

funcionamiento a través de un escenario controlado bajo las reglamentaciones
respectivas de una competencia real.
3
MARCO TEÓRICO
2.1 Introducción
Se presentan las propiedades y características que engloban a un robot móvil seguidor
de línea destreza, partiendo desde sus requerimientos básicos hasta el análisis para la
implementación estructural, electrónica y mecánica; así como también una descripción
general de la reglamentación que regulan los requerimientos técnicos del prototipo, las
especificaciones técnicas de las pistas, el desarrollo de la competencia y la
determinación de los ganadores. Además, se realizó una presentación y estado del arte
del control a través de algoritmos inteligentes mediante la visión e inteligencia
artificial, analizando sus conceptos y principales características que se presentarán a
lo largo del capítulo para llegar al procedimiento de la implementación de estos para
el caso de estudio.
2.2 Robot Autónomo

Son dispositivos que generalmente están constituidos por una estructura mecánica,
sistema de energía, sistema de accionamiento, sistemas sensoriales y sistema de
control, con la capacidad de adquirir datos de su entorno para procesarlos con el
objetivo de realizar una función específica en ambientes simples o complejos sin la
necesidad de estar constantemente supervisados, guiados o controlados por operadores
humanos (Vera Arenas & Alejandro Proaño, 2016).
2.3 Sistema de locomoción de un robot

El sistema de locomoción es la capacidad de movimiento que tiene un prototipo
robótico, el cual le permite trasladarse en el espacio desde un punto inicial a un punto
final; para el caso de estudio en particular se empleará un robot móvil con una
arquitectura del tipo diferencial con ruedas, debido a que es ideal por sus ventajas en
diseño, fabricación, control y costo (Vera Arenas & Alejandro Proaño, 2016).
2.4 Robot móvil Seguidor de Línea Destreza

Es un robot móvil de tipo diferencial completamente autónomo, tiene como objetivo
seguir una línea con bifurcaciones desde un punto inicial a un punto final en el menor
tiempo posible, la línea generalmente es de color negro cuyo fondo es de color blanco,
el diseño del escenario varía de acuerdo con el criterio de los organizadores del torneo.
4
Tradicionalmente este tipo de prototipo robótico usa una hilera de al menos dos o más
sensores reflectivos o infrarrojos (uno a cada lado de la línea) que por lo general se los
instala en el frente del chasis y paralelamente al piso permitiendo que el robot móvil
siga la línea. La arquitectura mecánica, electrónica y de control para la fabricación del
robot móvil seguidor de línea destreza es libre de acuerdo con los criterios del
participante (Tapiero Santa, 2019).
Este tipo de robot está presente en los diferentes concursos de robótica de competición
que se organizan anualmente por las instituciones de educación superior en todo el
Ecuador y en ciertos torneos a nivel mundial, donde se fomenta el desarrollo de la
robótica de competencia e innovación para la categoría Seguidor de Línea Destreza
siendo cada vez más competitiva (Robot Games ZL7, 2019).
a) Reglamento para la categoría Seguidor de Línea Destreza

En los concursos de robótica que se desarrollan en todo el Ecuador y a nivel mundial
existen reglamentaciones que generalmente regulan los requerimientos técnicos del
prototipo, las especificaciones técnicas de las pistas, el desarrollo de la competencia y
la determinación de los ganadores para cada una de las categorías dentro de la robótica
de competencia (Robot Games ZL7, 2019).
En el XV Concurso Ecuatoriano de Robótica “CER 2019” organizado por la

Corporación Ecuatoriana para el Desarrollo de la Investigación y la Academia
“CEDIA” junto con la Universidad de Cuenca en el año 2019, a continuación, se citan
los puntos más relevantes del reglamento para la categoría seguidor de línea destreza.
- El robot debe presentar completa autonomía.
- Las dimensiones y el peso del prototipo no tienen restricciones.
- Los participantes deben diseñar y fabricar sus prototipos de acuerdo con la
presente reglamentación.
- El tipo de control del sistema es libre.
- Los escenarios serán diseñados por los organizadores del evento, y estos tienen
un fondo blanco con bifurcaciones de color negro.
- El tiempo que tiene cada participante es de 3 minutos cronometrados, tiempo
en el cual el prototipo debe seguir la trayectoria de la pista, cuando el robot
llega a la meta el tiempo finaliza con la participación del competidor.
5
- De principio a fin el robot móvil debe encontrarse dentro del área de pista
cumpliendo la trayectoria marcada.
- Si el prototipo pierde la trayectoria de la pista y retorna al mismo punto no se
finaliza el tiempo.
- Cuando el prototipo pierda la trayectoria parcial, completamente o presenta
inmovilidad durante 5 segundos, finaliza su participación.
- Cuando el prototipo salga de la pista o tome un atajo dentro de la trayectoria
marcada, se declara como intento fallido.
- Cada competidor dispone de 2 participaciones para cumplir la trayectoria de la
pista, tomando como resultado el mejor tiempo obtenido.
- Se determina la etapa final con los 5 mejores tiempos del primer cronometraje.
- Se declara ganador de la competencia al robot móvil que haya completado la
trayectoria en el menor tiempo posible, además de haber cumplido las
reglamentaciones estipuladas.
La reglamentación para la categoría seguidor de línea destreza como para las demás
categorías evolucionan y están sujetas a continuos cambios, debido a que toman como
referencia reglamentos presentados por instituciones de educación superior y
competiciones de robótica (CEDIA, 2019, págs. 1-2).
b) Robot móvil seguidor de línea destreza con arquitectura diferencial

El robot móvil seguidor de línea destreza tiene como tipo de arreglo cinemático más
común y eficiente el de arquitectura o tracción diferencial presente en la Figura 2.1,
esta configuración es la más frecuente en robots móviles para movilizarse dentro de
interiores, este prototipo presenta dos ruedas con sus respectivos motores de forma
paralela entre sí y una rueda de apoyo sin tracción como tercer punto de apoyo ubicada
en el centro del lado opuesto del lugar donde se encuentran ubicadas las ruedas
(Baturone, 2001).
La traslación y rotación de este tipo de locomoción diferencial se determinan por el

movimiento independiente de cada una de las ruedas modificando la velocidad, esto
permite tener ventajas en cuanto a su movilidad como por ejemplo le permite girar
sobre su propio eje, así como también le permite realizar distintos tipos de giros para
una mejor respuesta durante la trayectoria del robot móvil (Cortéz, 2011).
6
Figura 2.1 Cinemática de un robot móvil con arquitectura diferencial
La disposición del movimiento se realiza modificando la velocidad de las ruedas izquierda y derecha
independientemente, Elaborado por: Clelio Endara y Emerson Maigua.
c) Pistas para el robot móvil seguidor de línea destreza

Las pistas o escenarios para el seguidor de línea destreza por lo general tienen un fondo
blanco y líneas con bifurcaciones de color negro que pueden ser curvas, ángulos rectos,
discontinuidades, entre otras; son diseñadas con un alto grado de dificultad basado a
los reglamentos y criterios de los organizadores de cada competencia que regula este
diseño para que los participantes puedan agregar o tomar en cuenta ciertas decisiones
al momento del desarrollo de la competencia, como por ejemplo, obedecer a la
tendencia de línea recta al aparecer un cruce, no girar, sino seguir el camino, o al
contrario en cruces solo obedecer a un lado dominante (izquierda o derecha), todas
estas consideraciones están sujetas siempre al reglamento de cada competencia.
Para el Concurso Ecuatoriano de Robótica en el año 2013 (CER 2013), la pista de

competencia que se muestra en la Figura 2.2 (A) demuestra la prioridad del sentido de
giro hacia la izquierda, mientras que en la Figura 2.2 (B) se puede observar que la
trayectoria ideal es a través de la línea color rojo cumpliendo esta decisión; además de
observar que la línea color verde presenta un retorno donde el robot debe girar y volver
por el mismo camino obedeciendo la decisión de ir a la izquierda y terminar su
trayectoria en el menor tiempo posible.
7
Figura 2.2 Pista de competencia categoría seguidor de línea destreza CER 2013
(A) (B)
(A)Vista superior de la pista categoría seguidor de línea destreza en el concurso CER 2013, (B) Vista
superior de la trayectoria ideal para que el robot seguidor de línea destreza pueda completar el circuito
de prueba de la Figura 2.1 (A), Elaborado por: Clelio Endara y Emerson Maigua.
2.5 Visión Artificial

Este tipo de tecnología tiene como objetivo tratar de emular artificialmente el sentido
de la vista humana a través de la adquisición, procesamiento e interpretación de
imágenes capturadas desde dispositivos electrónicos ópticos como son las cámaras y
el procesamiento a partir de tarjetas de desarrollo o computadores compatibles con
dicha tecnología (Benavent Pla, 2017).
Los sistemas de visión artificial tienen procesos para el análisis de las imágenes como
son: la capacitación de imágenes, el almacenamiento de la información captada, el
procesamiento de imágenes y la interpretación de los resultados; estos procesos logran
resultados precisos, confiables y repetibles.
Entre las principales aplicaciones de la visión artificial se tiene:

 Identificación de objetos, formas y personas.
 Análisis de color y variación de luz.
 Análisis de la cinemática de objetos.
 Guía en la ubicación y orientación en un espacio de 2D O 3D.
 Medición entre dos puntos o ubicaciones geométricas de un objeto.
8
2.6 Estado del arte de los sistemas de navegación en robots móviles.
El problema de la navegación de robots móviles en diferentes entornos ha sido un tema
de interés para los investigadores en las dos últimas décadas. Sin embargo, el desafío
actual es la navegación autónoma en ambientes que contienen obstáculos estáticos y
móviles, especialmente cuando los objetos que ocupan el entorno tienen una posición
y movimiento desconocido (Suárez Romero & del Pozo Quintero, 2016).
Desde la inclusión del robot móvil en la industria, la navegación de este ha venido

siendo un caso de estudio donde han surgido tecnologías de toda índole, para nuestro
tema de trabajo de titulación dirigimos nuestro estudio e investigación en la resolución
de los problemas cinemáticos de robots móviles a través de algoritmos inteligentes
como son las redes neuronales.
El área de utilización de los robots móviles es cada vez más amplia, debido a que la
tarea de navegación cobra mayor importancia en aplicación de áreas como la industria,
exploración espacial, educación, entretenimiento, asistencia médica, seguridad, entre
otras (Suárez Romero & del Pozo Quintero, 2016).
En la actualidad ha ido aumentando la tecnología a la cual va dirigido nuestro estudio

como es la inteligencia y visión artificial, existe una gran variedad de softwares libres
orientados al desarrollo de algoritmos programables basados en lenguaje como son:
Basic, C, Ensamblador y Pascal de modo que los fabricantes crean sus plataformas de
programación y a la par producen tarjetas de desarrollo complementarias a los mismos,
que permiten crear mejores algoritmos inteligentes para el control de la navegación de
los robots móviles.
Una de las soluciones que ha tenido mayor acogida es el área de la visión artificial que
en conjunto con un algoritmo inteligente han dado mitigación a un sin número de
problemas como por ejemplo: Deep Learning para la detección de peatones y
automóviles, Desarrollo de algoritmos para la exploración submarina mediante
vehículos autónomos con visión artificial monocular, Vehículo autónomo con visión
artificial utilizando OpenCV, Sistema de detección y conteo de vehículos utilizando
visión artificial (Vizcaya Cárdenas, 2018), (Trabes, 2018), (Peña Merino, 2017),
(Benavent Pla, 2017).
9
La gran cantidad de problemáticas resueltas en la navegación de robots móviles es
gracias al uso de diferentes tipos de control como son: PID, lógica difusa, sistemas
embebidos, redes neuronales, entre otros; por esta razón se orientó el tema de
investigación hacia las redes neuronales debido a su gran impacto en el uso de la visión
artificial en la generación de nuevos conocimientos para generaciones posteriores.
2.7 Inteligencia Artificial

