Estimación por poses de vehículos submarinos no tripulados utilizando simulaciones basadas en marcadores de realidad aumentada

Resumen

Este estudio presenta un marco de visión monocular basado en ROS–Gazebo para la estimación de postura de vehículos submarinos autónomos utilizando marcadores ArUco. Las poses estimadas se comparan con odometría simulada, demostrando un seguimiento estable y una fuerte concordancia con la verdad del terreno bajo condiciones controladas.

Resumen

Este estudio presenta un marco basado en simulaciones para la estimación de poses de Vehículos Submarinos No Tripulados (UUV) utilizando un sistema de visión monocular dentro de un entorno ROS–Gazebo. El modelo UUV RexRov2, integrado con ArUco_ROS, se utiliza para detectar marcadores virtuales y estimar posición y orientación en un entorno submarino simulado. Se aplica un método de perspectiva en n puntos (PnP) para la estimación de poses, y un controlador de derivada integral proporcional (PID) regula el movimiento del vehículo basándose en características derivadas de los marcadores. El sistema se evalúa comparando las poses estimadas con la odometría de verificación del terreno obtenida del simulador. Bajo condiciones nominales, los resultados demuestran una estimación estable de la pose con estrecha concordancia entre las posiciones y orientaciones estimadas y verdaderas. El sistema mantiene un seguimiento de trayectoria fluido con fluctuaciones mínimas, lo que indica un rendimiento fiable en entornos controlados. Sin embargo, bajo el aumento de las perturbaciones hidrodinámicas, el sistema presenta desviaciones en la posición y la orientación, lo que provoca inestabilidad en el rendimiento del seguimiento. Estos resultados ponen de relieve las limitaciones del control PID clásico en entornos submarinos no lineales y sugieren la necesidad de estrategias de control más robustas. En conjunto, el marco propuesto proporciona una plataforma segura, flexible y rentable para probar algoritmos de navegación submarina y evaluar la integración percepción–control en entornos simulados.

Introducción

Los vehículos submarinos no tripulados (UUV) se utilizan comúnmente en situaciones donde la presencia humana es limitada, como la monitorización oceánica, la exploración y la industria petrolera. Están equipados con sensores avanzados para recopilar datos de entornos submarinos complejos, lo que requiere plataformas de prueba robustas y rentables. Las técnicas de simulación, incluidos los métodos basados en visión que utilizan marcadores ArUco, proporcionan un medio eficaz para reducir los riesgos asociados al despliegue real de UUVs.

La historia de los UUV, desde el primer Vehículo de Investigación Submarina de Propósito Especial hasta los modernos vehículos autónomos submarinos, pone de relieve su importancia en la investigación, la defensa y la^{industria 1}. La evolución de los vehículos autónomos subacuáticos enfatiza aún más la necesidad de posicionamiento, navegación y pruebas precisos dentro de entornos^{simulados 2,3}.

La Figura 1 ilustra la arquitectura convencional de un sistema de simulación UUV. La combinación del Sistema Operativo de Robots (ROS) y el simulador de Gazebo ofrece una plataforma versátil para modelado, control y comunicación en tiempo real. ROS facilita una comunicación eficiente entre sensores, actuadores y módulos de control, mientras que Gazebo proporciona un entorno realista de simulación 3D para probar algoritmos de navegación y^{control 4,5}. En este contexto, los métodos basados en marcadores ArUco mejoran la estimación de poses al permitir la detección y seguimiento precisos de puntos^{de referencia 6}.

Figura 1: Arquitectura convencional de un sistema de simulación UUV.El diagrama ilustra la interacción entre los componentes de simulación, percepción y control dentro del marco ROS–Gazebo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Varios estudios han avanzado tecnologías de simulación, navegación y percepción de^{UUV 7}. Se ha demostrado la idoneidad del marco ROS–Gazebo para el modelado^{robótico 4}, y este enfoque se ha extendido a aplicaciones submarinas mediante el UUV Simulator para tareas multirrobot e^{intervención 5}. El posicionamiento basado en la visión también se ha mejorado combinando marcadores ArUco con algoritmos^{de seguimiento 6}. De manera similar, la simulación y supervisión de alta fidelidad de misiones submarinas han sido habilitadas mediante plataformas avanzadas^{de simulación 8}, mientras que también se ha demostrado un posicionamiento robusto en entornos confinados mediante marcadores^{fiduciales 9}.

Estos avances tecnológicos se complementan con estudios de encuestas. Los avances en los desafíos de navegación submarina y localización han sido revisados^{exhaustivamente 10, 11}, y las plataformas de simulación comerciales y de código abierto han sido evaluadas^{sistemáticamente 12}. Revisiones adicionales han examinado el estado del arte en vehículos submarinos^{autónomos 13,14}, así como las estrategias de control de formación y comunicación para sistemas multivehículo¹⁴. Además, los avances en controles de seguimiento^{robustos 15} y estimación de estados mediante enfoques de aprendizaje profundo, como las Unidades Recurrentes¹⁶ con Puerta Cerrada, han mejorado aún más la fiabilidad de las misiones submarinas autónomas. En conjunto, estos estudios demuestran avances significativos en el realismo de las simulaciones, la navegación y el control inteligente de los UUV.

