Implementación de técnicas de computación evolutiva a la programación automática de un robot

En este proyecto fin de carrera se recoge el estudio y la optimización del patrón de movimiento del robot Aibo de Sony para que este recorra la mayor distancia posible. Con este objetivo se ha analizado el patrón que ofrecía el controlador URBI, tanto en el simulador como en el robot físico, y se ha desarrollado una metodología para permitir su aplicación práctica. Para ello, se han utilizado técnicas de computación evolutiva con ensayos experimentales en un simulador Webots. Como resultado se ha obtenido un patrón de movimiento que mejora ampliamente el patrón tomado como individuo base en los experimentos. Por medio de la aplicación del algoritmo genético desarrollado se ha conseguido mejorar la cantidad de espacio recorrido por el robot en un número de pasos determinados, aumentando en un 281 %, la distancia euclídea recorrida por el individuo base aportado por el controlador URBI para el robot. Cabe destacar el buen comportamiento general del algoritmo evolutivo en un espacio de búsqueda del tamaño del especificado en los experimentos que se han llevado a cabo. Este espacio de búsqueda está compuesto por 372 genes representados por números reales que pueden tomar cualquier valor dentro de los rangos de movimientos de las articulaciones del robot. Todas las herramientas de desarrollo utilizadas, así como el simulador y el controlador para el robot son de libre distribución y versiones gratuitas o de evaluación. Esto ha supuesto algunos inconvenientes en el desarrollo y realización del presente proyecto fin de carrera. Se han producido cambios de versiones en el controlador URBI, lo cual ha conllevado el cambio del código fuente de las funciones realizadas para el control del robot. Además, al utilizarse una versión de evaluación del simulador Webots se ha encontrado la limitación temporal del uso del mismo para las funciones de comunicación con el controlador URBI, por lo tanto se han tenido que implementar diferentes métodos y planificaciones para conseguir evitar esta limitación en el uso del simulador. Dentro de los cambios necesarios para obtener una funcionalidad suficiente para desarrollar los experimentos, se ha tenido que cambiar la fecha del servidor y reiniciar el entorno del simulador para evitar la limitación temporal de su uso. Como contrapartida se ha penalizado cada generación del algoritmo genético con 2 segundos de espera por cada 10 individuos. Este tiempo es el necesario para reiniciar el entorno del simulador y evitar la limitación temporal de uso.Ingeniería en Informátic