La inteligencia artificial es “la habilidad de los ordenadores para hacer actividades que
normalmente requieren inteligencia humana” (Rouhiainen, 2018). Pero; para tener una
definición más clara y detallada, se puede definir que la Inteligencia Artificial es la
capacidad que poseen las máquinas para imitar el comportamiento inteligente humano
a través de la utilización de algoritmos, en donde esta máquina aprende los datos
tomados de su entorno para luego utilizar lo aprendido en la toma de decisiones tal y
como lo haría un ser humano.
Actualmente el crecimiento exponencial de los procesos, han creado la necesidad que

los dispositivos y softwares informáticos lleguen a tener un aprendizaje dirigido a la
toma de decisiones autónomas, motivo por el cual la inteligencia artificial está
diseñada para resolver distintas situaciones cotidianas y complejas a través de
dispositivos tecnológicos orientados a la emulación inspirada en el comportamiento y
accionamiento que realizaría un ser humano.
La Inteligencia Artificial (IA) con aplicaciones orientadas al beneficio y ayuda

significativa hacia los seres humanos, brindan una mejor calidad de vida resolviendo
problemas presentes en casi todas las situaciones actuales del hombre moderno
(Rouhiainen, 2018).
En la actualidad este tipo de tecnologías se las puede aplicar en:

 En varias áreas de la industria se aplica el reconocimiento, clasificación y
etiquetado de imágenes.
 Una herramienta fundamental en sectores industriales que requieren un
mantenimiento de tipo predictivo en sus maquinarias y equipos.
 Aplicaciones industriales donde se requiere detectar y clasificar objetos como
es el caso en la industria de vehículos autónomos.
10
2.8 Redes Neuronales
Las redes neuronales en la robótica son una parte de la inteligencia artificial que tienen
un objetivo bioinspirado como es simular un cerebro humano con sus respectivas
neuronas y conexiones. En la actualidad debido a la creciente tecnología las redes
neuronales han podido sobrepasar sus expectativas, son capaces de aprender,
entrenarse y realizar operaciones igual o mejor que un operador humano llegando así
a crear una inteligencia artificial “real”, capaz de tomar decisiones complejas en
tiempo real (Suárez Romero & del Pozo Quintero, 2016).
a) Neuronas
El componente mínimo presente en la red neuronal se llama neurona o también
elemento de procesamiento, cada una de estas neuronas presentes en la red neuronal
tienen una capacidad limitada de cómputo o procesamiento restringidas por un
conjunto de instrucciones, además posee una pequeña memoria para almacenar pesos
y activaciones (Matich, 2001). Para simplificar el funcionamiento general de una
neurona se puede verlo a través de la Figura 2.3 donde se puede apreciar que una
neurona se reduce finalmente a un sumador, que tiene sus propias entradas, pesos y
funciones de activación que se van interrelacionando con otras neuronas a través de la
arquitectura de la red neuronal.
Figura 2.3 Funcionamiento general de una neurona
Ilustración didáctica de una neurona, Elaborado por: Clelio Endara y Emerson Maigua.
2.9 Arquitectura de una red neuronal

En una red neuronal no solo se expone sus componentes mínimos con su respectivo
comportamiento individual, también se realiza un análisis en la interconexión que
existe entra ellas. Se agrupan las neuronas en capas y cada una de estas tiene un número
variable de neuronas en un conjunto con un comportamiento similar, por lo que así se
van creando varias capas en la red neuronal.
11
Cada una de estas capas está conectada con la siguiente en su totalidad o parcialmente
excepto en la última de estas capas, que es donde se encuentra la salida total de la red
neuronal (Hossian, y otros, 2018).
a) Arquitectura MobileNet
Es una nueva arquitectura de red neuronal que está específicamente diseñada para
entornos móviles y con recursos limitados, mejora el rendimiento de vanguardia de los
modelos móviles en múltiples tareas y puntos de referencia, así como en un espectro
de diferentes tamaños de modelos. Las MobileNets se basan en una arquitectura
optimizada que utiliza convoluciones separables en profundidad para construir redes
neuronales profundas y ligeras (Sadler, Howard, Zhu, Zhmogimov, & Chen, 2019).
Entre las variantes de esta arquitectura existe la versión 2 con base de un
Backpropagation por medio de Deep Learning haciendo uso del método de aprendizaje
supervisado, este tipo de arquitectura logra un equilibrio óptimo entre precisión y
rendimiento.
2.10 Tipos de capas de una red neuronal

Una red neuronal tiene distintas formas de distribuir, conectar e interrelacionar sus
capas. Existen tres tipos de capas y cada una con sus respectivas neuronas, de manera
general se puede entender su arquitectura en la Figura 2.4 donde se pueden apreciar de
manera genérica la distribución de las capas y sus conexiones.
Figura 2.4 Arquitectura general de una red neuronal
Correlación entre capa y capa presentes en una red neuronal, Fuente: (Torres, 2018).
12
a) Capa de entrada
Depende de los datos o variables que genere el problema a resolver ya que con estos
se puede definir el número y tipo de neuronas que la constituyen.
b) Capas intermedias
Depende de la complejidad del problema que la red va a resolver, por esta razón se
puede necesitar más de una capa. En un análisis y tratamiento de estas capas se pueden
obtener propiedades interesantes para la red neuronal como son generalización,
extracción de características, adaptabilidad, etc.
c) Capa de salida
Dependiendo del formato de nuestra arquitectura y la aplicación que tendrá la red
neuronal se va colocando el número de neuronas de salida.
2.11 Etapas de construcción y manejo de una red neuronal

Las redes neuronales generalmente en su construcción y manejo tienen cuatro etapas
o fases a seguir mismas que se muestran en la Figura 2.5.
Figura 2.5 Etapas de una red neuronal
Conceptualización Diseño Implementación Mantenimiento
Construcción y manejo de una red neuronal, Elaborado por: Clelio Endara y Emerson Maigua.
a) Fase de conceptualización
Se estudia y analiza un modelo de red neuronal que se ajuste al problema a resolver,
partiendo de una observación caracterizada del problema.
b) Fase de diseño
En esta parte se determina la estructura que tendrá la red, el tipo de elemento de
procesamiento y el algoritmo de aprendizaje que utilizará la misma.
13
c) Fase de implementación
Para que la red neuronal logre resolver un problema, esta deberá ser entrenada para su
correcta ejecución; este proceso se denomina entrenamiento que es una configuración
óptima realizada mediante la introducción de ejemplos.
d) Fase de mantenimiento
En esta parte se realiza un seguimiento del funcionamiento de la red neuronal mediante
el monitoreo y adquisición de datos para tener nuevos aprendizajes o descartar otros
ejemplos obsoletos (Matich, 2001).
2.12 Deep Learning

Actualmente es una de las aplicaciones de mayor crecimiento y rendimiento en el
campo de la inteligencia artificial, además que es un subcampo del aprendizaje
supervisado donde su utilización está orientado a problemas de alta complejidad que
involucren una gran cantidad de datos.
Mediante el uso de redes neuronales se realiza el aprendizaje profundo, donde los datos
reconocen sus respectivas relaciones y patrones complejos que se van organizando en
capas. Es necesario una gran capacidad de procesamiento y enormes conjuntos de
información para su aplicación (Rouhiainen, 2018).
2.13 Backpropagation
Es una red neuronal, parte del aprendizaje supervisado y actualmente la más popular
para aplicaciones de visión artificial, posee un conjunto definido de entradas y salidas,
el cual emplea solo entrenamientos supervisados donde los ejemplos de la red neuronal
de entrada – salida correctos deben ser abundantes. “No existe una ley matemática que
permita calcular cuantos ejemplos deben ser utilizados para el entrenamiento de la red
neuronal, solo se posee reglas empíricas o experimentales sujetas al problema donde
se estiman la cantidad de ejemplos” (San Juan, Jamett, Kaschel, & Sánchez, 2015).
Partiendo de esta red se desarrolla un algoritmo aún más específico para el

procesamiento de la red neuronal, además facilita de mayor forma la aplicación en
específico para el caso de estudio en la realización de un algoritmo inteligente que se
implementará al robot móvil seguidor de línea destreza.
14
2.14 Aprendizaje de una red neuronal
Esta es la característica más importante en una red neuronal, debido a que esta parte
es un factor que permite determinar las ventajas y también los inconvenientes de
nuestro sistema; para casos sencillos, los pesos o entradas se pueden agregar o asignar
de una manera manual, pero para casos más complejos es necesario utilizar algún
algoritmo para llevar a cabo el proceso de entrenamiento.
2.15 Métodos de Aprendizaje

Existen tres métodos de aprendizaje los cuales son:
 Supervisado.
 No supervisado.
 Reforzado.
a) Aprendizaje Supervisado
En este método de manera general se presenta los vectores de entrada y salida deseada.
La salida que es manejada por la red neuronal se compara con la salida deseada, y para
reducir el error cometido se van modificando los pesos de la red, motivo por el cual se
repite de forma iterada hasta que este error tenga un porcentaje de confiabilidad
aceptable.
b) Aprendizaje no supervisado
Este método es uno de los más cercanos al sistema biológico de aprendizaje, no se
tiene como en el anterior método mencionado el vector de la salida esperada, el único
vector que continua es la entrada en el conjunto de entrenamiento. El algoritmo hace
que las salidas sean consistentes modificando los pesos, es decir que a entradas muy
similares la red neuronal compute la misma salida. Las salidas se asocian a las entradas
acorde al proceso de entrenamiento.
c) Aprendizaje por refuerzo

Este aprendizaje tiene como primicia que aprende a través de la experiencia, en
palabras más generales se debe darle un refuerzo positivo en cada acierto de la red.
Este algoritmo se puede entender de forma sencilla como por ejemplo el entrenamiento
a un perro cuando se le da una recompensa por aprender algún truco, de la misma
manera es en la red neuronal he ahí su nombre refuerzo positivo (Rouhiainen, 2018).
15
DISEÑO E IMPLEMENTACIÓN DEL ROBOT MÓVIL SEGUIDOR DE
LÍNEA DESTREZA
El objetivo principal del caso de estudio es el control de la trayectoria de un robot
móvil seguidor de línea destreza mediante visión e inteligencia artificial, para lo cual
se requiere del uso de procesamiento de imágenes en tiempo real y de un control
inteligente, donde el sistema debe ser portable para que el prototipo robótico albergue
todos estos procesos. Además de un chasis o estructura idónea para el robot, que
permita una ubicación óptima para los periféricos que tendrán una comunicación
como: una cámara, driver controlador de motores y entradas digitales, los cuales
permitan el accionamiento y control del robot móvil.
3.1 Selección de la tarjeta de desarrollo

