INDICE

 INTRODUCCIÓN

 OBJETIVO GENERAL

 DESARROLLO GENERAL
Introducción
Hoy en día, los robots manipuladores están diseñados para realizar una amplia
variedad de aplicaciones industriales, científicas, domésticas y comerciales. Sin
embargo, es un sector de la robótica considerado joven y en constante
crecimiento. Los robots manipuladores tienen una gran importancia dentro del
sector industrial como herramientas clave para la modernización de las empresas.
La automatización de procesos industriales es realizada a través de robots
manipuladores y esto trae como consecuencia competitividad, productividad,
eficiencia y rentabilidad de las empresas. Estos robots industriales tienen infinidad
de aplicaciones, principalmente pintura, soldado, corte y movimiento de
herramientas, materiales o productos. Trabajar con un brazo robótico requiere
involucrar una gran cantidad de áreas de conocimiento tales como matemáticas,
física, electrónica, control automático, programación o visión artificial.

Objetivo General
El objetivo de esta unidad es conocer los modelos con los cuales los robots
pueden estar diseñados y sobre todo conocer las cinemáticas que pueden
adquirir.

2.1 Cinemática directa

La cinemática de un robot es el estudio de los movimientos de un robot. En un

análisis cinemático la posición, velocidad y aceleración de cada uno de los
elementos del robot son calculados sin considerar las fuerzas que causan el
movimiento. La relación entre el movimiento y las fuerzas asociadas son estudiadas
en la dinámica de robots. El estudio de la cinemática de manipuladores se refiere a
todas las propiedades geométricas y basadas en el tiempo del movimiento. Las
relaciones entre los movimientos y las fuerzas y movimientos de torsión que lo
ocasionan constituyen el problema de la dinámica. Un problema muy básico en el
estudio de la manipulación mecánica se conoce como cinemática directa, que es el
problema geométrico estático de calcular la posición y orientación del efector final
del manipulador.
Se denomina cinemática directa a una técnica usada en gráficos 3D por
computadora, para calcular la posición de partes de una estructura articulada a partir
de sus componentes fijas y las transformaciones inducidas por las articulaciones de
la estructura. La cinemática directa se refiere al uso de ecuaciones cinemáticas para
calcular la posición de su actuador final a partir de valores específicos denominado
parámetros. Las ecuaciones cinemáticas de un
robot son usadas en robots, juegos de
computadoras y la animación. El proceso inverso
que calcula el conjunto de parámetros a partir de
una posición especifica del actuador final es la
cinemática inversa.

En una cadena serial, la solución siempre es única: dado un conjunto de vectores

estos siempre corresponderán a una única posición del actuador.

Métodos para el análisis de la cinemática directa:

 Transformación de matrices.
 Geometría
 Transformación de Coordenadas

La cinemática del robot estudia el movimiento que realiza este con respecto a un
sistema de referencia y sin considerar las fuerzas que intervienen, a diferencia de
la dinámica del robot que estudia la relación entre las fuerzas que actúan sobre un
cuerpo y el movimiento que se produce.
2.2 Cinemática inversa

La Cinemática inversa (IK) es la técnica que permite determinar el movimiento de

una cadena de articulaciones para lograr que un actuador final se ubique en una
posición concreta. El cálculo de la cinemática inversa es un problema complejo que
consiste en la resolución de una serie de ecuaciones cuya solución normalmente no
es única. El objetivo de la cinemática inversa es encontrar los valores que deben
tomar las coordenadas articulares del robot para que su extremo se posicione y
oriente según una determinada localización espacial. Depende de la configuración
del robot (existen soluciones múltiples). Siempre que se especifica una posición de
destino y una orientación en términos cartesianos, debe calcularse la cinemática
inversa del dispositivo para poder despejar los ángulos de articulación requeridos.
Los sistemas que permiten describir destinos
términos cartesianos son capaces de mover el
manipulador a puntos que nunca fueron capaces
de mover el espacio de trabajo a los cuales tal vez
nunca haya ido antes. A estos puntos los
llamaremos puntos calculados. El movimiento de
una cadena cinemática ya sea si es un robot o un
personaje animado es modelado por ecuaciones
cinemáticas propias de la misma cadena. Estas
ecuaciones definen la configuración de la cadena
en términos de sus parámetros. Por ejemplo, las
fórmulas de la cinemática inversa permiten el
cálculo de los parámetros de unión del brazo de un
robot para levantar un objeto. Ya que una de las
Fórmulas similares es determinar las posiciones del esqueleto de un personaje
animado que se va a mover de una manera en particular.

