Este artículo presenta un marco de manipulación colaborativa multi-robot, implementado en el entorno de simulación Gazebo, diseñado para permitir la ejecución de tareas autónomas por manipuladores móviles en entornos dinámicos y con obstáculos densos. El sistema consiste en múltiples plataformas de robots móviles, cada una equipada con un manipulador robótico, una cámara RGB-D simulada y un sensor LiDAR 2D en la base móvil, facilitando la coordinación de tareas, la detección de objetos y la evitación avanzada de colisiones dentro de un entorno simulado de almacén. Una arquitectura de líder-seguidor rige la colaboración, permitiendo la formación dinámica de equipos para abordar tareas que requieren esfuerzo combinado, como el transporte de objetos pesados. La asignación y control de tareas se logra a través de una estructura de control centralizada en la que el robot líder coordina las unidades subordinadas en función de las tareas asignadas de alto nivel. El marco incorpora detección de objetos basada en aprendizaje profundo (YOLOv2) para identificar objetos objetivo utilizando una cámara RGB-D simulada montada en el efector final del manipulador. La planificación de caminos se logra a través de un algoritmo basado en muestreo que se integra con los datos de LiDAR para facilitar una precisa evitación de obstáculos y localización. También proporciona re-enrutamiento de caminos en tiempo real para una navegación segura cuando obstáculos en movimiento dinámico, como personas u otras entidades, intersectan caminos planificados. Esta funcionalidad asegura la ejecución ininterrumpida de tareas y mejora la seguridad en espacios compartidos entre humanos y robots. La programación de tareas de alto nivel y las transiciones de control se gestionan utilizando MATLAB y lógica Stateflow, mientras que ROS facilita la comunicación de datos entre MATLAB, Simulink y Gazebo. Esta arquitectura multi-robot es adaptable, permitiendo la configuración del tamaño del equipo para tareas colaborativas en función de los requisitos de carga y la complejidad ambiental. Al integrar visión por computadora y aprendizaje profundo para el procesamiento visual, y YOLOv2 para la detección de objetos, el sistema identifica, recoge y transporta objetos a ubicaciones designadas de manera eficiente, demostrando la escalabilidad del marco multi-robot para futuras aplicaciones en automatización logística, fabricación colaborativa y escenarios dinámicos de interacción humano-robot.
Adil et al. (Wed,) estudiaron esta cuestión.