Planificación de caminos para múltiples robots basado en algoritmo genético.

Autores
Estefanía , Pereyra; Pérez Paina , Gonzalo; Pucheta, Martín Alejo; Aragúas, Roberto Gastón
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
Descripción
Un planificador de caminos para múltiples robots (MPP, del inglés Multirobot Path Planning) debe encontrar el conjunto de caminos libre de colisiones, óptimo (o casi-óptimo) en términos de algún criterio en particular, desde una posición inicial a una posición final en un entorno con obstáculos. Dada la complejidad del problema de MPP, usualmente se utilizan algoritmos heurísticos para encontrar una solución óptima, especialmente en entornos complejos y con un número elevado de robots. En este trabajo se presenta un algoritmo de planificación de caminos para sistemas multirobots el cual utiliza como método de exploración el conocido Algoritmo Genético Simple (AGS). Dado un grafo representativo del espacio de búsqueda el algoritmo encuentra los caminos de una formación de robots teniendo en cuenta la posibilidad de separación de la formación y su posterior reunión. Partiendo de una población inicial con gran diversidad de individuos y utilizando una codificación de cromosomas y operadores evolutivos especialmente diseñados para el problema de múltiples robots, el algoritmo evoluciona generación tras generación devolviendo los mejores caminos para la formación de robots. Los resultados de las simulaciones demuestran que el algoritmo es apto para ser utilizado en entornos con obstáculos y para una formación de decenas de robots.
A multirobot path planner (MPP)should find an optimal (or near-optimal) collision-free path, optimal in terms of a particular criterion, from the starting position to the goal position in an environ ment with obstacles for each robot in the formation. Because of the MPP complexity, heuristic algorithms usually are used to find an optimal solution, specifically in complex environments with many robots. In this work, we present a multirobot path planning algorithm using a search method based on the Simple Genetic Algorithm (SGA). Given a graph of the working environment, the algorithm finds a path for a formation taking into account possible split of the formation and its consecutive merge. From an initial population of suboptimal feasible paths, a particular encoding of chromosomes and genetic operators specially designed for the MPP problem, the algorithm evolves through generations, to find the best so lution for the robots formation. Results from the simulations show that the algorithm performs well in environments with obstacles and multiple robots formatio
Fil: Estefanía, Pereyra. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Pérez Paina, Gonzalo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Pucheta, Martín Alejo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Araguás, Roberto Gastón. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Materia
Algoritmo genético
Planificador de caminos
Operadores evolutivos
Robot móvil
Algortimo de Dijkstra
Veronoi
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivatives 4.0 International
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13550
Acceder
id RIAUTN_74e7fd82d72f24ad289ce2937908a99d
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13550
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Planificación de caminos para múltiples robots basado en algoritmo genético.Estefanía , PereyraPérez Paina , GonzaloPucheta, Martín AlejoAragúas, Roberto GastónAlgoritmo genéticoPlanificador de caminosOperadores evolutivosRobot móvilAlgortimo de DijkstraVeronoiUn planificador de caminos para múltiples robots (MPP, del inglés Multirobot Path Planning) debe encontrar el conjunto de caminos libre de colisiones, óptimo (o casi-óptimo) en términos de algún criterio en particular, desde una posición inicial a una posición final en un entorno con obstáculos. Dada la complejidad del problema de MPP, usualmente se utilizan algoritmos heurísticos para encontrar una solución óptima, especialmente en entornos complejos y con un número elevado de robots. En este trabajo se presenta un algoritmo de planificación de caminos para sistemas multirobots el cual utiliza como método de exploración el conocido Algoritmo Genético Simple (AGS). Dado un grafo representativo del espacio de búsqueda el algoritmo encuentra los caminos de una formación de robots teniendo en cuenta la posibilidad de separación de la formación y su posterior reunión. Partiendo de una población inicial con gran diversidad de individuos y utilizando una codificación de cromosomas y operadores evolutivos especialmente diseñados para el problema de múltiples robots, el algoritmo evoluciona generación tras generación devolviendo los mejores caminos para la formación de robots. Los resultados de las simulaciones demuestran que el algoritmo es apto para ser utilizado en entornos con obstáculos y para una formación de decenas de robots.A multirobot path planner (MPP)should find an optimal (or near-optimal) collision-free path, optimal in terms of a particular criterion, from the starting position to the goal position in an environ ment with obstacles for each robot in the formation. Because of the MPP complexity, heuristic algorithms usually are used to find an optimal solution, specifically in complex environments with many robots. In this work, we present a multirobot path planning algorithm using a search method based on the Simple Genetic Algorithm (SGA). Given a graph of the working environment, the algorithm finds a path for a formation taking into account possible split of the formation and its consecutive merge. From an initial population of suboptimal feasible paths, a particular encoding of chromosomes and genetic operators specially designed for the MPP problem, the algorithm evolves through generations, to find the best so lution for the robots formation. Results from the simulations show that the algorithm performs well in environments with obstacles and multiple robots formatioFil: Estefanía, Pereyra. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.Fil: Pérez Paina, Gonzalo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.Fil: Pucheta, Martín Alejo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.Fil: Araguás, Roberto Gastón. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.Universidad Tecnológica Nacional Regional Córdoba.2025-07-29T19:56:19Z2019info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfMecánica Computacional vol.XXXVII, 2019.https://hdl.handle.net/20.500.12272/13550spaenginfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Estefanía, Pereyra; Pérez Paina, Gonzalo; Pucheta, Martin Alejo; Aragúas, Roberto Gastón.https://creativecommons.org/licenses/by-nc-nd/4.0/reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-01T11:59:23Zoai:ria.utn.edu.ar:20.500.12272/13550instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 11:59:23.973Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Planificación de caminos para múltiples robots basado en algoritmo genético.
title Planificación de caminos para múltiples robots basado en algoritmo genético.
spellingShingle Planificación de caminos para múltiples robots basado en algoritmo genético.