2.3 Cinemática en velocidad

Para calcular la cinemática directa de velocidad se debe tener en cuenta que cada
articulación rotacional aporta velocidad angular y velocidad lineal. El aporte de cada
articulación depende de la posición del robot para cada instante de tiempo 𝑡. La
ecuación muestra la forma correcta de adicionar las velocidades angulares en un
manipulador robótico.
𝜔𝑛0 = 𝜔10 + 𝑅10 𝜔12 + 𝑅20 𝜔32 + ⋯ + 𝑅𝑖−1
0
𝜔𝑖𝑖−1 + ⋯ + 𝑅𝑛−1
0
𝜔𝑛𝑛−1

En la ecuación anterior 𝑛 es la cantidad de articulaciones del manipulador. Note que

las velocidades angulares solo pueden sumarse si están referidas al mismo marco
0
de referencia. 𝑅𝑖−1 𝜔𝑖𝑖−1 permite adicionar la velocidad angular 𝜔𝑖𝑖−1 que aporta la
articulación 𝑖, por medio de su actuador. Para ello se multiplica esta cantidad por la
0
matriz de rotación 𝑅𝑖−1 del marco 𝑥𝑖−1 𝑦𝑖−1 𝑧𝑖−1 respecto de la base. La
representación de la velocidad lineal y angular se escribe en forma vectorial Χ =
𝑇
[𝑣𝑥 𝑣𝑦 𝑣𝑧 𝜔𝑥 𝜔𝑦 𝜔𝑧 ] . El modelo matemático de la cinemática de velocidad directa del
manipulador implica obtener la matriz Jacobiana 𝐽 de la siguiente ecuación:
Χ̇ = 𝐽𝑞̇

2.4 Dinámica

La dinámica del robot relaciona el movimiento del robot y las fuerzas implicadas en
el mismo. El modelo dinámico establece relaciones matemáticas entre las
coordenadas articulares (o las coordenadas del extremo del robot), sus derivadas
(velocidad y aceleración), las fuerzas y pares aplicados en las articulaciones (o en
el extremo) y los parámetros del robot (masas de los eslabones, inercias, etc.). El
método de Newton-Euler permite obtener un conjunto de ecuaciones recursivas
hacia delante de velocidad y aceleración lineal y angular las cuales están referidas
a cada sistema de referencia articular. Las velocidades y aceleraciones de cada
elemento se propagan hacia adelante desde el sistema de referencia de la base
hasta el efector final. Las ecuaciones recursivas hacia atrás calculan los pares y
fuerzas necesarios para cada articulación desde la mano (incluyendo en ella efectos
de fuerzas externas), hasta el sistema de referencia de la base. Algunos aspectos
que hay que tomar en cuenta son:

 Un modelo dinámico puede usarse para desarrollar las estrategias

apropiadas de control. Un control sofisticado requiere del uso de un
 modelo dinámico realístico. para lograr el desempeño óptimo del robot en
operaciones de alta velocidad. Algunos métodos de control dependen
directamente de un modelo dinámico con el fin de calcular los pares de
torsión y las fuerzas requeridas en los actuadores para seguir la
trayectoria deseada.
 El modelo dinámico puede usarse para la simulación por computadora de
un sistema robótico. Cuando se construye un sistema robótico, es posible
pronosticar cómo se va a comportar, mediante el estudio del
comportamiento del modelo en varias condiciones de operación.
 El análisis dinámico de un robot proporciona todas las fuerzas y
momentos de reacción que se necesitan para el diseño y la determinación
de los tamaños de eslabones, cojinetes y actuadores.

