La localización LiDAR 3D avanzada mejora la precisión del posicionamiento del robot

Universidad Miguel Hernández de Elche, España

Así es como el robot “ve” su entorno mediante el sistema desarrollado en la UMH. La representación de la nube de puntos LiDAR 3D permite la extracción de características estructurales globales y locales para estimar la pose del robot:su posición y orientación precisas en el espacio. (Imagen:Universidad Miguel Hernández de Elche)

Los robots móviles deben estimar continuamente su posición para navegar de forma autónoma. Sin embargo, los sistemas de navegación por satélite no siempre son fiables:las señales pueden degradarse cerca de los edificios o dejar de estar disponibles en interiores. Para operar de manera segura y eficiente, los robots deben interpretar su entorno utilizando sensores integrados y algoritmos de localización sólidos.

Investigadores de la Universidad Miguel Hernández de Elche (UMH) en España han desarrollado un sistema de localización jerárquica que mejora significativamente el posicionamiento de robots en entornos grandes y cambiantes. El método aborda uno de los problemas más desafiantes de la robótica móvil:el llamado problema del "robot secuestrado", en el que un robot pierde el conocimiento de su postura inicial después de ser movido, apagado o desplazado.

El estudio, publicado en la Revista Internacional de Sistemas Inteligentes , presenta MCL-DLF (Monte Carlo Localization – Deep Local Feature), un marco de localización LiDAR 3D de grueso a fino diseñado para navegación a largo plazo en entornos grandes. El sistema ha sido validado durante varios meses en el campus de la UMH Elche en diversas condiciones ambientales, tanto en escenarios interiores como exteriores.

El enfoque propuesto imita cómo los humanos se orientan en entornos desconocidos o cambiantes. Primero, el robot realiza un paso de localización aproximado, identificando su región aproximada en función de características estructurales globales extraídas de nubes de puntos LiDAR 3D, como edificios o vegetación.

Una vez que se reduce esta región, el sistema realiza una localización precisa, analizando características locales detalladas para estimar la posición y orientación exactas del robot.

“Esto es similar a cómo las personas primero reconocen un área general y luego se basan en pequeños detalles distintivos para determinar su ubicación precisa”, explica la investigadora de la UMH Míriam Máximo, autora principal del estudio. El trabajo ha sido dirigido por Mónica Ballesta y David Valiente, también investigadores del Instituto de Investigaciones en Ingeniería de Elche (I3E) de la UMH. Para evitar ambigüedades en entornos visualmente similares, el método integra técnicas de aprendizaje profundo que extraen automáticamente características locales discriminativas de nubes de puntos 3D.

En lugar de depender de reglas predefinidas, el robot aprende qué características ambientales son más informativas para la localización. Estas características aprendidas se combinan con la localización probabilística Monte Carlo, que mantiene múltiples hipótesis de pose y las actualiza a medida que se reciben nuevos datos del sensor.

Un desafío importante en la navegación de robots a largo plazo es la variabilidad ambiental. Los espacios exteriores cambian con el tiempo debido a cambios estacionales, crecimiento de la vegetación o diferencias de iluminación, lo que puede alterar significativamente la apariencia.

Los investigadores informan que MCL-DLF logra una mayor precisión de posición que los enfoques convencionales al tiempo que mantiene estimaciones de orientación comparables o superiores en ciertas trayectorias. Es importante destacar que el sistema muestra una menor variabilidad a lo largo del tiempo, lo que confirma su solidez ante los cambios estacionales y estructurales.

La localización confiable es fundamental para la robótica de servicios, la automatización logística, la inspección de infraestructura, el monitoreo ambiental y los vehículos autónomos. En todos estos ámbitos, el funcionamiento seguro depende de una estimación de posición estable y precisa en condiciones dinámicas del mundo real.

Aunque la navegación totalmente autónoma sigue siendo un desafío central en la robótica, este trabajo acerca a los robots a operar de manera confiable en entornos grandes y cambiantes sin infraestructura de posicionamiento externa.

Para obtener más información, comuníquese con Ángeles Gallar en Esta dirección de correo electrónico está protegida contra spambots. Necesita activar JavaScript para verlo.; +34 965-222-569.