Destacados del 3er Desafío BARN

El 3er BARN Challenge se llevó a cabo en la Conferencia Internacional de IEEE sobre Robótica y Automatización 2024 en Yokohama, Japón. Este evento se centró en probar cómo los Robots pueden navegar a través de entornos difíciles llenos de Obstáculos. A lo largo de los años, la competencia ha visto un cambio en los participantes, con más Equipos de Asia uniéndose este año en comparación con eventos anteriores.

Cada equipo trabajó con un robot móvil proporcionado y tuvo que crear un software que permitiera a su robot viajar desde un punto de partida hasta una meta sin chocar con obstáculos. El mejor equipo completaría esta tarea en el menor tiempo posible.

Este desafío se dividió en dos partes. La primera parte fue una fase de simulación, donde los equipos probaron su software usando una serie de Cursos de obstáculos en un programa de computadora. La segunda parte tuvo lugar en el mundo real, donde los mejores equipos enfrentaron cursos físicos con obstáculos reales.

#Fase de Simulación

La fase de simulación permitió a los equipos probar sus sistemas de Navegación usando un conjunto de datos que incluía 300 cursos de obstáculos diferentes. Estos cursos variaban desde fáciles hasta muy difíciles, con distintos desafíos para los robots. Los equipos debían enviar sus soluciones antes de una fecha límite específica para calificar para la competencia física.

Las presentaciones se evaluaron en función de lo bien que los robots navegaron por los cursos, observando si chocaron, cuánto tardaron y lo difícil que era el curso.

#Resultados de la Simulación

En la fase de simulación, los mejores equipos incluyeron a LiCS-KI de KAIST y AIMS de la Universidad Politécnica de Hong Kong. Ambos equipos tuvieron un mejor desempeño que en años anteriores, pero todavía había margen de mejora. Los resultados de la simulación ayudaron a decidir qué equipos pasarían al desafío en la vida real.

#Finales Físicas

Las finales físicas se llevaron a cabo durante dos días en Yokohama, donde los equipos hicieron correr a sus robots a través de tres cursos diferentes hechos de cajas de cartón. La configuración física tenía como objetivo probar las habilidades de navegación de los robots en condiciones del mundo real, que a menudo son más impredecibles que las simulaciones.

Cada equipo tuvo 20 minutos para preparar su sistema de navegación antes de hacer correr a sus robots. Se les permitieron cinco pruebas cronometradas para cada curso, y se contaron los mejores tres tiempos. El equipo con el mayor número de pruebas exitosas ganaría. Si había empate, el tiempo promedio sería el factor decisivo.

#Desempeño de los Equipos

En las finales físicas, los equipos enfrentaron desafíos más difíciles en comparación con competencias anteriores. LiCS-KI logró completar la mayoría de los cursos exitosamente, pero tuvo problemas con el más difícil.

Los otros equipos, MLDA EEE y AIMS, también enfrentaron desafíos, con AIMS finalizando algunas pruebas lentamente debido a un problema técnico. A pesar de estos obstáculos, LiCS-KI se convirtió en el campeón porque completaron la mayor cantidad de pruebas exitosas en general.

#Estrategias Ganadoras

#Enfoque de LiCS-KI

LiCS-KI utilizó un método de aprendizaje de extremo a extremo para su sistema de navegación. Esto significa que crearon un programa que aprendió a navegar observando los movimientos de expertos. Agregaron una capa de seguridad para ayudar al robot a evitar obstáculos mejor.

El método empleó un nuevo tipo de red neuronal llamada transformer, que ayuda a procesar datos de manera efectiva. Este sistema permitió que el robot navegara rápidamente y de forma segura a través de espacios desordenados.

#Estrategia de MLDA EEE

El equipo MLDA EEE combinó métodos tradicionales con tecnología moderna. Usaron Control Predictivo de Modelos (MPC) para planificar los movimientos de su robot. Su enfoque incluía ajustarse a diferentes situaciones según los obstáculos detectados por el robot.

Al usar una combinación inteligente de diferentes modos para varios escenarios, el equipo mejoró la capacidad de su robot para evitar obstáculos de manera efectiva.

#Método de AIMS

El equipo de AIMS se centró en usar un planificador local que pudiera ajustar dinámicamente su ruta. Emplearon un método que muestrea diferentes movimientos posibles y rápidamente identifica colisiones basadas en el entorno del robot. Esto les permitió navegar por caminos estrechos sin chocar con nada.

#Lecciones Aprendidas del Desafío

El 3er BARN Challenge reveló varias ideas importantes para futuras competencias. Una conclusión clave es la ventaja de combinar métodos en los sistemas de navegación. Cada equipo usó diferentes técnicas para manejar obstáculos, lo que indica que ninguna solución única es perfecta para cada situación.

El equipo ganador demostró que usar modelos avanzados como los transformers puede llevar a mejores resultados, especialmente al navegar por entornos desordenados.

El evento también destacó la necesidad de más participación global. Este año, solo equipos de Asia compitieron en las rondas finales, lo que sugiere que futuros desafíos deberían fomentar una mayor participación de todo el mundo.

#Planes Futuros para el Desafío

Los organizadores planean hacer varios cambios para el próximo BARN Challenge. Introducirán obstáculos dinámicos en los cursos, lo que hará que la competencia sea aún más emocionante. También se probará la capacidad de los equipos para navegar sin ajustes previos a sus sistemas. Esto significa que deberán confiar en que sus robots funcionen bien desde el principio, con recompensas para pruebas iniciales exitosas.

Estos ajustes buscan mejorar el desafío, hacerlo más justo y alentar a los equipos a crear sistemas de navegación más robustos que puedan adaptarse a nuevos y impredecibles entornos.

#Conclusión

El 3er BARN Challenge proporcionó una plataforma valiosa para que los equipos probaran sus habilidades en la navegación de robots. A través de simulaciones y pruebas del mundo real, los equipos demostraron sus enfoques innovadores para resolver problemas complejos de navegación. Las lecciones aprendidas no solo informarán futuras competencias, sino que también avanzarán la investigación en navegación terrestre autónoma, beneficiando al campo de la robótica en su conjunto.