Conociendo los parámetros físicos de cualquier robot, uno normalmente desea

resuelve problemas relacionados con su dinámica: la dinámica inversa y la dinámica
directa. El problema de la dinámica inversa es encontrar los pares de torsión y/o las
fuerzas de actuadores que son necesarios para generar la trayectoria deseada del
robot. Esta formulación de la dinámica es útil para el problema del control del robot.
El segundo problema, el de la dinámica directa, es encontrar la respuesta de un
brazo de robot respecto a algunos pares de torsión o fuerzas en las articulaciones.
Es decir, dados los pares de torsión o fuerzas de las articulaciones, tiene que
computarse el movimiento resultante del robot como función del tiempo. Esto no es
tan crítico como el problema de la dinámica inversa, ya que se usa principalmente
para la simulación en computadora de un robot, lo que solamente muestra cómo
funcionará éste cuando se está construyendo. Por otro lado, un modelo eficiente de
dinámica inversa se vuelve sumamente importante para el control de robots en
tiempo real. El segundo problema, el de la dinámica directa, es encontrar la
respuesta de un brazo de robot respecto a algunos pares de torsión o fuerzas en
las articulaciones. Es decir, dados los pares de torsión o fuerzas de las
articulaciones, tiene que computarse el movimiento resultante del robot como
función del tiempo. Esto no es tan crítico como el problema de la dinámica inversa,
ya que se usa principalmente para la simulación en computadora de un robot, lo que
solamente muestra cómo funcionará éste cuando se está construyendo. Por otro
lado, un modelo eficiente de dinámica inversa se vuelve sumamente importante para
el control de robots en tiempo real. Las ecuaciones de dinámica del movimiento
pueden formularse por medio de varios métodos. Uno consiste en aplicar las
ecuaciones de movimiento de LaGrange. La ventaja de usar este planteamiento es
que elimina las fuerzas de restricción de las ecuaciones de dinámica de movimiento
si las coordenadas generalizadas se eligen en forma independiente. Esta
eliminación hace que sea adecuado para el control y para la simulación de
movimiento. Sin embargo, dichas fuerzas de restricción eliminadas pueden
recuperarse usando multiplicadores de LaGrange si se han de usar para los
propósitos de diseño. Otro planteamiento es la aplicación de las leyes de Newton y
Euler para movimientos lineales y rotacionales, respectivamente. También existen
metodologías alternativas para resolver la dinámica de robots, por ejemplo, el
principio de D’Alembert, las ecuaciones de movimiento de Kane y las que se basan
en los complementos ortogonales de las matrices de restricción de velocidad.

2.5 Control en posición.

Cuando se trata de generar trayectorias o caminos en sistemas no holónomos, hay

características relevantes directamente relacionadas con el tipo de trayectorias que
pueden seguir estos sistemas; en efecto, una configuración inicial y una final no
pueden unirse mediante cualquier trayectoria. Las restricciones cinemáticas del
sistema imponen unas condiciones que solo algunos caminos cumplirán,
entendiendo por camino la discretización de una función continua que interpola las
configuraciones definidas en una ruta. Por último, cuando se habla de trayectoria,
se hace referencia a un camino que tiene asociado un perfil cinemático; es decir, a
cada configuración perteneciente al camino se le asocia una velocidad. Para poder
llevar el robot móvil hasta una posición deseada siguiendo una trayectoria se han
propuesto diferentes estrategias de control (Kwon, y Dongkyoung, 2012; Jingkui,
Wenxin y Liangliang, 2010; Rezaee y Abdollahi, 2014; Yandong, Zongyi y Ling,
2010), algunas no requieren la utilización del modelo matemático, por el contrario,
otras requieren obtener el modelo cinemático y dinámico. En este artículo se obtuvo
un modelo cinemático del robot asumiendo que el punto de referencia se encuentra
en medio de las dos ruedas de tracción de la plataforma, optando así por un método
basado en el centro de masa con restricciones no holonómicas. Este control utiliza
un modelo geométrico, el cual emplea el cálculo del radio de curvatura para realizar
el seguimiento de una trayectoria deseada. Con las primeras simulaciones se pudo
comprobar que este método funciona muy bien tanto para seguimiento de
trayectorias rectilíneas como curvilíneas.

Control de posición de robot móvil diferencial.

El objetivo de este control es que el robot diferencial ejecute de forma autónoma

movimientos previamente planificados (Saidonr, Desa y Rudzuan, 2011). Se
pretende que el robot móvil siga un camino específico de forma autónoma. Este
problema puede formularse como la obtención de las leyes de control que permitan
estabilizar al robot sobre un punto de trabajo. En un problema de seguimiento de
caminos explícitos se pretende que el error entre la posición deseada y la posición
actual 𝑞𝑑 (𝑡) − 𝑞(𝑡) tienda a cero (0), manteniéndose acotadas las señales de
control (Toda y Kubota, 2013).