Para una selección de una placa controladora ideal, se optó entre diversas tarjetas de
desarrollo disponibles en el mercado ecuatoriano, motivo por el cual la selección de
una placa para el caso de estudio se la realizó mediante un análisis con criterios que
beneficien tanto hardware como software en la implementación del proyecto, las
cuales se presentan a continuación.
a) NRF52-DK
La placa desarrollada por Nordic Semiconductor (Figura 3.1), posee un solo núcleo
32-bit ARM Cortex M4F con una memoria de programa de 512 kB (flash con cache)
y una memoria RAM de 64kB, ventajas como compactibilidad con Arduino en uso de
módulos a través de sus periféricos, comunicación UART para conexión a una cámara
con un software libre; su costo es de 40 USD disponible en el mercado ecuatoriano
(Nordic Semiconductor, 2017).
Figura 3.1 Tarjeta NRF52-DK
Tarjeta de desarrollo NRF52-DK, Fuente: (Nordic Semiconductor, 2017).
16
b) Tarjeta Raspberry Pi 3
Raspberry es una tarjeta electrónica (Figura 3.2), orientada al desarrollo que posee un
núcleo ARM, tiene un procesador Cortex de 1.2 GHz, además de una memoria RAM
de 1 GB, trabaja con el sistema operativo Linux, disponibilidad de conexión con
dispositivos externos y su costo ronda en los 90 $ (Raspberry Pi, 2015).
Figura 3.2 Tarjeta Raspberry Pi 3
Tarjeta de desarrollo Raspberry Pi 3, Fuente: (Raspberry Pi, 2015).
c) Tarjeta DECA
La placa DECA (Figura 3.3), por su arquitectura se la clasifica en el grupo de FPGA,
posee un núcleo Nios II Gen2, tipo RISC de 32 bits, una memoria RAM de 512MB,
dispone de conectividad USB y ethernet, posee periféricos de entrada y salida, además
trabaja en sistema operativo Windows 7 en adelante, esta tarjeta ronda un costo de 240
USD en el mercado estadounidense, no se encuentra disponible en el mercado
ecuatoriano actualmente (Arrow Development Tools, 2015).
Figura 3.3 Tarjeta DECA
Tarjeta de desarrollo DECA, Fuente: (Arrow Development Tools, 2015).
17
d) Tarjeta OpenMV
La placa OpenMV de la Figura 3.4, posee un núcleo STM32H743VI ARM Cortex M7,
una memoria SRAM de 1 MB y 2 MB de flash, extensible hasta 32 GB (dependiendo
el modelo), dispone de conectividad USB, I2C y SPI, posee periféricos de entrada y
salida, además trabaja con software libre, esta tarjeta ronda un costo de 65 USD en el
mercado estadounidense, no se encuentra disponible en el mercado ecuatoriano
actualmente (Agyeman & Abdelkader, OpenMV, 2018).
Figura 3.4 Tarjeta OpenMV
Tarjeta de desarrollo OpenMV, Fuente: (OpenMV, 2018).
e) Placa TMDSDC3359
La TMDSDC3359 (Figura 3.5), de la familia A8 Sitara AM335x, tiene un núcleo ARM
Cortex y un coprocesador NEON SIMD, memoria RAM de 512 MB, comunicación
ethernet, etherCAT, Profibus, Profinet y más, además de poseer periféricos de entrada
y salida, trabaja con software desarrollado por Texas Instruments (pagado), el costo de
la tarjeta ronda los 740 USD en Estados Unidos, actualmente se encuentran disponibles
en el mercado ecuatoriano (Texas Instruments, 2011).
Figura 3.5 Tarjeta TMDSDC3359
Tarjeta de desarrollo OpenMV, Fuente: (Texas Instruments, 2011).
18
Para realizar una correcta selección de la tarjeta de desarrollo se dispuso de la
realización de un esquema de proceso destacado con el objetivo de clasificar las
tarjetas dependiendo de las necesidades requeridas por el robot móvil; la tarjeta debe
ser capaz de conectarse a una cámara, tener la capacidad de manejar redes neuronales,
controlar módulos externos y cumplir un espacio máximo de 10 cm x 10 cm por
razones de estética del hardware.
También se tiene en cuenta que su programación sea accesible a través de un software

libre y para finalizar que pueda estar disponible en el mercado ecuatoriano o en su
defecto que se pueda adquirir por medios de envío internacional.
El esquema de proceso destacado se muestra en la Figura 3.6, donde se puede tener

una idea más simple de la selección de la tarjeta acorde a las características y funciones
requeridas para el robot seguidor de línea destreza mediante visión e inteligencia
artificial.
Figura 3.6 Esquema de proceso destacado para las tarjetas de desarrollo
Conectividad para Sistema Operativo

• NRF52-DK cámara • NRF52-DK libre • NRF52-DK
• Raspberry Pi 3 • Raspberry Pi 3 • Raspberry Pi 3
• NRF52-DK • NRF52-DK
• Tarjeta DECA • Tarjeta OpenMV • Tarjeta OpenMV
• Raspberry Pi 3 • Raspberry Pi 3
• Tarjeta OpenMV
• Tarjeta DECA • Tarjeta OpenMV
• TMDSDC3359
• Tarjeta OpenMV
• TMDSDC3359 Disponibilidad en
Dimensión máxima
Tarjeta de desarrollo Ecuador o
(10cm x10cm)
importación
Esquema de proceso destacado para la selección de la tarjeta de desarrollo para el robot móvil,
Elaborado por: Clelio Endara y Emerson Maigua.
A partir del esquema de proceso destacado se seleccionaron: la NRF52-DK, Raspberry

Pi 3 y la tarjeta OpenMV; para proceder a una elección más específica se realizó un
cuadro comparativo en la Tabla 3.1, en la cual se determinó que la tarjeta de desarrollo
OpenMV es la adecuada debido a sus características como: procesador, memoria,
tamaño y portabilidad, también tiene un sistema de módulo de cámara extraíble que
permite interactuar con sensores, además la posibilidad de admitir dispositivos
externos como controlador de motores con un bajo costo.
19
Tabla 3.1 Resumen característico de las tarjetas electrónicas
Tarjeta de Núcleo Memoria Conexión Sistema Precio en su Disponibilidad

desarrollo RAM para Operativo mercado de en Ecuador
cámara Libre origen
NRF52-DK ARM Cortex M4F 64kB   40 USD 
Raspberry Pi 3 ARM x64 Cortex 1GB   90 USD 
Tarjeta DECA Nios II Gen2 512MB   240 USD 
Tarjeta STM32H743VI   65 USD 

OpenMV ARM Cortex M7 4GB
Placa ARM Cortex A8 512MB   740 USD 

TMDSDC3359
Resumen característico de las tarjetas electrónicas, Elaborado por: Clelio Endara y Emerson Maigua.
Teniendo en cuenta lo mencionado en el párrafo anterior y las necesidades del

proyecto, se puede ratificar que la tarjeta OpenMV es la adecuada para ejecutar redes
neuronales con una velocidad de reacción eficiente para la aplicación del control de la
trayectoria debido a su procesador que la hace básicamente una mini computadora,
además su software de programación es libre y gratuito que se lo puede encontrar en
la página oficial de la organización OpenMV y permite utilizar herramientas basadas
de otros softwares como Keras o Python.
3.2 Diseño electrónico del robot móvil seguidor de línea destreza

Para el reconocimiento de imagen se usará la cámara CAM H7, la cual es compatible
en la tarjeta OpenMV en donde se realizará el algoritmo de visión artificial, para el
control de la trayectoria del robot se hace uso de un shield para motores de la
organización OpenMV el cual controlará la locomoción del robot a partir del algoritmo
inteligente que dará ejecución la tarjeta OpenMV.
Por otro lado, estos módulos de visión artificial de la organización OpenMV al

compartir una configuración compacta para su fácil comunicación y la alimentación,
internamente dispone de un control para la regulación del voltaje tanto para la tarjeta
como para el driver de los motores y otros elementos electrónicos que nos permiten
controlar los pines de E/S en el mundo real; para entender de manera general la
composición electrónica del robot se lo ha dividido en las siguientes partes:
20
a) Sistema Sensorial
Para la adquisición de la imagen de la línea la cual el robot móvil deberá seguir, se
utilizó la cámara Cam H7 (OV7725) compatible con la tarjeta OpenMV con una
comunicación y control directos a través de la interfaz del bus de control de cámara en
serie (SCCB), de la Figura 3.7, que como característica tiene que el controlador puede
modificar su saturación, brillo, contraste y tamaño; el esquema electrónico se adjunta
en el Anexo 1. A continuación se menciona las características técnicas más
importantes:
 Compatibilidad con OpenMV.
 Resolución de imágenes hasta VGA en escala de grises de 640x480 de 8 bits o
imágenes RGB565 de 640x480 de 16 bits a 75 FPS.
 Alta sensibilidad para funcionamiento con poca luz.
 Funciones de control automático de imagen.
 Controles de calidad de imagen.
Figura 3.7 Cámara Cam H7
Cámara Cam H7 conectada a tarjeta OpenMV, Fuente: (Agyeman & Abdelkader, OpenMV, 2018).
b) Sistema de control
Para el control de la trayectoria y de la programación del algoritmo inteligente
mediante la visión artificial con la tarjeta OpenMV, se detalla a continuación las
características destacadas de la tarjeta OpenMV Cam H7 (Agyeman & Abdelkader,
OpenMV, 2018).
 Arm Cortex-M7 de 32 bits funcionando a 400MHz.