A pesar de estos avances, persisten varios desafíos de investigación. Los simuladores actuales carecen de modelos de sensores precisos, especialmente para sistemas de sonar de visión frontal y de barrido lateral. La mayoría de las plataformas solo soportan operaciones con un solo AUV, con capacidad limitada para la coordinación y formaciones de múltiples AUV. Las inexactitudes en sensores y modelos dinámicos pueden resultar en un rendimiento subóptimo, y las perturbaciones ambientales como corrientes y ruido no se modelan de forma consistente en los simuladores. Para abordar estas limitaciones, el presente estudio introduce un marco de simulación ROS–Gazebo que incorpora la estimación de poses basada en marcadores ArUco para permitir una estimación del estado más precisa y una evaluación rigurosa de los algoritmos de navegación UUV.

Este trabajo aporta tres contribuciones principales. En primer lugar, presenta un enfoque de estimación de pose monocular basado en ArUco dentro de un entorno de simulación ROS–Gazebo submarino utilizando el modelo RexRov2. En segundo lugar, analiza la estabilidad de la postura bajo diferentes condiciones de perturbación y escenarios de control. En tercer lugar, identifica limitaciones del control clásico de PID en entornos submarinos no lineales bajo perturbaciones dinámicas. Además, este trabajo integra percepción, control y simulación en un marco unificado, cerrando lagunas en estudios previos que tratan estos componentes de forma independiente.

Protocolo

1. Configuración del entorno de software

Se utilizó como plataforma principal de desarrollo una estación de trabajo basada en Linux con Ubuntu 20.04 y el Sistema Operativo Robot (ROS) Noetic para implementar sistemas de autolocalización^{submarina 17}. El sistema se inicializaba creando un espacio de trabajo catkin con mkdir -p ~/catkin_ws/src y luego inicializándolo con catkin_init_workspace. Los paquetes uuv_simulator y aruco_ros fueron clonados en el directorio fuente y compilados usando el comando catkin_make para soportar el modelado de intervención submarina.

La conectividad entre el middleware ROS y el simulador Gazebo 9 se verificó lanzando un mundo submarino predeterminado y confirmando la comunicación activa mediante el comando rostopic list. Los nodos de procesamiento de imágenes y estimación de poses se implementaron usando Python 3.8 y bibliotecas integradas de ArUco para calcular la pose relativa usando OpenCV. El entorno ROS estaba configurado para gestionar dependencias y permitir la comunicación de datos en tiempo real, permitiendo al robot localizarse en relación con múltiples marcadores^{artificiales 18}. Esta configuración también permitía evaluar el rendimiento de detección de marcadores bajo condiciones variables. La Figura 1 ilustra la comunicación entre los nodos de simulación, percepción y visualización en el entorno ROS–Gazebo.

2. Modelo UUV y parametrización hidrodinámica

El modelo de vehículo RexRov2 se obtuvo del paquete uuv_descriptions y se lanzó en Gazebo utilizando su archivo⁵ en Formato Unificado de Descripción de Robots (URDF). El modelo del vehículo consistía en eslabones y juntas, con una masa en seco de 1.863 kg y un desplazamiento volumétrico de 1,838^m3, lo que correspondía a una flotabilidad casi neutra en agua con una densidad de 1.000 kg/^m3.

Los efectos hidrodinámicos se modelaron usando el uuv_underwater_object_plugin, incluyendo fuerzas de amortiguamiento lineales y cuadráticas. El coeficiente de sobretensión de masa añadido se estableció en 779,79, y los parámetros de amortiguamiento se calibraron en función de las características reportadas del RexRov2 para simular un movimiento realista^{del vehículo 19}. La Figura 2 muestra la arquitectura general de la simulación.

Figura 2: Arquitectura general del entorno de simulación. La figura muestra la integración del modelo UUV, las entradas de sensores, la tubería de percepción y los módulos de control utilizados para la estimación de poses y la navegación. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

3. Configuración de cámara, marcador y entorno

Se acopló una cámara monocular al marco rexrov2/camera_link. Los parámetros de la cámara se establecieron a 1280 × 720 píxeles y 30 Hz. Los parámetros intrínsecos se definieron en el archivo de configuración de la cámara con una distancia focal de 554,25 píxeles y un punto principal en (640,5, 360,5).

Un marcador vertical fijo de ArUco con una longitud lateral de 0,5 m, seleccionado del diccionario 6×6_250 (ID: 582), se posicionaba en coordenadas (20,0, 0,0, -10,0). El entorno simulado se configuró con una profundidad de agua de 10 m y una velocidad de corriente constante de 0,1 m/s en dirección X utilizando el servicio ROS /uuv_simulation_app/set_current_velocity. Se utilizó una intensidad de luz de 0,8 para asegurar la visibilidad^{del marcador 9}. La Figura 3 muestra el entorno submarino simulado.