El camino explicito que se pretende seguir puede especificarse de varias formas, de

las cuales cabe mencionarlas:

 Especificación previa en coordenadas absolutas a partir de planos o mapas.

 Especificación iterativa desde un terminal empleando técnicas de
teleoperación.

En una arquitectura de control inteligente se emplean por lo general métodos de

planificación de caminos mediante la utilización de sistemas de percepción, tal como
ocurre en el seguimiento de líneas obtenidas mediante un sistema de visión. Para
el control de posición de robots móviles se distinguen varias técnicas, entre las que
se pueden mencionar:

 Técnica basada en teorías de control, la cual utiliza los modelos matemáticos

del robot para encontrar un controlador que lo estabilice y a la vez consiga la
tarea deseada.
  Técnica basada en métodos geométricos para seguir trayectorias o planificar
caminos matemáticamente.
 Técnica basada en sistemas inteligentes, como redes neuronales, algoritmos
genéticos o lógica difusa, para el control de movimiento y la coordinación de
comportamientos.

2.6 Control en fuerza

En aplicaciones donde el efector final tiene que aplicar una fuerza controlada, por
ejemplo, en un vidrio que es limpiado por un robot, los métodos de posición y control
que se presentaron en las secciones anteriores no serán apropiados, a menos que
la herramienta en el efector final, por ejemplo, una esponja, sea suficientemente
suave. Si el efector final es rígido, por ejemplo, una herramienta de rasgado,
entonces cualquier incertidumbre en la posición de la superficie de vidrio o el error
posicional en el efector final causará que se rompa el vidrio o que el rascador ni
siquiera toque el vidrio. En tales situaciones deberá especificarse la fuerza, y no la
posición, para obtener un desempeño satisfactorio del robot.
De hecho, es más realista utilizar un controlador hibrido de posición/fuerza donde
ambos controladores de posición y fuerza se utilicen basados en los requerimientos
de la tarea. Por ejemplo, un robot que depende del ancho de la esponja podrá limpiar
cierta anchura del vidrio para luego tomar una posición en el vidrio con el fin de
limpiar la siguiente anchura del vidrio. Mientras toma la siguiente posición, el robot
se está moviendo en un espacio libre sin ninguna necesidad de aplicar fuerza. Por
lo tanto, un controlador de posición será suficiente. En efecto, la tarea del robot se
subdivide en varias subtareas. Una típica ilustración de un controlador híbrido de
posición/fuerza se presenta en la figura 10.28, donde 𝑆 y 𝑆′ son matrices diagonales
que actúan como modo de cambio de estado para decidir si el controlador de
posición o el de fuerza está en acción. Observe que cuando el efector final del robot
está en contacto con la superficie, surgen ciertas restricciones naturales. Se trata
de las siguientes:

 Cuando un robot está en contacto con una superficie, no la puede atravesar.

Por ende, existe una restricción de posición natural.
 Si la superficie que se va a contactar es sin fricción, el robot tampoco puede
aplicar ninguna tangente de fuerza a la superficie. Por ende, existe una
restricción de fuerza natural.

Cuando dos superficies están en contacto, las restricciones naturales arriba

mencionadas pueden especificarse como la restricción de posición a lo largo de la
normal a la superficie, mientras que la restricción de fuerza puede diseñarse a lo
largo de la tangente a la superficie. Estos dos tipos de restricciones, fuerza y
posición, segmentan los grados de libertad de posibles movimientos del efector final
en dos conjuntos ortogonales que deben ser controlados según diferentes criterios.
Además, cualesquiera otras variables de fuerza y posición que puedan ser
controladas durante el movimiento se llaman restricciones artificiales.

2.7 Análisis de estabilidad

Estabilidad significa que un sistema no divergirá de su posición deseada. Por

ejemplo, un balón que se mantiene dentro de un cuenco es estable, pero será
inestable cuando se invierta el cuenco. Para sistemas no lineales, puede realizarse
el análisis de estabilidad y desempeño mediante el análisis de estabilidad de
Lyapunov o segundo método de Lyapunov.

El método de Lyapunov.