21
 Alto ancho de banda 1 MB SRAM / 2 MB FLASH.
 Unidad de coma flotante de doble precisión (FPU).
 Instrucciones completas de DSP, codificación JPEG de hardware. 2 UART, 2
I2C, 1 SPI, 1 CAN, 3 TIM / PWM.
 1 USB de máxima velocidad (FS) para programación.
 1 LED RGB y 2 LED IR integrados.
 1 toma de tarjeta µSD (admite hasta 64 GB).
 Regulador de conmutación de alta eficiencia (salida 1A).
 LDO de bajo ruido para alimentación analógica del sensor.
 Conector de batería Lipo. Consumo de energía inferior a 150 mA.
 El diseño de sensor modular admite múltiples sensores:
 OV7725 640x480.
 MT9V034 (Sensor de obturador global).
 Sensores de imagen térmica FLIR 1,2 y 3.
Para el control de motores se eligió un driver diseñado especialmente para la tarjeta

OpenMV, este shield permite controlar hasta 2 motores. Cuenta con el controlador de
motor de corriente continua un TB6612 con circuito de apagado térmico incorporado
y circuito de detección de bajo voltaje. Entre las características técnicas más notables
se tiene:
 Controlador TB6612.
 Controla hasta 2 motores de CC.
 Circuito de apagado térmico incorporado.
 Circuito detector de baja tensión.
 Modos de función CW / CCW / freno corto / parada.
 Corriente de espera baja.
 Rango de voltaje de suministro operativo de 6 V a 9 V.
La gran ventaja de este shield es su fácil conexión con la tarjeta Open MV, ofrece una
estética compacta e ideal para el diseño estructural del robot en la Figura 3.8 se puede
observar la conexión entre la tarjeta y el shield, además el esquema electrónico se
adjunta en el Anexo 1.
22
Figura 3.8 Tarjeta OpenMV conectada con shield para motores
Shield para motores conectado a tarjeta OpenMV con cámara CAM H7, Fuente (Agyeman &
Abdelkader, OpenMV, 2018).
c) Interfaz
Para la adquisición de datos que se implementan en el algoritmo de navegación
inteligente de la red neuronal, los ejemplos de entrenamiento necesitan ser visualizados
en tiempo real para una correcta adquisición de datos, por lo que se hace uso de una
pantalla LCD que es otro módulo que amplía la funcionalidad con una conectividad
directa de conexión simple a los periféricos de la tarjeta OpenMV como se puede ver
en la Figura 3.9, además el esquema electrónico se adjunta en el Anexo 1.
Figura 3.9 Pantalla LCD
Conexión Pantalla LCD con Tarjeta OpenMV, Fuente: (Agyeman & Abdelkader, OpenMV, 2016).
23
Entre las principales características de esta pantalla están:
 Controlador ST7735R LCD.
 Una dimensión de 1.8 x 1.49 pulgadas.
 Resolución de 128x160 pixeles, Color 16-bit.
 Pin control de luz de fondo.
d) Micromotores y ruedas
Para la selección de los micromotores hay que tener en cuenta parámetros como la
velocidad y torque; debido a que la categoría seguidor de línea destreza opera con una
velocidad baja y un torque intermedio en los prototipos de competencia, esto para
evitar efectos de derrape o deslizamiento especialmente al momento de seguir una
trayectoria con curva muy cerrada.
El prototipo con el dimensionamiento de sus componentes electrónicos y mecánicos

presentaría un peso aproximado de 500 gramos, casi la mayoría de los micromotores
DC pueden mover dicho peso; como se menciona en la Tabla 3.2.
Tabla 3.2 Micromotores motorreductores

Motor Voltaje de RPM Relación Disponibilidad
trabajo en Ecuador
A) Pololu 6V 9V 12V 310 RPM 100:1 1,7Kg.cm 
B) Fingertech 9V 9100RPM 50:1 2Kg.cm 
C) Maxon 9V 12V 13000RPM 50:1 3,3Kg.cm 
Características generales motores: A) (Pololu, 2019), B) (Fingertech Robotics, 2013) y C) (Maxon

Group, 2020) , Elaborado por: Clelio Endara y Emerson Maigua.
En función de los datos anteriormente mencionados; se optó por los micromotores del
fabricante Pololu debido a su alto torque y baja velocidad, de la misma manera la
elección de las ruedas de goma del fabricante Pololu 42 x 19 mm con un orificio tipo
D que se acopla al eje de los micromotores, además posee un labrado de caucho como
se puede observar en la Figura 3.10, ideal para evitar derrapes, deslizamientos y
brindar una tracción eficiente asegurando un agarre al momento en que el robot
seguidor de línea destreza se moviliza en la pista de competencia brindando estabilidad
al robot.
24
Figura 3.10 Rueda Pololu Tipo D
Rueda Pololu 42 x 19mm tipo D con motor, Fuente: (Pololu Robotics & Electronics, 2018).
e) Fuente de alimentación
Para la alimentación del robot se utilizó una batería tipo Lipo (Figura 3.11), de dos
celdas es decir 7,4 V DC con capacidad de 800mAh (miliamperios hora); batería la
cual el fabricante (HobbyKing, 2020) informa que se tiene una autonomía de
aproximadamente 2 horas de uso continuo en altas condiciones.
Figura 3.11 Batería Turnigy 800mAh
Turnigy 800mAh 40C 2S Lipo Pack, Fuente: (HobbyKing, 2020).
Debido al diseño electrónico de la tarjeta OpenMV y el shield para motores, solo se

dispondrá de una conexión directa debido a que la regulación de voltaje es interna
aprovechando espacio y rendimiento de la batería.
Para tener una idea general del funcionamiento de la alimentación del robot en la
Figura 3.12 se observa el esquema de conexiones y la regulación de voltaje que se da
a través de los dispositivos.
25
Figura 3.12 Esquema de alimentación
micromotores
a 7,4 V
Batería Lipo Shiel para
7,4 V DC micromotores
Regulación a Tarjeta
Cámara H7
5V OpenMV
Esquema de alimentación del robot, Elaborador por: Clelio Endara y Emerson Maigua.
f) Arranque del robot

El módulo de arranque es una parte indispensable de un prototipo dentro de la robótica
de competencia; en el diseño se utiliza dicho módulo de arranque de la compañía Ja-
Bots, utilizando un control remoto el cual envía una señal al módulo receptor un estado
en alto (1 lógico) o un estado en bajo (0 lógico) para que inicie el algoritmo de control
de la trayectoria y de igual forma detenerlo de manera remota, en la Figura 3.13 se
puede ver la conexión simple de este módulo hacia la tarjeta Open MV.
Figura 3.13 Conexión del módulo de arranque
Diagrama de conexión entre el módulo de arranque y tarjeta open MV, Elaborado por: Clelio Endara y
Emerson Maigua.
3.3 Diseño estructural del robot móvil seguidor de línea destreza

El diseño estructural se lo plantea a partir del análisis de factores importantes como
son las dimensiones de cada uno de los elementos electrónicos, electromecánicos y
móviles, además del diseño de la arquitectura del robot móvil de tipo diferencial, este
análisis determina las posiciones en las cuales cada uno de los elementos que
conforman el prototipo deben ser ubicados y diseñados dentro del chasis, por lo que
abarca cinco etapas.
26
a) Modelado 3D del subconjunto de piezas
El modelado de cada una de las piezas contemplando las características técnicas y
reglamentaciones requeridas para el robot móvil seguidor de línea destreza; mediante
el software SolidWorks que es especializado en el diseño mecánico, se realizó el
modelado 3D de cada una de las piezas que conforman el chasis del prototipo robótico
en la que se instalará todos los elementos electrónicos (Tarjeta de control OpenMV,
Cam H7, motor shield, lcd, módulo de arranque, switch, batería Lipo y cableado),
elementos electromecánicos (micromotores) y elementos móviles ( llantas, rueda
loca), en el Anexo 2 se detalla el plano de subconjunto de cada una de las piezas.
El diseño estructural del robot seguidor de línea destreza cuenta con 8 piezas como se
observa en la Figura 3.14; en la Figura 3.15 se observa el ensamblaje de dichas piezas
además de la ubicación de la cámara CAM H7 (OV7725) se tuvo en cuenta factores
como la luminosidad, altura de la cámara respecto a la pista, el ángulo de enfoque y el
tamaño de imagen. Se escogió un diseño articulable como se observa en la Figura 3.15,
para que la cámara tenga libertad de movimiento en encontrar un ángulo de inclinación
ideal que oscila en un rango de 0° a 90° grados con respecto a la unión del chasis con
el brazo articulable y una altura entre 56.4 mm a 122.9 mm con respecto al piso.
Figura 3.14 Piezas del robot móvil seguidor de línea destreza
(A) Estuche de la cámara, (B) Soporte de cámara, (C) Tapa de la cámara, (D) Chasis, (E) Soporte
micromotor 1, (F) Soporte micromotor 2, (G) Tapa de la rueda Loca, (H) Tapa del Chasis, Elaborado
por: Clelio Endara y Emerson Maigua.
27
Figura 3.15 Vistas del prototipo ensamblado
Robot móvil seguidor de línea de tipo diferencial diseñado en SolidWorks; (A) Vista frontal, (B) Vista
trasera, (C) Vista superior, (D) Vista inferior, (E) Vista lateral izquierdo, (F) Vista lateral derecho, (G)
Vista isométrica, Elaborado por: Clelio Endara y Emerson Maigua.
b) Laminado 3D del subconjunto de piezas

Cada una de las piezas se las exporta desde SolidWorks en formato de archivo STL
(*.stl), estos archivos pasan por una etapa de Slicing o laminado que se importan en el
software Objet Studio en el cual se configura todos los parámetros necesarios como la
resistencia del soporte, la resolución de impresión en HS (capas de 0,28 micrones) y
la selección de materiales (Vero White & Support SUP706) como se observa en la
Figura 3.16, además Objet Studio tiene la ventaja de ordenar automáticamente las
piezas dentro del área de trabajo para una eficiente impresión, para luego convertir
estas configuraciones en un archivo de código máquina, el mismo permite que la
impresora entienda las instrucciones e imprima el modelo 3D.
Figura 3.16 Slicing en Objet Studio
Configuración de parámetros de impresión 3D para las piezas que conforman el robot móvil seguidor
de línea destreza en el software Objet Studio, Elaborado por: Clelio Endara y Emerson Maigua.
28
c) Impresión 3D del subconjunto de piezas
Para fabricar el prototipo se utilizó una impresora 3D Stratasys Objet 30 Pro que
pertenece a los laboratorios de fabricación StartLabs de la Universidad Politécnica
Salesiana sede Quito. StartLabs, es un espacio colaborativo que promueve el desarrollo
de proyectos a través de la fabricación e implementación de prototipos rápidos con
fines investigativos, innovación tecnológica y de emprendimiento (Salesiana, 2020).
La Stratasys Objet 30 Pro usa tecnología de impresión 3D SLA (estereolitografía) para

la creación prototipos 3D de alta gama debido a su resolución de impresión con
acabados suaves y precisos, utiliza dos tipos de materiales líquidos simultáneamente,
el material modelo utilizado para la impresión de las piezas 3D usa tecnología PolyJet
Vero el cual es un fotopolímero líquido resistente que proporciona un excelente detalle
visual y un material de soporte soluble SUP706; ambos materiales se combinan entre
sí para crear la pieza 3D. Estos materiales que llegan al cabezal de impresión crean
capas de 0,28 micrones que se configuraron en la etapa de laminado 3D y al mismo
tiempo se secarán utilizando luz ultravioleta.
En la Figura 3.17 se observa las ocho piezas impresas dentro del área de impresión, el
material modelo utilizado fue de 220 gramos y el material soporte 235 gramos,
empleando un tiempo de 28 horas de impresión 3D con tecnología SLA.
Figura 3.17 Impresión 3D en Stratasys Objet 30 Pro
Impresión 3D con tecnología SLA del subconjunto de piezas que conforman el robot móvil seguidor
de línea destreza, Elaborado por: Clelio Endara y Emerson Maigua.
29
d) Post Procesado del subconjunto de piezas
En esta etapa se procede a la eliminación del material soporte que se encuentra
adherido a las paredes de cada una de las piezas impresas, dicho material tiene la
ventaja de que es soluble en una solución de metasilicato de sodio con agua. Las piezas
estarán inmersas en esta solución entre 6 a 8 horas para eliminar el material de soporte,
por lo que se recomienda utilizar un cepillo con cerdas suaves para eliminar los restos
del material soporte que aún pueden permanecer entre los espacios de las piezas;
finalmente se enjuaga con agua limpia y se la deja secar las piezas al aire libre como
se observa en la Figura 3.18.
Figura 3.18 Post Procesado de las piezas del robo móvil
Eliminación del material de soporte de las piezas impresas en 3D, Elaborado por: Clelio Endara y
Emerson Maigua.
e) Ensamblaje del robot móvil seguidor de línea destreza

