Revision: Robotic Wireless Energy Transfer in Dynamic Environments: System Design and Experimental Validation

 

Problema que plantea: El principal desafío es la dificultad de determinar una estrategia de carga robótica en un entorno dinámico y desconocido debido a la incertidumbre en los obstáculos, lo que hace que la planificación global y local de la carga sea compleja.

Aplicaciones:

• Transferencia de energía inalámbrica (WET) para dispositivos IoT.

• Aplicaciones en ciudades inteligentes mediante la provisión de energía a sensores móviles sin necesidad de cables.

Dificultades/Limitaciones:

• Los modelos matemáticos de los algoritmos de planificación pueden no ser precisos en entornos dinámicos.

• La optimización conjunta de anclajes, rutas y recursos puede ser costosa computacionalmente.

• Los algoritmos existentes para la transferencia de energía robótica no abordan adecuadamente la adaptación a diferentes entornos y la evitación de colisiones de forma conjunta.

Teoría (Conceptos relacionados y complementarios a la WPT y EH que se mencionan):

• WET (Wireless Energy Transfer): Transferencia de energía sin cables mediante señales de radiofrecuencia.

• EH (Energy Harvesting): Recogida de energía, especialmente utilizando señales RF para alimentar dispositivos IoT.

• Modelos de canales inalámbricos, modelos de tiempo de movimiento de robots, y modelos de energía recolectada.

Estructura del sistema: El sistema propuesto se basa en un enfoque de optimización conjunta que incluye planificación global (anclajes, rutas, recursos) y planificación local (evitación de colisiones), validado mediante simuladores de alta fidelidad como Gazebo y entornos reales.

Turtlebot2:

• Función: Este robot móvil es el encargado de moverse por el entorno para realizar la transferencia de energía. Está equipado con sensores y controla su movimiento a través de una computadora industrial integrada.

2. Sensor Ultra-Wide-Band (UWB):

• Función: El sensor UWB proporciona la localización precisa del robot, lo que permite el mapeo y la planificación de rutas utilizando la tecnología SLAM (Simultaneous Localization and Mapping).

3. Powercast Transmitter TX91503:

• Función: Este módulo es el encargado de transmitir energía de manera inalámbrica a los dispositivos de cosecha de energía (EHs). Se utiliza una antena direccional con un ángulo de cobertura de 130 grados. El robot ajusta la dirección del haz de energía para cargar los dispositivos en las posiciones de anclaje seleccionadas.

4. Batería Móvil:

• Función: Alimenta al robot, sus sensores, la computadora industrial y el transmisor de Powercast. Es crucial para mantener la operación del robot durante las misiones de transferencia de energía.

5. ROS (Robot Operating System):

• Función: Es un sistema de comunicación distribuida que gestiona la interacción entre todos los dispositivos del sistema. Utiliza un modelo de nodos para la ejecución de tareas y la transmisión de datos entre los módulos. Permite que el robot se comunique con la computadora industrial, el transmisor Powercast, y otros sensores.

6. Gazebo Simulator:

• Función: Gazebo es una plataforma de simulación de alta fidelidad que modela el comportamiento físico del robot y el entorno. Utiliza motores como el Open Dynamics Engine para generar movimientos y Open Graphics Library Engine para visualizar el mundo. Permite probar los algoritmos del sistema en un entorno simulado antes de llevar a cabo las pruebas en el mundo real.

7. Modelo de Canal Inalámbrico:

• Función: Utiliza un modelo de propagación de señales para estimar la potencia recibida por los dispositivos de cosecha de energía (EHs). Este modelo tiene en cuenta factores como la distancia y la pérdida de señal.

8. Modelo de Tiempo de Movimiento del Robot:

• Función: Este modelo calcula el tiempo que el robot tarda en moverse entre puntos de anclaje. Se utiliza para la planificación de rutas y la optimización de tiempos.

9. Modelo de Cosecha de Energía (Energy Harvesting Model):

• Función: Estima la cantidad de energía que puede ser cosechada por los dispositivos IoT a partir de la energía recibida del transmisor Powercast. Este modelo es crucial para garantizar que los dispositivos reciban suficiente energía.

10. Modelo de Optimización Conjunta:

• Función: El sistema utiliza un enfoque de optimización conjunta para seleccionar los puntos de anclaje, planificar las rutas y asignar recursos (como el tiempo de carga y el ángulo del haz). La optimización se realiza de manera iterativa para adaptarse a las condiciones cambiantes del entorno.

11. Módulo de Evitación de Colisiones (Local Planning):

• Función: El robot ajusta su ruta en tiempo real para evitar obstáculos. Utiliza algoritmos de planificación local que consideran la cinemática del robot y las posiciones de los obstáculos. Si los obstáculos son dinámicos (es decir, si se mueven), se utilizan técnicas como la extrapolación de velocidades observadas para evitar colisiones.

