Localización 3D LiDAR Avanzada Mejora la Precisión de Posicionamiento de Robots

Universidad Miguel Hernández de Elche, España

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

Los robots móviles deben estimar continuamente su posición para navegar autónomamente. Sin embargo, los sistemas de navegación basados en satélites no siempre son fiables: las señales pueden degradarse cerca de edificios o volverse no disponibles en interiores. Para operar de forma segura y eficiente, los robots deben interpretar su entorno usando sensores a bordo y algoritmos de localización robustos.

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

El estudio, publicado en el International Journal of Intelligent Systems, presenta MCL-DLF (Localización Monte Carlo – Característica Local Profunda), un marco de localización 3D LiDAR coarse-to-fine diseñado para navegación a largo plazo en entornos grandes. El sistema ha sido validado durante varios meses en el campus de UMH Elche bajo condiciones ambientales variables, incluyendo escenarios tanto 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 gruesa, identificando su región aproximada basada en características estructurales globales extraídas de nubes de puntos 3D LiDAR, como edificios o vegetación.

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

"Esto es similar a cómo las personas primero reconocen un área general y luego confían en pequeños detalles distintivos para determinar su ubicación precisa", explica la investigadora de UMH Míriam Máximo, autora principal del estudio. El trabajo fue dirigido por Mónica Ballesta y David Valiente, también investigadores en el Instituto de Investigación de Ingeniería de Elche (I3E) de UMH. Para evitar ambigüedad 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 Localización Monte Carlo probabilística, que mantiene múltiples hipótesis de pose y las actualiza a medida que se reciben nuevos datos de sensores.

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 vegetación o diferencias de iluminación, que pueden alterar significativamente la apariencia.

Los investigadores reportan que MCL-DLF logra mayor precisión de posición que enfoques convencionales mientras mantiene estimaciones de orientación comparables o superiores en ciertas trayectorias. Importantemente, el sistema muestra menor variabilidad a lo largo del tiempo, confirmando su robustez a cambios estacionales y estructurales.

La localización fiable es fundamental para robótica de servicios, automatización logística, inspección de infraestructura, monitoreo ambiental y vehículos autónomos. En todos estos dominios, la operación segura depende de una estimación de posición estable y precisa en condiciones reales y dinámicas.

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

Para más información, contacte a Angeles Gallar en Esta dirección de correo electrónico está protegida contra spambots. Necesita tener JavaScript habilitado para verla.; +34 965-222-569.