Para el ensamblaje del robot móvil seguidor de línea destreza se procede a clasificar
cada una de las piezas que conforman el chasis, por lo que se va armando por secciones
debido a que siguen un orden específico al momento de hacer encajar las piezas
electrónicas, electromecánicas y móviles como se observa en el Anexo 3.
Antes de realizar el ensamblaje específicamente al módulo de cámara Cam H7 se debe

realizar una limpieza al sensor utilizando una tela suave juntamente con alcohol
isopropílico para luego ser montado en la pieza denominado estuche de cámara, se
conectan un cable extensor a dicho módulo y se coloca la tapa de cámara; se ensambla
30
cada uno de los 2 micromotores haciéndole coincidir con el soporte del micromotor
respectivamente para finalmente colocar las llantas.
Los módulos de control OpenMV, el shield de motores y la lcd se conectan entre si

haciendo encajar sus respectivos pines, para luego conectar al extensor del cable que
se dirige al Cam H7, se coloca la rueda loca en el chasis juntamente con su tapa, para
finalmente colocar todos los elementos dentro del chasis, cabe mencionar que se usa
tornillo de 3 mm para ajustar cada una de las piezas. En la Figura 3.19 se observa en
ensamblaje del prototipo final, así como también en la Figura 3.20 se apreciar las vistas
del robot móvil seguidor de línea destreza.
Figura 3.19 Prototipo final
Ensamblaje de la parte electrónica, electromecánica y móvil del robot seguidor de línea, Elaborado
Figura 3.20 Vistas del prototipo final
Robot móvil seguidor de línea de tipo diferencial; (A) Vista frontal, (B) Vista trasera, (C) Vista lateral
derecho, (D) Vista lateral izquierdo, Elaborado por: Clelio Endara y Emerson Maigua.
31
3.4 Red Neuronal para el robot móvil seguidor de línea destreza
Para el desarrollo e implementación de la red, dispone de tres bloques para su
funcionamiento, En la Figura 3.21 de manera general se puede observar el
funcionamiento de esta arquitectura de red, donde la entrada del sistema será una
matriz imagen que pasará a través de una capa oculta para posteriormente obtener en
nuestro caso cinco salidas.
Figura 3.21 Diagrama de bloques de la arquitectura de la red neuronal
Salida del
Capa sistema
Entrada Oculta
del
sistema
Diagrama de bloques general de la arquitectura para la red neuronal, Elaborado por: Clelio Endara y
Emerson Maigua.
a) Entrada del Sistema

En la entrada la red neuronal se tiene una matriz imagen previamente procesada por la
tarjeta Open MV, los ejemplos de la imagen adquirida y procesada que pueden llegar
a la entrada de la red neuronal se pueden ver en el Anexo 4.
b) Capa Oculta
Para la capa oculta se tiene la arquitectura MobileNet, en donde se realizan
comparaciones profundas con los ejemplos previamente entrenados para obtener una
respuesta a la salida.
c) Salida del Sistema

La salida de la red neuronal tiene cinco salidas para sus casos de control, los cuales
son: adelante, giro a la derecha, giro a la izquierda, giro a la derecha con radio y giro
a la izquierda con radio. Esta salida es un vector de dos columnas una con la etiqueta
del nombre de cada uno de los posibles casos de control y otra con el porcentaje de
confianza de esa salida.
32
3.5 Entrenamiento para la red neuronal
Para el entrenamiento de la red neuronal, se utiliza una plataforma de desarrollo on-
line, líder para el aprendizaje automático que es completamente gratuita para los
desarrolladores de software, ingenieros y expertos en dominios para resolver
problemas reales utilizando el aprendizaje automático en dispositivos como son Edge
Impulse y Keras (EdgeImpulse, 2020), los cuales a través de su interfaz de subida de
datos de los ejemplos previamente almacenados en un formato admisible para el
software como se mostrará más adelante en el procesamiento y adquisición de imagen;
son seleccionados como se muestra en la Figura 3.22 (A), donde se almacenan los
datos de imagen de entrada con su respectiva salida mediante una etiqueta como se
puede ver en la Figura 3.22 (B), posteriormente el software muestra un mensaje de
completado el trabajo de subida mostrado en la Figura 3.22 (C).
Figura 3.22 Interfaz Edge Impulse
(A) Selección de los ejemplos para la red neuronal, (B) Asignación de nombre para la etiqueta de
salida de los ejemplos correspondientes, (C) Mensaje de subida de datos completa, Elaborado por:
Clelio Endara y Emerson Maigua.
El número de ejemplos tomados es de forma experimental para el caso de esta red

neuronal, se promedia generalmente 350 datos, pero no menos de 200 datos para un
correcto funcionamiento.
33
a) Configuración y entrenamiento de la Red Neuronal
Para el entrenamiento y configuración de las características de la red neuronal, la
interfaz de Edge Impulse permite configurar mediante el lenguaje de Keras
directamente aplicando la arquitectura de red neuronal como se muestra en la Figura
3.23 (A).
Además de la configuración de parámetros mostrada en la Figura 3.23 (B), con el

objetivo de buscar experimentalmente los parámetros ideales para su óptimo
funcionamiento y rendimiento, manipulando variables como los ciclos de
entrenamiento y el índice de confianza que tendrá la salida de la red neuronal, estas
variables alteran de manera positiva la velocidad de procesamiento de la tarjeta de
desarrollo utilizada.
Figura 3.23 Interfaz Edge Impulse configuración de la red neuronal
(A) Ingreso de la Arquitectura de la red neuronal, (B) Interfaz de configuración de parámetros de la

red neuronal, Elaborado por: Clelio Endara y Emerson Maigua.
Una vez realizado las respectivas configuraciones se procede a entrenar la red

neuronal, donde al completar exitosamente el programa, genera un aviso en su interfaz
como se puede ver en la Figura 3.24.
34
Figura 3.24 Interfaz Edge Impulse de la salida del entrenamiento
Interfaz de la salida de entrenamiento, mensaje de “Job completed (trabajo completado)” donde se

indica que la red neuronal ya fue entrenada, Elaborado por: Clelio Endara y Emerson Maigua.
Terminado el entrenamiento de la red neuronal el software Edge Impulses genera dos

archivos, un archivo de texto con las etiquetas de las salidas y la red neuronal entrenada
en un comprimido de formato Tensor Flow Lite (TFLITE) mostrados en la Figura 3.25
compatible para la presencia y función en el algoritmo de control de la trayectoria del
robot programado en el software OpenMV IDE.
Figura 3.25 Archivos generados en Edge Impulse
Archivos generados, etiquetas en archivo de texto y la red neuronal en formato Tensor Flow Lite,
35
b) Algoritmo del robot móvil
En la Figura 3.26 se describe el diagrama de flujo del algoritmo que ejecutará la tarjeta
programada en el software libre OpenMV IDE, en el inicio de este se realiza la
importación de librerías tanto para el funcionamiento como la comunicación con la
cámara y el módulo para motores, además de la declaración de las variables necesarias
para: el arranque del robot, funcionamiento de la red neuronal y el control de la
locomoción del robot. En condiciones iniciales la cámara y motores están apagados a
la espera de la inicialización del módulo de arranque donde una vez seteada la variable
asignada para el control del arranque, empieza la inicialización de la cámara y con ello
la captura de imagen.
Figura 3.26 Diagrama de flujo del algoritmo en la tarjeta OpenMV
Diagrama de flujo del algoritmo implementado en la tarjeta de desarrollo OpenMV., Elaborado por:
Clelio Endara y Emerson Maigua.
36
Las imágenes pasan por un procesamiento donde se adecúa para ser enviada como una
matriz imagen a la red neuronal en donde se tiene presente la capa oculta en el que
empieza a realizar una comparación entre los datos de entrada y los datos entrenados
para que después la red neuronal envía una de las cinco salidas previamente asignadas
en la arquitectura de la red neuronal que se detallan a continuación: adelante, giro sobre
su propio eje a la derecha, giro sobre su propio eje a la izquierda, giro con radio a la
izquierda y giro con radio a la derecha; con esta variable de salida ejercer el
accionamiento y control para los motores dependiendo del caso brindado por la salida
de la red neuronal en un número infinito de iteraciones hasta que el robot reciba la
señal de paro o cero lógico por parte del módulo de arranque para detener los
micromotores del robot móvil seguidor de línea destreza.
c) Adquisición de imagen
Para la adquisición de datos se utiliza el procesamiento explicado en el tema anterior
con el cual se realizan capturas directamente en el software OpenMV IDE con su
herramienta de guardar imagen; cada ejemplo se almacenará en una carpeta para al
momento de su subida a la red neuronal se puedan etiquetar los ejemplos necesarios
para el caso correspondiente, como se puede ver en la Figura 3.27 se organiza los
ejemplos con la finalidad de ingresar las imágenes tomadas con su respectiva etiqueta.
Figura 3.27 Ejemplos de la adquisición de imagen
Imágenes adquiridas con su respectiva etiqueta, Elaborado por: Clelio Endara y Emerson Maigua.
37
d) Procesamiento de imagen
Se deben tomar en cuenta cuatro aspectos importantes que se requieren de manera
obligatoria tanto la entrada como los ejemplos de entrenamiento de la red neuronal,
los cuales se especifican a continuación:
- Dimensión de la imagen: la imagen de entrada a la red neuronal debe ser