Una característica interesante de este método de estabilidad es que puede

concluirse sin resolver la ecuación diferencial que rige el sistema. Sin embargo, el
método no proporciona ninguna información sobre la respuesta transitoria o sobre
el desempeño del sistema, por ejemplo, si se sobre amortigua o subamortigua o
cuánto tiempo se tardará en suprimir una perturbación. No obstante, es importante
diferenciar la estabilidad del desempeño porque un sistema estable podrá tener un
desempeño de control poco satisfactorio. Para explicar el método de Lyapunov,
considere el sistema no lineal que se describe mediante un conjunto de ecuaciones
diferenciales dado por:

𝑥̇ = 𝑓(𝑥)
donde 𝑥 es un vector de estado 𝑛-dimensional y 𝑓(𝑥) es la función vectorial 𝑛-
dimensional. Observe que cualquier ecuación diferencial de orden mayor siempre
puede escribirse como un conjunto de ecuaciones de primer orden en la forma de
la ecuación mostrada anteriormente. Para demostrar que un sistema es estable
mediante el método de Lyapunov, se necesita lo siguiente:
  Proponga una función de energía generalizada 𝑣(𝑥) que se llama función de
Lyapunov, cuyas primeras derivadas parciales sean continuas y 𝑣 (𝑥 ) > 0
para todos los 𝑥, excepto 𝑣 (0) = 0.
 Evalué la primera derivada respecto al tiempo de 𝑣(𝑥).
 Verifique si 𝑣 (𝑥 ) ≤ 0. Aquí, 𝑣(𝑥) implica el cambio de 𝑣(𝑥) respecto al tiempo
a lo largo de todas las trayectorias del sistema.

La idea es que una función tipo energía positiva definitiva del estado demuestre que
siempre disminuye o permanece constante. Por lo tanto, el sistema es estable en el
sentido que el tamaño del vector de estado se limite. Cuando 𝑣(𝑥) es estrictamente
menos que cero el estado converge en forma asintótica hacia el vector cero. Sin
embargo, para 𝑣(𝑥) ≤ 0, es decir, cuando 𝑣(𝑥) desaparece en algunos lugares de
la trayectoria, LaSalle y Lefschetz (1961) demostraron que el sistema aún puede ser
asintomáticamente estable en ciertas situaciones. Observe que el método de
Lyapunov puede aplicarse igualmente a sistemas lineales. La principal dificultad de
ese método, sin embargo, es la elección de la función de Lyapunov, 𝑣(𝑥). En
muchas aplicaciones es fácil adivinar, pero obtener 𝑣(𝑥) para un sistema complejo
es difícil, ya que no hay ningún método estándar para conformarlo.

2.8 Introducción a la visión artificial.

Según la Asociación de Imágenes Automatizadas (AIA), la visión artificial incluye

todas las aplicaciones industriales y no industriales donde una combinación de
hardware y software brindan una guía operativa a dispositivos en la ejecución de
sus funciones en base a la captura y el procesamiento de imágenes. A pesar de que
la visión industrial por computadora utiliza muchos de los mismos algoritmos y
enfoques que las aplicaciones académicas-educativas y gubernamentales-
militares, sus limitaciones son diferentes. Los sistemas de visión industrial necesitan
mayor solidez, confiabilidad y estabilidad en comparación con un sistema de visión
académico/educativo y el costo suele ser mucho menor que el de aplicaciones
gubernamentales/militares. Por lo tanto, la visión artificial industrial implica bajos
costos, precisión aceptable, alta solidez, gran confiabilidad, al igual que elevada
estabilidad mecánica y térmica. Los sistemas de visión artificial se basan en
sensores digitales protegidos dentro de cámaras industriales con ópticas
especializadas en adquirir imágenes, para que el hardware y el software puedan
procesar, analizar y medir diferentes características para tomar decisiones.

Componentes de la visión artificial.

Los principales componentes de un sistema de visión artificial incluyen la

iluminación, los lentes, el sensor de imagen, el procesador de visión y las
comunicaciones. La iluminación ilumina la pieza a inspeccionar, al permitir que sus
características sobresalgan para que la cámara las pueda ver claramente. El lente
captura la imagen y se la presenta al sensor en forma de luz. El sensor en una
cámara de visión artificial convierte esta luz en una imagen digital que, luego, se
envía al procesador para ser analizada. El procesador de visión consta de
algoritmos que controlan la imagen y extraen la información necesaria, ejecutan la
inspección correspondiente y toman una decisión. Finalmente, la comunicación se
suele realizar mediante una señal de E/S discreta o información enviada mediante
una conexión serial a un dispositivo que registra o usa información. a mayoría de
los componentes del hardware de visión artificial, como los módulos de iluminación,
los sensores y los procesadores, están disponibles como componentes tomados
fuera del estante (COTS, por su sigla en inglés). Los sistemas de visión artificial se
pueden armar con COTS o comprar como un sistema integrado con todos los
componentes en un único dispositivo.