Figura 3: Entorno submarino simulado en el Cenador 9. El entorno incluye el UUV RexRov2, marcadores virtuales ArUco y condiciones ambientales controladas como la profundidad del agua, la iluminación y la corriente. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

4. Estimación de la postura y control de navegación

La canalización de detección de marcadores se iniciaba usando el nodo ROS de ArUco, que se suscribía al tema /rexrov2/forward_camera/image_raw. La pose del vehículo se estimó utilizando el método de Perspectiva-n-Punto (PnP) para calcular la matriz de rotación (R) y el vector de traslación (t) en relación con la geometría conocida del marcador 3D.

La pose estimada se transformó del fotograma de la cámara al marco de referencia global usando un editor de transformadas estáticas. Se utilizaba un controlador PID para regular el movimiento del vehículo enviando comandos de velocidad al tema /rexrov2/thruster_manager/entrada. Las ganancias proporcionales (Kp) para los ejes de aumento y levantamiento se fijaron en 1500 y 2000, respectivamente, para asegurar un rendimiento de seguimiento estable²⁰.

5. Evaluación y comparación de la verdad del terreno

El acuerdo entre las estimaciones de pose basadas en la visión y la trayectoria simulada se evaluó usando el tema /rexrov2/pose_gt proporcionado por el plugin de uuv_gazebo_ros_p3d. La postura estimada de la tubería basada en ArUco se comparó con datos de odometría basados en el terreno para evaluar la estabilidad y consistencia del sistema.

La evaluación se realizó mediante comparación de trayectorias y visualización en tiempo real, donde se monitorizaron la posición (X, Y, Z) y la orientación (alabeo, cabeceo, guiñada) utilizando Rviz y rqt_plot. Esto permitió observar desviaciones tanto en condiciones nominales como inducidas por perturbaciones.

El estudio se centra en la evaluación cualitativa y comparativa. La evaluación cuantitativa utilizando el Error Cuadrático Medio Raíz (RMSE) se identifica como trabajo futuro, donde se utilizarán múltiples simulaciones para evaluar el error de posición y orientación.

6. Generación y visualización de resultados

Rviz se utilizó como herramienta de visualización 3D para monitorizar la trayectoria y actitud del UUV. Se visualizaron los marcos de coordenadas /rexrov2/camera_link y /aruco_marker_frame para evaluar la relación espacial entre el vehículo y el marcador².

La herramienta rqt_plot se utilizó para generar gráficos en tiempo real de la actitud del vehículo (alabeo, cabeceo, guiñada) usando los temas /rexrov2/pose_gt y /aruco_pose. El comando rosbag record se utilizaba para capturar datos de simulación, incluyendo flujos de vídeo y entradas de control, para análisis cualitativos.

La simulación se realizó en condiciones visuales ideales, asumiendo buena iluminación y baja turbidez. Se suponía que el marcador de ArUco permanecía sin obstáculos. Los efectos de amortiguamiento hidrodinámico se modelaron usando coeficientes simplificados, y no se incluyó el ruido del sensor.

Resultados

Se utilizó un entorno submarino simulado para evaluar el sistema propuesto basado en ROS–Gazebo utilizando el UUV RexRov2. El entorno de simulación de olas (Figura 3) proporcionó un entorno dinámico pero controlado para evaluar el sistema de estimación de poses basado en marcadores.

La Figura 4 ilustra la relación entre los marcadores de ArUco detectados y la trayectoria resultante del UUV. La cadena ...

Discusión

Las observaciones numéricas respaldan la eficacia del marco propuesto bajo condiciones controladas. Las pequeñas variaciones en la posición (del orden de 10⁻² m) y en la orientación (del orden de 10⁻² rad) indican un seguimiento estable de la postura. Estos resultados demuestran que los marcadores ArUco proporcionan una referencia fiable para la localización a corto^{alcance 6}. Además, las plataformas de simulación permiten la generación de con...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
ArUco Marker Detection Library	OpenCV	N/A (open-source)	Detección de marcadores basada en visión para estimación de pose
Gazebo Simulator	Open Robotics	N/A (open-source)	Entorno de simulación 3D para pruebas de UUV
REXROV2 UUV Model	UUV Simulator Project	N/A (open-source)	Modelo de UUV predefinido utilizado para experimentos de estimación de pose
Robot Operating System (ROS)	Open Robotics	N/A (open-source)	Middleware para comunicación y control
RViz	Open Robotics	N/A (open-source)	Herramienta de visualización para el modelo de UUV y datos de sensores
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	Sistema operativo que soporta ROS y Gazebo
UUV Simulator Package	Norwegian University of Science and Technology (NTNU)	N/A (open-source)	Marco de simulación submarina ROS-Gazebo