cuadrada, por tanto, debe tener un proceso de recorte, para este caso en
específico se utilizará la dimensión de 240 x 240 píxeles, debido al que el
software utilizado para el entrenamiento de la red neuronal obligatoriamente
debe cumplir la dimensión antes mencionada, toda esta acción se resume en la
línea de código que se muestra en la Figura 3.28 (A).
 Escala de color: debido a los colores generales de la pista para evitar el
procesamiento de colores, se transforma a escala de grises (GRAYSCALE) las
imágenes de entrada del sistema como se muestra en la Figura 3.28 (B).
 Formato de píxeles: Para complementar la escala de grises, a partir de una
función (BINARY) que se muestra en la Figura 3.28 (C), donde se obtiene un
mapa de bits en formato binario, en el cual cada píxel es un bit, y las imágenes
de entrada a la red neuronal tiene la ventaja de adaptarse a distintas condiciones
de luz, como también facilitar la toma de ejemplos para el entrenamiento de la
red neuronal.
 Trazo de ejes de referencia: se dibujan dos ejes de referencia correspondientes
al plano XY, mediante la función de dibujo de líneas (draw_line) en la imagen
de entrada mostrada en la Figura 3.28 (D), especificando su posición en el
centro de la imagen dibujando virtualmente cuatro cuadrantes iguales.
Figura 3.28 Funciones para el procesamiento de imagen de entrada
(A) Código del dimensionamiento de la imagen, (B) Código de función salida tipo formato de píxeles
en escala de grises, (C) Código de conversión binaria de la imagen, (D) Código para dibujar líneas
virtuales en la imagen, Elaborado por: Clelio Endara y Emerson Maigua.
38
3.6 Funcionamiento de la red neuronal
Para la programación en el OpenMV IDE se hace uso de sus funciones propias como
son crear un bucle “for” para que tenga infinitas iteraciones como se aprecia en la
Figura 3.29 (A) donde se indica que tf.classify es una función que relaciona la red
neuronal con la imagen de entrada captada por la cámara haciendo que cada imagen
captada entre en la red neuronal, donde se hace uso de los archivos generados en el
entrenamiento de la red, en el que una variable llamada predictions_list tendrá el dato
de la salida de la red neuronal como se ve en la Figura 3.29 (B), a continuación de esto
se tendrá un “for” anidado el cual tiene la función de crear iteraciones infinitas para
la asignación continua de la nueva variable de salida enviada por la red neuronal
apreciado en la Figura 3.29 (C).
Figura 3.29 Programación de la red neuronal en Open MV IDE
(A) Función de relación entre imagen de entrada y red neuronal, (B) Almacenaje de la variable de
salida de la red neuronal, (C) Iteraciones para actualizar el valor de la salida almacenada, Elaborado
3.7 Control del shield para motores

En la parte de control del shield para motores, se parte con el uso de la variable de
salida que otorga la red neuronal la cual entra en una simple sentencia if para cuando
llegue la salida se lo almacena a una variable la cual tendrá el valor del porcentaje de
confiabilidad de esa salida como se puede ver en la Figura 3.30 (A), con este valor
almacenado se procede a realizar el control de los motores donde con otro if se
compara para saber si el valor supera el 80% de confiablidad obtenido de la red
neuronal, debido a que experimentalmente al bajar el rango del valor del porcentaje se
llegó a este valor promedio para ejecutar de manera rápida el control hacia los motores.
Con una función motor.set_speed se controla el sentido de los motores y para el PWM
se tiene un valor mínimo para moverse al cual se multiplica por una variable global
velocidad de forma experimental hallar la velocidad más alta con la que pueda
39
movilizarse correctamente el robot móvil, esto se puede apreciar en las líneas de
código de la Figura 3.30 (B) donde se aprecia el control de ambos motores.
Figura 3.30 Programación para el control del shield para motores
(A) Sentencia if para la verificación de etiquetas, (B) Sentencia de activación motor 1 y motor 2,
3.8 Resultado final del robot móvil seguidor de línea destreza

Una vez realizado el estudio de los parámetros y reglamentaciones que debe tener el
prototipo se fue desarrollando su hardware y software, además se diseñó una pista de
competencia con las bifurcaciones más comunes que se pueden encontrar en los
concursos de robótica; el cual culminó teniendo como resultado el prototipo mostrado
en la Figura 3.31 y en el Anexo 3 se detalla el ensamblable; con este robot móvil
seguidor de línea destreza se realizó todas las posteriores pruebas mostradas en el
siguiente capítulo.
Figura 3.31 Prototipo Implementado
Prototipo implementado en pista de competencia con un escenario controlado, Elaborado por: Clelio
Endara y Emerson Maigua.
40
3.9 Resumen de costos
Una vez realizado todo el dimensionamiento tanto en hardware y software, se detalla
en la Tabla 3.3 todos los costos requeridos para la fabricación e implementación del
robot móvil seguidor de línea destreza.
Tabla 3.3 Resumen de Costos del Proyecto

TIPO ITEM DESCRIPCIÓN CANT. P. U P.T
E Software OpenMV OpenMV IDE V 2.4.0 1 0.0 0.0
Q Laptop Laptop hp Win 10 1 0.0 0.0
U
I Cargador Batería Cargador batería lipo Imax 1 45.00 45.00
P B6 80W
O Pista Pistas de prueba 1 30.00 30.00
S
OpenMV Cam H7 OMV-Cam H7 V1 1 65.00 65.00
Motor Shield OMV-Shield Motor 1 25.00 20.00
M Camera Module OMV-Cab fpc V1
A Extensión Cable 2 10.00 20.00
T LCD Shield OMV-Shield Lcd V1 1 25.00 20.00
E Robot Start Module Módulo receptor 1 10.00 10.00
R Control Remoto Módulo emisor on / off 1 30.00 30.00
I Batería Turnigy Batería 7.4V 800 mAh 1 22.00 22.00
A Pololu MicroMotor 6V DC Motor 50:1 HP 2 15.00 30.00
L Llantas Pololu Llanta 42 x 19 mm tipo D 2 4.50 9.00
E Rueda Loca Rueda loca metálica 1 3.00 3.00
S Chasis Robot Impresión del Chasis 1 241.00 241.00
Elementos Varios Electrónicos, tornillos 20 0.25 5.00
H Pinzas Pinzas puntas redondas 1 7.00 7.00
E Destornillador Para tornillos de 3 mm y 5 2 4.00 8.00
R plano mm
R Destornillador Para tornillos de 3 mm y 5 2 4.00 8.00
A estrella mm
M Cautín Cautín de 60W 1 12.00 12.00
I Estaño Para Soldar 1 5.00 5.00
E Pasta Para soldar 1 3.00 3.00
N Pegamento Loctité 1 3.00 3.00
T Alcohol 500 ml. 1 15.00 15.00
A Isopropílico
S
Ingeniería Hora de trabajo de 2 460.00 920.00
ingeniería
Importación de Envío internacional, 1 129.00 129.00
Otros
tarjeta de desarrollo impuesto SENAE, tramite
y shields nacionalización DHL
VALOR TOTAL SOLO HARDWARE Y SOFTWARE 611,00$
VALOR TOTAL DE TRABAJO DE INGENIERÍA E IMPORTACIÓN 1049,00$
VALOR TOTAL DE TRABAJO 1660,00$
Tabla de costos detallada para la fabricación e implementación del robot móvil seguidor de línea
destreza, Elaborado por: Clelio Endara y Emerson Maigua.
41
PRUEBAS – RESULTADOS
Para realizar la validación del sistema, tanto en su parte de hardware como software se
realizaron pruebas en un escenario controlado, con el objetivo de encontrar
experimentalmente fallas o mejoras durante el desarrollo de estas, analizando su
comportamiento en la pista mediante; mediciones de tiempo, acompañados del
porcentaje de avance de pista realizado, para calcular la efectividad del sistema
implementado.
4.1 Pruebas en pista con un escenario controlado

Para la comprobación de la efectividad del robot móvil seguidor de línea destreza se
creó un escenario controlado adecuado a las condiciones y características reales que
tendrá una pista en un concurso de robótica real como se observan en la Figura 4.1 que
es una pista de nivel de dificultad alta, con dimensiones aproximadas de dos metros
por dos metros, donde se tomarán los datos de 10 repeticiones registradas en sus
respectivas tablas.
Teniendo en cuenta que el robot tendrá una velocidad general que está presente en
todas las pruebas como de igual forma el ángulo de posición de la cámara que de
manera experimental se obtuvo tanto la altura de 8 cm de alto, como la inclinación de
la cámara aproximadamente 60°.
Figura 4.1 Pistas en escenario controlado
Pista de prueba en un escenario controlado para el robot móvil seguidor de línea destreza, Elaborado
42
A través de la experimentación, los resultados obtenidos se visualizan en las siguientes
tablas de las pruebas en sentido horario de la pista en función del número de neuronas
en la capa oculta.
Tabla 4.1 Resultados en la pista, red neuronal con 5 neuronas en la capa oculta
CAPA OCULTA CON 5 NEURONAS

Número de Registro del Trayectoria Porcentaje de pista
intento cronómetro (s) fallida recorrida
1 65,06 s X 100 %
2 64,49 s X 100 %
3 65,14 s X 100 %
4 64,97 s X 100 %
5 65,17 s X 100 %
6 65,01 s X 100 %
7 64,55 s X 100 %
8 64,84 s X 100 %
9 64,73 s X 100 %
10 65,01 s X 100 %
Promedio total (s) 64,897 s
Resultados de la red neuronal con 5 neuronas, Elaborado por: Clelio Endara y Emerson Maigua.
De los resultados obtenidos en Tabla 4.1, se pude determinar que el robot no tiene
perdida de trayectoria alguna con la red neuronal de 5 neuronas en la capa oculta, el
cual brinda un porcentaje de pista recorrida del 100%, y un promedio de tiempo de
64,897 s.

1 59,47 s X 100 %
2 59,21 s X 100 %
3 58,82 s X 100 %
4 58,95 s X 100 %
5 59,02 s X 100 %
6 59,11 s X 100 %
7 58,91 s X 100 %
8 59,07 s X 100 %
9 58,89 s X 100 %
10 58,97 s X 100 %
43
De la Tabla 4.2 se muestra un porcentaje de pista recorrida del 100% de la red neuronal
con 10 neuronas y un promedio de tiempo de 59,042 s.

1 54,89 s X 100 %
2 54,57 s X 100 %
3 54,67 s X 100 %
4 55,02 s X 100 %
5 54,68 s X 100 %
6 54,96 s X 100 %
7 55,02 s X 100 %
8 54,88 s X 100 %
9 54,89 s X 100 %
10 54,93 s X 100 %
En la Tabla 4.3 muestra que la red neuronal con 12 neuronas tiene un porcentaje de
pista recorrida del 100% y un promedio de tiempo de 54,851 s.