12. Reoptimización Basada en Hardware-in-the-loop (HIL):

• Función: Este enfoque permite realizar actualizaciones del modelo y reoptimización del sistema basándose en datos experimentales previos. La información sobre el tiempo real de movimiento, la pérdida de señal y la cosecha de energía se utiliza para ajustar los parámetros y mejorar el rendimiento del sistema.

Funcionamiento del sistema: El robot móvil sigue una ruta optimizada para cargar dispositivos IoT, adaptándose dinámicamente a obstáculos mediante una planificación local que evita colisiones. El sistema realiza optimización y re-optimización de los parámetros según los datos experimentales.

, el robot WET encuentra todos los EH mediante SLAM, compara  os resultados de la optimización conjunta y la optimización secuencial en el caso perfecto. 

e el robot se encuentra con otros robots en el camino en Gazebo y  Necesita encontrar un equilibrio entre evitar la colisión y alcanzar el siguiente punto de anclaje 

Parámetros obtenidos:

• Tiempo de movimiento del robot entre puntos de anclaje.

• Potencia cosechada por los dispositivos IoT.

• Ángulo y dirección del haz de energía.

Software que usa:

• Gazebo para simulación.

• ROS (Robot Operating System) para la comunicación e integración de los componentes del sistema.

Resultados: Los resultados experimentales muestran que la optimización conjunta mejora significativamente el tiempo de misión en comparación con otros enfoques, y la reoptimización basada en hardware-in-the-loop (HIL) mejora la robustez en entornos dinámicos.

Aporte: El trabajo propone un marco de optimización conjunta basado en HIL que mejora la eficiencia en la transferencia de energía robótica en entornos dinámicos y reales. Integra la planificación global y local para optimizar el tiempo de misión y garantizar la seguridad del robot.

Investigaciones futuras:

• Uso de múltiples robots colaborativos para mejorar el rendimiento del sistema.

• Aplicación de técnicas de integración de sensores y comunicaciones (ISAC) para mejorar la creación de mapas globales en entornos desconocidos.

Parámetros de uso:

1. Potencia de transmisión de Powercast TX91501: 3 Watts a 915 MHz.

2. Antena direccional: Beamwidth de 130 grados.

3. Patrones de haz: El código de la antena contiene 3 patrones de haz:

   • -65 a 65 grados

   • 55 a 185 grados

   • 175 a 305 grados

4. Ganancia del receptor: 6 dBi en Powercast P2110.

5. Velocidad máxima del robot WET: 0.2 m/s.

6. Energía mínima cosechada por dispositivo IoT: 20 mJ.

7. Pérdida de trayectoria a 1 m: -31.6284 dB.

8. Exponente de pérdida de trayectoria: 1.73 (según el modelo de canal In-H especificado en 3GPP TR 38.901).

9. Modelo de cosecha de energía basado en sensibilidad: Utiliza el modelo de cosecha de energía basado en sensibilidad especificado en el documento citado [14].

Resultados:

1. Tiempo de misión en Gazebo:

   • Sin reoptimización HIL: 147 s (50% más que el caso ideal de 110.369 s).

   • Después de la reoptimización HIL: 150 s en el mundo real.

2. Comparación de tiempos de misión:

   • Secuencial optimizado (caso perfecto): 110.369 s.

   • Optimización conjunta + HIL reoptimización (caso perfecto): 184.3 s.

   • Optimización conjunta (Gazebo, 1 robot): 193.4 s.

   • Optimización conjunta (Gazebo, 6 robots): 213.9 s.

   • Optimización conjunta (mundo real, 6 robots): 223.9 s.

   • Optimización conjunta + HIL reoptimización (Gazebo, 6 robots): 208.4 s.

   • Optimización conjunta + HIL reoptimización (mundo real, 6 robots): 213 s.

3. Tiempo de misión para UAV WET (vuelo y carga): 78.38 s.

4. Consumo energético:

   • UAV WET: 7838 Joules (más alto debido a la energía de vuelo).

   • Robot WET: 1714 Joules (bajo consumo debido a que no requiere vuelo).

5. Impacto del número de robots en Gazebo:

   • A medida que se incrementa de 1 a 6 robots, el tiempo de misión aumenta, lo que indica que la condición de tráfico en el entorno afecta el rendimiento del sistema.

6. Desviación entre el tiempo de misión en Gazebo y el mundo real:

   • El tiempo en el mundo real es ligeramente mayor que en Gazebo debido a las incertidumbres de la posición y la sincronización del tiempo en el entorno distribuido.

7. Impacto de la reoptimización HIL:

   • Sin HIL: La optimización teórica puede fallar en entornos prácticos debido a la desajuste entre los modelos y los entornos reales.

   • Con HIL: El tiempo de misión es más corto en experimentos del mundo real y en simuladores Gazebo, demostrando la robustez del marco HIL en entornos dinámicos reales.