2.9 Robots paralelos

Los robots paralelos tienen numerosas morfologías. Esta sorprendente diversidad

ha captado el interés de numerosos investigadores. Los robots paralelos están
formados por cadenas cinemáticas independientes, estas cadenas cinemáticas
deben ser estudiadas con métodos diferentes a los utilizados en los robots seriales.
En el caso de los robots paralelos, no solo deben utilizarse otras técnicas de análisis
cinemático, también los análisis de comportamiento diferencial del movimiento
deben ser abordados con otras metodologías y sus estudios conducen a entender
situaciones particulares que caracterizan la pérdida del control de los robots debido
a singularidades locales, es decir a configuraciones en las que el robot puede ganar
grados de libertad y perderse su control. Pero no todo son dificultades en los robots
paralelos, siempre que conozcamos qué puede suceder en todas las regiones del
espacio de trabajo, será posible resolver el movimiento de un robot, ya sea que este
no pueda alcanzar una configuración deseada y se decida desistir o cambiar el
objetivo o que se controle la trayectoria del robot para evitar que pase por estas
condiciones sin solución, en base al mapeado de sus configuraciones singulares.
Hay que destacar que los robots paralelos son máquinas muy simples
mecánicamente, están compuestas por una base y un efector final unidos entre sí
por los accionamientos de potencia. Tomando como referencia la simpleza
mecánica de los robots paralelos, formados por cadenas cinemáticas
independientes, es usual utilizar como notación para cada cadena cinemática el tipo
de juntas que la componen.

2.10 Adquisición y modelado de imágenes.

Una imagen es una representación visual de un objeto iluminado por una fuente
radiante. Las que se perciben en las actividades visuales cotidianas provienen
normalmente de la luz reflejada por los objetos. La naturaleza básica de una imagen
está caracterizada por dos componentes: la cantidad de luz incidente que procede
de la fuente de la escena contemplada, y la cantidad de luz reflejada por los objetos
de la escena. Dichas componentes reciben el nombre de iluminación y reluctancia.
En el proceso de formación de la imagen intervienen los siguientes elementos: el
objeto, la fuente radiante y el sistema de formación de la imagen que consiste,
básicamente, en un sistema óptico, un sensor y un digitalizador. Tenemos que tener
en cuenta las dos principales causas que producen pérdida de información cuando
se captura una imagen son la naturaleza discreta de los píxeles de la imagen y el
rango limitado de valores de intensidad luminosa que es capaz de ofrecer el sistema
de digitalización.

Efecto de muestreo: Pudiendo crear una reducción de la resolución espacial de la

imagen.

Efecto de cuantificación: Viene dado por la imposibilidad de tener un rango infinito

de valores de medida para la intensidad de brillo de los píxeles. Otro aspecto a tener
en cuenta es la conectividad entre píxeles, que establece las fronteras de objetos y
las regiones componentes de una imagen.

La visión artificial lleva asociada una enorme cantidad de conceptos relacionados

con hardware, software y también con desarrollos teóricos. El primer paso en el
proceso es adquirir la imagen digital. Para ello se necesitan sensores y la capacidad
para digitalizar la señal producida por el sensor. Una vez que la imagen digitalizada
ha sido obtenida, el siguiente paso consiste en el pre-procesamiento de dicha
imagen. Cuyo objetivo es mejorar la imagen de forma que el objetivo final tenga
mayores posibilidades de éxito. El paso siguiente es la segmentación, siendo su
objetivo es dividir la imagen en las partes que la constituyen o los objetos que la
forman. Posteriormente, es necesario convertir estos datos a una forma que sea
apropiada para el ordenador. La primera decisión es saber si se va a usar la
representación por frontera o región completa. La representación por la frontera es
apropiada cuando el objetivo se centra en las características de la forma externa
como esquinas o concavidades y convexidades. La representación por regiones es
apropiada cuando la atención se centra en propiedades internas como la textura o
el esqueleto. Sin embargo, en muchas aplicaciones ambas representaciones
coexisten. Finalmente, se el
reconocimiento y la interpretación. El
reconocimiento es el proceso que
asigna una etiqueta a un objeto
basada en la información que
proporcionan los descriptores
(clasificación). Mientras que la
interpretación lleva a asignar
significado al conjunto de objetos
reconocidos. Estos pasos se recogen
en el siguiente sistema:
2.11 Procesamiento y extracción de características primarias.