Estefanía , Pereyra
Algoritmo genético
Planificador de caminos
Operadores evolutivos
Robot móvil
Algortimo de Dijkstra
Veronoi
title_short Planificación de caminos para múltiples robots basado en algoritmo genético.
title_full Planificación de caminos para múltiples robots basado en algoritmo genético.
title_fullStr Planificación de caminos para múltiples robots basado en algoritmo genético.
title_full_unstemmed Planificación de caminos para múltiples robots basado en algoritmo genético.
title_sort Planificación de caminos para múltiples robots basado en algoritmo genético.
dc.creator.none.fl_str_mv Estefanía , Pereyra
Pérez Paina , Gonzalo
Pucheta, Martín Alejo
Aragúas, Roberto Gastón
author Estefanía , Pereyra
author_facet Estefanía , Pereyra
Pérez Paina , Gonzalo
Pucheta, Martín Alejo
Aragúas, Roberto Gastón
author_role author
author2 Pérez Paina , Gonzalo
Pucheta, Martín Alejo
Aragúas, Roberto Gastón
author2_role author
author
author
dc.subject.none.fl_str_mv Algoritmo genético
Planificador de caminos
Operadores evolutivos
Robot móvil
Algortimo de Dijkstra
Veronoi
topic Algoritmo genético
Planificador de caminos
Operadores evolutivos
Robot móvil
Algortimo de Dijkstra
Veronoi
dc.description.none.fl_txt_mv Un planificador de caminos para múltiples robots (MPP, del inglés Multirobot Path Planning) debe encontrar el conjunto de caminos libre de colisiones, óptimo (o casi-óptimo) en términos de algún criterio en particular, desde una posición inicial a una posición final en un entorno con obstáculos. Dada la complejidad del problema de MPP, usualmente se utilizan algoritmos heurísticos para encontrar una solución óptima, especialmente en entornos complejos y con un número elevado de robots. En este trabajo se presenta un algoritmo de planificación de caminos para sistemas multirobots el cual utiliza como método de exploración el conocido Algoritmo Genético Simple (AGS). Dado un grafo representativo del espacio de búsqueda el algoritmo encuentra los caminos de una formación de robots teniendo en cuenta la posibilidad de separación de la formación y su posterior reunión. Partiendo de una población inicial con gran diversidad de individuos y utilizando una codificación de cromosomas y operadores evolutivos especialmente diseñados para el problema de múltiples robots, el algoritmo evoluciona generación tras generación devolviendo los mejores caminos para la formación de robots. Los resultados de las simulaciones demuestran que el algoritmo es apto para ser utilizado en entornos con obstáculos y para una formación de decenas de robots.
A multirobot path planner (MPP)should find an optimal (or near-optimal) collision-free path, optimal in terms of a particular criterion, from the starting position to the goal position in an environ ment with obstacles for each robot in the formation. Because of the MPP complexity, heuristic algorithms usually are used to find an optimal solution, specifically in complex environments with many robots. In this work, we present a multirobot path planning algorithm using a search method based on the Simple Genetic Algorithm (SGA). Given a graph of the working environment, the algorithm finds a path for a formation taking into account possible split of the formation and its consecutive merge. From an initial population of suboptimal feasible paths, a particular encoding of chromosomes and genetic operators specially designed for the MPP problem, the algorithm evolves through generations, to find the best so lution for the robots formation. Results from the simulations show that the algorithm performs well in environments with obstacles and multiple robots formatio
Fil: Estefanía, Pereyra. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Pérez Paina, Gonzalo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Pucheta, Martín Alejo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Fil: Araguás, Roberto Gastón. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
description Un planificador de caminos para múltiples robots (MPP, del inglés Multirobot Path Planning) debe encontrar el conjunto de caminos libre de colisiones, óptimo (o casi-óptimo) en términos de algún criterio en particular, desde una posición inicial a una posición final en un entorno con obstáculos. Dada la complejidad del problema de MPP, usualmente se utilizan algoritmos heurísticos para encontrar una solución óptima, especialmente en entornos complejos y con un número elevado de robots. En este trabajo se presenta un algoritmo de planificación de caminos para sistemas multirobots el cual utiliza como método de exploración el conocido Algoritmo Genético Simple (AGS). Dado un grafo representativo del espacio de búsqueda el algoritmo encuentra los caminos de una formación de robots teniendo en cuenta la posibilidad de separación de la formación y su posterior reunión. Partiendo de una población inicial con gran diversidad de individuos y utilizando una codificación de cromosomas y operadores evolutivos especialmente diseñados para el problema de múltiples robots, el algoritmo evoluciona generación tras generación devolviendo los mejores caminos para la formación de robots. Los resultados de las simulaciones demuestran que el algoritmo es apto para ser utilizado en entornos con obstáculos y para una formación de decenas de robots.
publishDate 2019
dc.date.none.fl_str_mv 2019
2025-07-29T19:56:19Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv Mecánica Computacional vol.XXXVII, 2019.
https://hdl.handle.net/20.500.12272/13550
identifier_str_mv Mecánica Computacional vol.XXXVII, 2019.
url https://hdl.handle.net/20.500.12272/13550
dc.language.none.fl_str_mv spa
eng
language spa
eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
Estefanía, Pereyra; Pérez Paina, Gonzalo; Pucheta, Martin Alejo; Aragúas, Roberto Gastón.
https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
Estefanía, Pereyra; Pérez Paina, Gonzalo; Pucheta, Martin Alejo; Aragúas, Roberto Gastón.
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877862411618222080
score 13.365483

Publicaciones similares