1 55,45 s X 100 %
2 55,78 s X 100 %
3 55,90 s X 100 %
4 55,64 s X 100 %
5 55,73 s X 100 %
6 55,81 s X 100 %
7 55,92 s X 100 %
8 55,89 s X 100 %
9 55,77 s X 100 %
10 55,59 s X 100 %
De los resultados obtenidos en Tabla 4.4, se tiene un porcentaje de pista recorrida del
100% de la red neuronal con 15 neuronas y un promedio de tiempo de 55,748 s.
44

Número de intento Registro del Trayectoria Porcentaje de pista
cronómetro (s) fallida recorrida
1 57,03 s X 100 %
2 56,58 s X 100 %
3 56,43 s X 100 %
4 29,27 s  40 %
5 57,11 s X 100 %
6 56,93 s X 100 %
7 57,01 s X 100 %
8 56.95 s X 100 %
9 29,53 s  40 %
10 56,89 s X 100 %
Promedio total con 50,753 s Promedio: 88%
pérdida de pista (s)
Promedio total sin 56,854 s
pérdida de pista (s)
La Tabla 4.5 muestra que la red neuronal con 20 neuronas tiene un porcentaje de pista
recorrida del 88% y un promedio de tiempo de 56,854 s.
Se puede observar que al trabajar con 12 neuronas el comportamiento del prototipo es

mucho mejor, y con 20 neuronas en la capa oculta tiene ciertas pérdida de trayectoria
debido a que el tamaño de memoria RAM de buffer de cuadros que ocupa la red
neuronal ocasionando una ralentización de procesamiento en especial al momento de
invertir los colores de pista, esto se pudo visualizar en la tendencia donde se perdió la
trayectoria del robot como se pudo observar en la Tabla 4.5, la pérdida de trayectoria
se da aproximadamente al 40% del recorrido como se muestra en la Figura 4.2 (C).
Además, con todas las pruebas se comprobó la trayectoria de tendencia del robot,
donde la tendencia de la Figura 4.2 (A) tiene mayor probabilidad de cumplirse, seguido
de la tendencia mostrada en la Figura 4.2 (B).
45
Figura 4.2 Pista con líneas de tendencia
Detalle de pista de prueba con líneas de tendencia, Elaborado por: Clelio Endara y Emerson Maigua.
46
CONCLUSIONES
Se logró implementar un algoritmo de trayectoria para un robot seguidor de línea
destreza de competencia mediante la selección de la tarjeta controladora OpenMV con
uso de visión artificial acompañado de redes neuronales, que a través del software
OpenMV IDE se pudo programar una red neuronal con la cual el robot móvil presenta
una buena eficiencia en la aplicación de la misma, software que no necesita pago de
licencias, por lo que es una gran ventaja frente a otros y permite que el robot diseñado
con una arquitectura diferencial pueda seguir una trayectoria en línea blanca con
superficie negra o línea negra con superficie blanca; el sistema se validó con métodos
experimentales a partir de pruebas de campo en un escenario controlado con un diseño
de una pista de alta complejidad, obteniendo como resultados el 100% de efectividad,
pudiendo validar que la red neuronal con visión artificial controlan la trayectoria del
robot móvil seguidor de línea destreza satisfactoriamente.
Se identificó a través del estado del arte que los sistemas de navegación para robots
móviles mediante algoritmos inteligentes aplicados a la visión artificial, obtuvieron los
mejores resultados con la arquitectura MobileNet, además de un buen procesamiento
con un formato de píxeles en negativo con los cuales permite al robot controlar su
trayectoria con mayor rapidez y fluidez reduciendo tiempo de procesamiento y espacio
de memoria, dado que esta arquitectura reduce el espacio de memoria RAM de búfer
de cuadros requerida debido a que la tarjeta de desarrollo OpenMV tiene
aproximadamente 31 MB de RAM de búfer de cuadros. Dicho esto, ejecutar un modelo
en cualquier lugar cercano a ese tamaño será extremadamente lento.
Con las pruebas en un escenario controlado se validó el funcionamiento del sistema,

mismas que permitieron de manera experimental contemplar fallos y mejoras a nivel
de hardware en la fabricación del subconjunto de piezas que conforman el chasis del
robot móvil seguidor de línea destreza. En un principio se utilizó una impresora 3D
con tecnología FDM, que no fue la mejor opción debido a que al momento del
ensamblaje del chasis presentó fisuras en ciertas piezas afectando la locomoción del
prototipo, motivo por el cual se optó utilizar una impresora 3D con tecnología SLA
que soluciona estos problemas, generando piezas con alta precisión, superficies más
lisas y alta resistencia mecánica. De la misma manera con respecto al software se tuvo
problemas en la memoria de procesamiento que está directamente relacionado con la
47
red neuronal por su número de neuronas presente en la capa oculta, error que se
rectificó mediante el uso de la arquitectura MobileNet en su segunda versión; de
manera que al subsanar estos problemas se logra una estabilidad y confiabilidad alta,
donde las pruebas mostraron un rango de porcentaje del 100% de efectividad.
En función de las 10 pruebas realizadas de la arquitectura de red neuronal con 12

neuronas en la capa oculta, el prototipo presenta su punto de mayor efectividad, donde
los resultados arrojaron menores tiempos con un promedio de 54,851 segundos con el
cumplimiento del 100% de la trayectoria, de manera opuesta al elevar el número de
neuronas en la capa oculta a 20 se tuvo un incremento en el valor del tiempo con un
promedio de 56,854 segundos y pérdidas de trayectoria en dos ocasiones, se justifica
este resultado porque la red se torna más grande con mayor número de interconexiones
en la arquitectura que produce alto consumo de memoria RAM generando un retraso
en el enfoque de la cámara especialmente en el cambio de colores de la superficie, esto
conlleva a generar una adquisición de imagen errónea por dicho retraso dando un
control equivocado y como resultado la pérdida de trayectoria del prototipo.
48
RECOMENDACIONES
Con el fin de garantizar un entrenamiento eficaz, en la toma de ejemplos para la red
neuronal, se debe contemplar la modalidad del reglamento dado es el caso ante
bifurcaciones el reglamento obliga una decisión de trayectoria al robot, con esto tener
un algoritmo que evite problemas de conflicto en su salida, también el tamaño de
imagen el software Edge Impulse trabaja con imágenes cuadradas por tanto se debe
recortar las imágenes para el ingreso de los datos, caso contrario la red neuronal
mostrará errores al momento de compilar el programa.
Para garantizar una correcta adquisición y procesamiento de imagen en la cámara