La extracción de características entra de lleno en el campo del análisis de imágenes

constituyendo la primera etapa en la inteligencia de un sistema de visión artificial.
La extracción de información de interés que contiene una imagen constituye
actualmente un inmenso campo de estudio e investigación, que abarca multitud de
aplicaciones. Las áreas que abarcan el estudio del análisis de imágenes son tan
variadas como la informática, la física, la fotogrametría y las matemáticas, entre
otros. Estas investigaciones abordan problemas que van desde la aplicación de
simples filtros lineales hasta la automatización del reconocimiento semántico de
objetos. La detección automática de características sobre imágenes en el campo de
visión por computador tiene una dilatada tradición y cuenta multitud de métodos
para tal propósito. Desafortunadamente, no existe un ‘método universal’ para la
detección automática de características, sino que serán los requerimientos del
propio problema los que obliguen a personalizar la metodología. Una imagen
contiene una gran cantidad de datos, pero por lo general, la mayoría de éstos
proporcionan muy poca información útil para interpretar la escena. Un sistema de
visión artificial necesita realizar un primer paso que consistirá en extraer de la forma
más robusta, eficaz y rápida posible, las características de la escena que
proporcionen la información que se necesita para un posterior paso de
interpretación.

Estos sistemas deben cumplir, entre otras, las siguientes condiciones:

 La extracción de información útil a partir de la imagen no debería suponer un

coste excesivo al sistema en el cual está integrado, y el tiempo total dedicado
a esta tarea debería ser lo menor posible.
 La localización de las características de la imagen debe ser muy precisa. Así
mismo, el error cometido en la estimación de las mismas debe ser lo más
pequeño posible.
 El método utilizado para la extracción de características debe ser robusto y
estable.
  Los datos extraídos deberían contener la máxima información posible de la
escena, llegando incluso a extraer la información geométrica contenida en la
misma.

En este apartado se verán los tres métodos más comunes en la extracción de

características: la segmentación, el etiquetado y la detección de formas.

2.12 Problemas específicos en la visión artificial en robótica.

Los sistemas de visión artificial están en continuo desarrollo y evolución tecnológica,

ya que proporcionan un valor añadido en los diferentes procesos productivos
desarrollados mediante sistemas robotizados. Por ello, son muchas las empresas
dedicadas a su fabricación debido al creciente número de consumidores que los
utilizan integrándolos en células robotizadas con gran éxito. Estos sistemas nos
permiten atender a las demandas más exigentes de calidad al permitir la inspección
y el control del 100% del producto. Del mismo modo, resulta la opción idónea para
el control de todo tipo de procesos y para el guiado de manipuladores y robots.
Teniendo como principal ventaja que son sistemas que se amortizan rápidamente y
tienen unos costes de funcionamiento muy reducidos. También se integran en
sistemas avanzados de interacción hombre-máquina mediante visión por
computador como son el seguimiento de manos, gestos, caras…
Con esto, podemos realizar una primera clasificación de las posibles aplicaciones
de los sistemas de visión artificial:

 Medición: Permitiéndonos realizar un control dimensional mediante la

obtención de las magnitudes físicas de un objeto, para verificar que se
corresponden con el patrón exigido. Como pueden ser medir las dimensiones
de una pieza, sus diámetros, la plenitud de sus diferentes superficies, niveles.
 Guiado: Localización de la posición de un objeto detectando las coordenadas
del mismo en el espacio para recogerlo y desplazarlo al lugar deseado.
Sirviéndonos como guía a los robots para localizar o ensamblar piezas, guía
el recorrido de un rollo de papel, tela, cartón.
 Identificación o clasificación: Asignar a un objeto la clase a la que pertenece
mediante la extracción y procesado de sus características visuales (forma,
 color, etiquetaje, dimensiones, textura.). Permitiéndonos identificar piezas o
productos por su perfil, realizar tareas de reconocimiento óptico (OCR)
extrayendo de una imagen los caracteres que componen un texto para
almacenarlos en un formato con el cual puedan interactuar programas de
edición de texto.
 Inspección: Detecta la presencia-ausencia de piezas en ensamblaje, realiza
la orientación de piezas, las inspecciones de defectos superficiales, la
comprobación de la fecha en un lote de productos o su caducidad, los
defectos en la superficie en productos producidos de forma continua.
 Control de calidad: Verificar el cumplimiento de los requisitos y
especificaciones técnicas de un objeto a partir de un patrón dado. Siendo de
gran importancia en los procesos productivos, ya que realiza inspecciones
del 100%, evitando posibles escapes de la inspección ocular, lo cual
garantiza la calidad y la homogeneidad de las piezas inspeccionadas.

2.12 Modelos de inteligencia robótica.

La inteligencia Artificial (IA) es un área de investigación multidisciplinaria que estudia

el proceso de cómo conoce el cerebro humano con el fin de producir, mediante
programas de computación, prototipos no humanos de inteligencia, capaces de
realizar operaciones y acciones propias del hombre tales como: el autoaprendizaje,
los gestos, el habla, la toma de decisiones y la resolución de problemas de la vida
diaria. Las derivaciones de las exploraciones en IA han incidido en la producción de
computadoras, máquinas inteligentes y robots que buscan simular las operaciones
racionales del humano. La IA en el fondo busca una relación cada vez más estrecha
entre los humanos y las tecnologías inteligentes y unas aplicaciones de estas
últimas para resolver problemas de la vida del hombre de una forma más eficiente
y rápida que éste. En esas búsquedas, la IA ha tenido un amplio campo de
aplicaciones, es así como del sector militar saltó al área de la ingeniería (robots y
programas), de la medicina (robots, TIC y programas), de la economía (industria
automóvil, finanzas y mercado), de la oficina (computadoras, TIC y software), del
hogar (artefactos domésticos, videojuegos y ajedrez). Todo ello gracias a que las
máquinas actuales disponen de sensores físicos y mecánicos, pulsadores
electrónicos y ópticos en computadoras, reconocimiento de voz y de escritura,
reconocimiento de patrones de conductas, que hacen posible que las tecnologías
perciban y desarrollen acciones de acuerdo con un software para realizar unas
determinadas tareas. Sin embargo, la IA todavía tendrá que resolver el problema de
cómo intervienen factores no solo lógicos sino emotivos y psicológicos en las
relaciones máquinas/hombres. Entre los años setenta y ochenta, la IA ha avanzado
al desarrollar sistemas expertos, los cuales imitan la capacidad mental de un experto
en un dominio concreto del conocimiento y relacionan reglas de sintaxis del lenguaje
hablado y escrito sobre la base de la experiencia, para proponer soluciones a un
problema de una forma más rápida y precisa que el ser humano (Loaiza, 1991), con
lo cual se ha aumentado la productividad de los expertos, como es el caso de los
diagnósticos médicos (Gómez, 1999). Y eso ha conducido a que la IA desde los
años ochenta se haya convertido en una gran industria. Pero su gran dilema a
resolver es cómo representar el conocimiento que proviene del sentido común que
es más inexacto y cuyos razonamientos son más difíciles de aprehender porque no
son tan lógicos. En este aspecto es donde se podría avanzar más en el campo de
la IA en la actualidad, en la vinculación de las máquinas inteligentes con el usuario
común. Por eso se investiga para incorporar en esa relación elementos psicológicos
como motivaciones, intereses, para hacer que los robots puedan sentir esas
sensaciones parecidas a la de los humanos (peligro, hambre). Si bien existen varios
tipos de IA, según Rusell & Norvig (2004), a saber: sistemas que piensan como
humanos a través de redes neuronales artificiales, sistemas que actúan como
humanos porque imitan su comportamiento (robots), sistemas que piensan
racionalmente como los humanos, con lógica (sistemas expertos) y sistemas que
actúan racionalmente (conductas inteligentes de ciertos artefactos); lo que está aún
por experimentar son los sistemas que sientan y se comporten en la vida diaria
como el hombre, de forma cambiante, a veces impredecible y voluble y adaptada a
cada contexto.