Planificación de Movimiento en Tiempo Real para Vehículos Autónomos en Entornos Urbanos: Estudio de Prototipo a Escala

Los vehículos autónomos avanzados prometen futuro más seguro y eficiente para movilidad urbana. Sin embargo, pese a inversión significativa, ningún sistema totalmente autónomo ha entrado al mercado de consumo. Un cuello de botella clave es la falta de motor de planificación de movimiento robusto en tiempo real que navegue calles complejas con seguridad.

Objetivo del Proyecto

La meta de esta investigación es diseñar e implementar un sistema fiable de planificación de movimiento en tiempo real que reduzca tasas de accidente para coches autónomos. El sistema incorpora mantenimiento de carril, evasión de obstáculos, evasión de vehículos en movimiento, control de crucero adaptativo y evasión básica de accidentes.

Arquitectura Hardware

Construimos un vehículo “ego” (EGO) a escala reducida usando kit chasis robot redondo 3‑capas Adafruit con motores DC duales, Raspberry Pi 3 B+, escáner láser RPLIDAR‑A1, dos sensores ultrasónicos HC‑SR04 y pack batería Anker PowerCore 13000.

La Raspberry Pi actúa como hub de procesamiento, recibiendo datos crudos del LIDAR y sensores ultrasónicos vía pines GPIO y enviando comandos de motor a placa driver DRV8833.

Pila Software

Todo el software corre en Raspbian. Python 3 es lenguaje principal, aprovechando oficial SDK LIDAR y VNC Viewer para monitorización remota. SSH habilita acceso línea de comandos inalámbrico.

Metodología

1. Fase 1 – Construcción Hardware: Ensambla vehículo EGO e instala OS, drivers y herramientas de conectividad.
2. Fase 2 – Desarrollo Control: Implementa módulos de mantenimiento de carril, evasión de obstáculos, evasión de vehículos en movimiento y control crucero adaptativo usando fusión de sensores.
3. Fase 3 – Validación: Realiza batería de tests de fiabilidad en maqueta urbana a escala, refina algoritmos iterativamente e integra todos los módulos en pila única de planificación de movimiento.

Algoritmos Clave

Evasión de obstáculos se basa en datos LIDAR segmentados en sectores frontal y trasero; si aparece obstáculo en sector frontal, el sistema verifica carril opuesto vía sensores ultrasónicos antes de decidir parar o cambiar carril. Control crucero adaptativo ajusta velocidad en ±5 % o ±1 % de velocidad actual para mantener distancia segura.

Resultados y Mejoras

Pruebas iniciales demostraron:

• Mantenimiento de carril mantiene vehículo centrado.
• Evasión de obstáculos detiene vehículo ante obstáculos estáticos de forma fiable.
• Evasión de vehículos en movimiento puede cambiar carril cuando carril opuesto está libre.
• Control crucero adaptativo mantiene distancia pero muestra temblor de velocidad.

Mitigamos diseño pesado en la parte superior eliminando segunda Raspberry Pi y bajando chasis, reduciendo riesgo de vuelco. Añadir sensores ultrasónicos mejoró detección lateral de carril, y rutina de ajuste de velocidad más suave mejoró estabilidad del crucero.

Trabajo Futuro

Futuras iteraciones explorarán planificación de ruta basada en machine‑learning, integración semáforos en tiempo real y coordinación multi‑vehículo vía comunicación V2X. Mejorar algoritmo crucero adaptativo con modelos predictivos basados en cálculos distancia‑tiempo también está planificado.

Conclusión

Combinando fusión de sensores, lógica de control modular y pruebas iterativas, hemos producido un prototipo de sistema de planificación de movimiento en tiempo real que opera seguro en entorno urbano controlado. Aunque no listo para producción, la arquitectura sienta base sólida para conducción autónoma Nivel 4.

Agradecimientos

Agradecimiento especial a Dra. Lisa Fiorentini por mentoría, a mi familia por apoyo inquebrantable y a compañeros por feedback constructivo.

Referencias

1. Aqib, “What is Raspberry pi? Getting Started with Raspberry Pi 3,” Electronics Hobbyists, 18‑Jan‑2019. https://electronicshobbyists.com/tutorial-1-what-is-raspberry-pi-getting-started-with-raspberry-pi-3/.
2. Adafruit Industries, “Mini 3‑Layer Round Robot Chassis Kit – 2WD with DC Motors,” 2020. https://www.adafruit.com/product/3244.
3. Adafruit Industries, “Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board,” 2020. https://www.adafruit.com/product/3297.
4. T. Huang, “RPLIDAR‑A1 360° Laser Range Scanner,” SLAMTEC, 2020. https://www.slamtec.com/en/Lidar/A1.
5. “PowerCore 13000,” Anker, 2020. https://www.anker.com/store/powercore-13000/A1215011.
6. “Welcome to lidar’s documentation! ¶,” LIDAR documentation, 2020. https://lidar.readthedocs.io/en/latest/.
7. “RealVNC,” VNC® Connect, 2020. https://www.realvnc.com/en/connect/download/viewer/macos/.
8. Adafruit Industries, “HC‑SR04 Ultrasonic Sonar Distance Sensor 2 × 10 kΩ resistors,” 2020. https://www.adafruit.com/product/3942.