CAM H7 (OV7725), se debe tener en cuenta para nuestro caso el tamaño del archivo
con formato .tflite debido a que el mismo ocupa cierta cantidad de memoria volátil
afectando en el enfoque de la cámara, mismo que puede provocar lecturas erróneas.
La red neuronal debe ser entrenada en un proceso off line con un número mínimo de
200 ejemplos, dicho valor se obtuvo de manera experimental para garantizar un buen
funcionamiento, caso contrario el robot móvil seguidor de línea destreza tiende a tomar
decisiones erróneas afectando su trayectoria. Una opción para solventar los problemas
a nivel de software que se presentó en este trabajo de titulación, se recomienda el uso
de una tarjeta de desarrollo con mejores características, como por ejemplo la tarjeta de
desarrollo Jetson Xavier NX la cual está diseñada específicamente para aplicaciones
de inteligencia artificial hacia la creación de proyectos innovadores.
49
REFERENCIAS
Aguilar Campos, J. P., & Sandoval Suquillo, H. I. (2018). Desarrollo de un robot móvil
diferencial controlado mediante un algoritmo de búsqueda con redes
neuronales. Quito: Universidad Politécnica Salesiana - Carrera de Ingeniería
Electrónica.
Agyeman, K., & Abdelkader, I. (02 de Noviembre de 2016). OpenMV. Obtenido de
OpenMV: https://openmv.io/collections/shields/products/proto-shield
Agyeman, K., & Abdelkader, I. (20 de Agosto de 2018). OpenMV. Obtenido de
OpenMV: https://cdn.shopify.com/s/files/1/0803/9211/files/OpenMV-
H7.pdf?10726770933929369108
Agyeman, K., & Abdelkader, I. (20 de Agosto de 2018). OpenMV. Obtenido de
OpenMV:
https://cdn.shopify.com/s/files/1/0803/9211/files/OpenMV_Motor_Shield.pdf
?10726770933929369108
Aldaz Andrade, L. A., & Orellana Torres, R. D. (2017). Desarrollo de un prototipo de
robot móvil de competencia multi-categoría. Quito: Universidad Politécnica
Salesiana - Carrera de Ingeniería Electrónica.
Arrow Development Tools. (21 de Mayo de 2015). arrow.com. Obtenido de
arrow.com:
https://static6.arrow.com/aropdfconversion/efb389d1f9c390cf04346a67dbcda
75f31d01f43/deca_user_manual.pdf
Barahona Guamani, E. S. (2019). Navegación autónoma basada en maniobras bajo
estimación de posturas humanas para un robot omnidireccional Kuka YouBot.
Ambato: Universidad Técnica de Ambato, Ingeniería en Sistemas, Electrónica
e Industrial.
Baturone, A. O. (2001). Robótica: Manipuladores y Robots Móviles. Barcelona:
Marcombo BOIXAREU.
Benavent Pla, A. (2017). Vehículo autónomo con visión artificial utilizando OpenCV.
Valencia: Universitat Politècnica de València. Departamento de Ingeniería
Electrónica - Departament d'Enginyeria Electrònica.
Buendia Ríos, A. A. (2017). Navegación Autónoma de un vehículo Pequeño en
Interiores Empleando Visión Artificial y Diferentes Sensores. Texcoco:
Universidad Autónoma del Estado de México.
50
Caballero Barriga, E. R. (2017). Aplicación Práctica de la Visión Artificial para el
Reconocimiento de Rostros en una Imagen, Utilizando Redes Neuronales y
Algoritmos de Reconocimiento de Objetos de la Biblioteca OPENCV. Bogotá:
Universidad Distrital Francisco José de Caldas - Facultad de Ingeniería.
Castañeda Bermúdez, J. S., & Salguero Lozano, Y. A. (2017). Ajuste de Algoritmo de
Identificación Visual para su Uso en Aplicaciones de Navegación Autónoma
de Robots. Bogotá: Universidad Distrital Francisco José de Caldas - Facultad
de tecnología Politécnica.
CEDIA. (28 de Noviembre de 2019). CER 2019. Recuperado el 14 de Enero de 2021,
de Reglamento Seguidor De Linea Destreza:
https://cedia.edu.ec/dmdocuments/CER/2019/Reglamentos/ReglamentoSegui
dorDeLineaDestreza.pdf
Cortéz, F. R. (2011). Robótica Control de Robots Manipuladores . México:
Alfaomega.
Díaz Saravia, M. W., & Trejo Peraza, J. M. (2019). Diseño de Prototipo de Vehículo
Autónomo Utilizando Redes Neuronales. La Libertad: Escuela Especializada
en Ingeniería ITCA-FEPADE.
EdgeImpulse. (6 de Diciembre de 2020). Edge Impulse. Obtenido de EdgeImpulse
Inc.: https://www.edgeimpulse.com/
Fingertech Robotics. (Abril de 2013). fingertechrobotics.com. Obtenido de
fingertechrobotics.com:
https://www.fingertechrobotics.com/prodimages/drivemotors/ss_torque_kg-
cm_table.jpg
García Cedeño, M. G. (2013). Desarrollo de un Kit Educativo de Robótica Basado en
Arduino (Robot de Destreza). Guayaquil: Universidad de Guayaquil. Facultad
de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Networking y
Telecomunicaciones. Obtenido de
http://repositorio.ug.edu.ec/handle/redug/11472
González Linch, A. J. (2013). Aplicaciones prácticas de microcontroladores a tráves
de la plataforma de programación Matlab. Guayaquil: Carrera de Ingeniería
en Telecomunicaciones, Universidad Católica de Santiago de Guayaquil.
Guerrero Aguirre, Á., & Ramos Giraldo, P. J. (2014). Sistema embebido de bajo costo
para visión artificial. Pereira: Scientia et Technica Año XIX.
51
Hayes, P. (1974). Some Problems and Non-Problems in Representation Theory AISB.
Córdoba: Sussex.
Hernández, A., Rayo, H., & Torres, J. (2011). Prototipo de Montacargas Automático.
Bogotá: Universidad de San Buenaventura. Obtenido de
http://45.5.172.45/bitstream/10819/1294/1/Prototipo_monta_cargas_automati
co_Rayo_2011.pdf
HobbyKing. (Febrero de 2020). hobbyking.com. Obtenido de hobbyking.com:
https://hobbyking.com/es_es/turnigy-800mah-2s-20c-lipo-pack-parkzone-
compatible-pkz1032.html?___store=es_es
Hossian, A., Cejas, L., Carbajal, R., Echeverría, C., Alveal, M., & Olivera, V. (2018).
Obtención de rutas de navegación óptimas de robot móvil mediante la
aplicación de Redes Neuronales Artificiales (RNA) y Algoritmos de Búsqueda
Local (ABL) en entornos estructurados. Tucumán: Grupo de Investigación de
Robótica - Universidad Tecnológica Nacional – Facultad Regional del
Neuquén.
Malásek, J. (11 de Diciembre de 2013). Pololu Robotics & Electronics. Obtenido de
Pololu Robotics & Electronics: https://www.pololu.com/blog/247/powerful-
new-u3v50x-boost-regulators
Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Rosario:
Universidad Tecnológica Nacional.
Maxon Group. (Septiembre de 2020). maxongroup.es. Obtenido de maxongroup.es:
https://www.maxongroup.es/medias/sys_master/root/8846330724382/20-ES-
109.pdf
Nordic Semiconductor. (Agosto de 2017). nordicsemi.com. Obtenido de
nordicsemi.com: https://www.nordicsemi.com/-/media/Software-and-other-
downloads/Product-Briefs/nRF52-DK-product-
brief.pdf?la=en&hash=01C23BC9A39B642EF150702065B7673E430EBE05
OpenMV. (Agosto de 2018). openmv.io. Obtenido de openmv.io:
https://cdn.shopify.com/s/files/1/0803/9211/files/OpenMV-
H7.pdf?10726770933929369108
Peña Merino, J. M. (2017). Sistema de detección y conteo de vehículos utilizando
visión artificial. Piura: Universidad Nacional de Piura.
52
Pololu. (Diciembre de 2019). Pololu Robotics & Electronics. Obtenido de Pololu
Robotics & Electronics: https://www.pololu.com/file/0J1487/pololu-micro-
metal-gearmotors-rev-4-2.pdf
Pololu Robotics & Electronics. (Abril de 2018). pololu.com. Obtenido de pololu.com:
https://www.pololu.com/product/1090
Ramírez Díaz, J. A. (2019). Aprendizaje del Comportamiento Humano en el Espacio
Articular del Robot Utilizando Redes Neuronales. Ciudad de México: Centro
de Investigacion y Estudios Avanzados del Instituto Politecnico Nacional,
Unidad Zacatenco, Departamento de Control Automático.
Raspberry Pi. (Abril de 2015). raspberrypi.org. Obtenido de raspberrypi.org:
https://static.raspberrypi.org/files/product-
briefs/200206+Raspberry+Pi+3+Model+B+plus+Product+Brief+PRINT&DI
GITAL.pdf
Robot Games ZL7. (1 de Junio de 2019). robotgameszerolatitud. Obtenido de
robotgameszerolatitud: https://robotgameszerolatitud.jimdofree.com/
Rouhiainen, L. (2018). Inteligencia artificial. Madrid: Alienta.
Sadler, M., Howard, A., Zhu, M., Zhmogimov, A., & Chen, L.-C. (2019).
MobileNetV2: Inverted Residuals and Linear Bottlenecks. Estados Unidos:
Google.Inc.
Salazar Logroño, F. W., & Pico Aponte, G. M. (2019). Sistema avanzado de asistencia
al conductor empleando visión artificial en vehículos de transporte público.
Ambato: Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas,
Electrónica e Industrial. Carrera de Ingeniería Electrónica y Comunicaciones.
Salesiana, V. d. (18 de Octubre de 2020). Ecosistema Universidad Politécnica
Salesiana. Obtenido de https://www.investigacion.ups.edu.ec/startlabs/
San Juan, E., Jamett, M., Kaschel, H., & Sánchez, L. (2015). Sistema de
reconocimiento de voz mediante wavelets, predicción lineal y redes
backpropagation. Ingeniare, 11.
Sparrold, S., & Stairiker, M. (07 de Febrero de 2017). Edmund Optics. Obtenido de
Edmund Optics: https://www.edmundoptics.com/document/download/489641
STMicroelectronics . (17 de Abril de 2019). STlife.augmented. Obtenido de
STlife.augmented:
https://www.st.com/resource/en/datasheet/stm32h743vi.pdf
53
Suárez Romero, A., & del Pozo Quintero, A. (2016). Estrategia de navegación para
robots móviles mediante redes neuronales. 1.
Tapiero Santa, Y. D. (2019). Diseño e implementación de un robot seguidor de línea
de competencia para la categoría velocista. Ibagué.
Texas Instruments. (Octubre de 2011). ti.com. Obtenido de ti.com:
https://www.ti.com/lit/ds/symlink/am3359.pdf?ts=1607099653568&ref_url=
https%253A%252F%252Fwww.ti.com%252Fproduct%252FAM3359
Torres, J. (2018). Deep Learnig, Introducción práctica con Keras (PRIMERA
PARTE). Barcelona: Kindle Direct Publishing.
Trabes, E. (2018). Desarrollo de algoritmos para la exploración submarina mediante
vehículos autónomos con visión artificial monocular. Bahía Blanca:
Universidad Nacional del Sur.
Vera Arenas, J. A., & Alejandro Proaño, E. A. (2016). Diseño e implementación de
dos dos robots seguidores de línea modalidad velocista y destreza para
participaciones en concursos de robótica. Guayaquil: Universidad Católica de
Santiago de Guayaquil. Obtenido de
http://repositorio.ucsg.edu.ec/handle/3317/5445
Vizcaya Cárdenas, R. (2018). Deep Learning para la Detección de Peatones y
Vehículos. Ciudad de México: Universidad Autónoma del Estado de México.
54
ANEXOS
Anexo 1 Esquema electrónico de OpenMV Cam H7, Motor Shield & LCD Shield.
Esquema electrónico de OpenMV Cam H7, Fuente: (Agyeman & Abdelkader, OpenMV, 2018).
Esquema electrónico del Motor Shield, Fuente (Agyeman & Abdelkader, OpenMV, 2018).
Esquema electrónico de la LCD Shield, Fuente: (Agyeman & Abdelkader, OpenMV, 2018).
55
Anexo 2 Planos de detalle del subconjunto de piezas que conforma el robot móvil
seguidor de línea destreza.
56
57
58
59
60
61
62
Anexo 3 Ensamblaje del robot móvil seguidor de línea destreza.
63
Anexo 4 Ejemplos relevantes para las entradas de la red neuronal.
Ejemplos relevantes caso “adelante”.
Ejemplos relevantes caso “Giro a la derecha”.
64
Ejemplos relevantes caso “Giro a la izquierda”.
65
Ejemplos relevantes caso “Giro con radio a la derecha”.
Ejemplos relevantes caso “Giro con radio a la izquierda”
66

Ups - TTS281

Cargado por

Copyright:

Formatos disponibles

Ups - TTS281

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ups - TTS281

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA SALESIANA

Trabajo de titulación previo a la obtención del título de:

DESARROLLO DE UN ALGORITMO DE TRAYECTORIA PARA UN

CLELIO DANIEL ENDARA SUMBA

EMERSON JOAO MAIGUA YÁNEZ

CARMEN JOHANNA CELI SÁNCHEZ

Quito, marzo 2021

En aplicación a lo determinado en la Ley de Propiedad Intelectual, en nuestra

Quito, marzo 2021.

Yo declaro que bajo mi dirección y asesoría fue desarrollado el Proyecto Técnico,

Quito, marzo 2021.

A Dios por brindarme salud, bendiciones y crear resiliencia en mi espíritu; a mi madre

Clelio Daniel Endara Sumba

Es de trascendental importancia dedicar este trabajo de titulación a toda mi familia en

Emerson Joao Maigua Yánez

Clelio Daniel Endara Sumba

Agradezco a la Universidad Politécnica Salesiana, que abrió sus puertas del

Emerson Joao Maigua Yánez

RESUMEN ........................................................................................................... xii

ABSTRACT ........................................................................................................ xiii

INTRODUCCIÓN .............................................................................................. xiv

1.1 Planteamiento del problema ........................................................................... 1

1.2 Justificación del proyecto ............................................................................... 2

1.3 Objetivos ........................................................................................................ 2

1.3.1 Objetivo General ..................................................................................... 2

1.3.2 Objetivos específicos ............................................................................... 2

MARCO TEÓRICO .............................................................................................. 4

2.1 Introducción ................................................................................................... 4

2.2 Robot Autónomo ............................................................................................ 4

2.3 Sistema de locomoción de un robot ................................................................ 4

2.4 Robot móvil Seguidor de Línea Destreza ........................................................ 4

a) Reglamento para la categoría Seguidor de Línea Destreza ........................ 5

b) Robot móvil seguidor de línea destreza con arquitectura diferencial ......... 6

c) Pistas para el robot móvil seguidor de línea destreza ................................. 7

2.5 Visión Artificial ............................................................................................. 8

2.7 Inteligencia Artificial ....................................................................................10

2.8 Redes Neuronales ..........................................................................................11

2.9 Arquitectura de una red neuronal ...................................................................11

a) Arquitectura MobileNet ...........................................................................12

a) Capa de entrada .......................................................................................13

b) Capas intermedias ...................................................................................13

c) Capa de salida .........................................................................................13

2.11 Etapas de construcción y manejo de una red neuronal ..................................13

a) Fase de conceptualización .......................................................................13

b) Fase de diseño .........................................................................................13

c) Fase de implementación ..........................................................................14

d) Fase de mantenimiento ............................................................................14

2.12 Deep Learning .............................................................................................14

2.13 Backpropagation .........................................................................................14

2.14 Aprendizaje de una red neuronal..................................................................15

2.15 Métodos de Aprendizaje ..............................................................................15

a) Aprendizaje Supervisado .........................................................................15

b) Aprendizaje no supervisado .....................................................................15

c) Aprendizaje por refuerzo .........................................................................15

DISEÑO E IMPLEMENTACIÓN DEL ROBOT MÓVIL SEGUIDOR DE

3.1 Selección de la tarjeta de desarrollo ...............................................................16

b) Tarjeta Raspberry Pi 3 .............................................................................17

c) Tarjeta DECA .........................................................................................17