TEMA 3.

Construccin de mapas
Tabla de contenido
1 Mapas basados en rejilla ........................................................................................ 2
1.1 Fusin bayesiana ............................................................................................ 3
1.1.1 Aplicacin de la teora bayesiana en los mapas de rejilla ....................... 4
1.2 Teora de Dempster-Shafer ............................................................................ 6
1.2.1 Aplicacin de la teora de la evidencia a mapas de rejilla ...................... 8
2 Mapas topolgicos ................................................................................................. 9
3 Mapas geomtricos .............................................................................................. 11

En la obtencin de modelos del entorno, basndose en la informacin recogida por
los sensores, la generacin del mapa representativo del entorno se realiza mediante
sucesivas medidas de los sensores durante su navegacin en el entorno que se pretende
representar. Por tanto el resultado final del mapa depende fuertemente de los sensores
utilizados y la cantidad de medidas obtenidas. Normalmente los mapas asumen que el
mundo puede ser modelado en 2 dimensiones (2D). Esta representacin del mundo
suele ser suficiente en muchas aplicaciones y se consigue una simplificacin enorme a
nivel de sensores y a nivel de complejidad de representacin y cmputo. Por lo tanto en
lo que sigue en este tema nos centraremos en mapas en 2D.
Se pueden distinguen tres formas de elaboracin de un mapa, en funcin de cmo se
explota la informacin de los sensores para elaborar el mapa del entorno:
mapas basados en rejilla, o mapas de grid ,
mapas topolgicos, o jerrquicos, y
mapas geomtricos o de caractersticas.
Captulo 3 Construccin de mapas. Mapas basados en rejilla 2
Robots autnomos

1 MAPAS BASADOS EN REJILLA
Estas tcnicas consisten en dividir el entorno en una serie de celdas uniformes, que
estarn ocupadas o no. El contenido de estas celdas, as como la forma que deben tener
o cmo deben actualizarse sus valores conforme el robot explora el entorno es en lo que
diferencian las distintas variantes: Occupancy grid, Certainty grids, Probability
Maps, Histogramic grids
La mayor parte de los mapas de rejilla utilizan representaciones con celdas de igual
tamao (), con una localizacin basada en coordenadas cartesianas. El problema
aparece cuando el espacio libre es muy grande, en este caso es mejor la representacin
del mapa quadtree (que se tratar en el tema 4).
El contenido de las celdillas es un elemento diferenciador. En los primeros trabajos
Elfes utilizaba valores de ocupacin discretos (libre, ocupado o desconocido) y un valor
de certidumbre en la caracterstica, variable de 0 a 1. En trabajos recientes el valor de
certidumbre es un valor de probabilidad de ocupacin o probabilidad de existencia de
un obstculo. Su actualizacin se lleva a cabo con la fusin de la informacin percibida
por los sensores, y la existente en el mapa. Si en el mapa se representan probabilidades
de ocupacin es importante disponer del modelo probabilstico del sensor. La mayor
parte de los autores utilizan aproximaciones bayesianas, o de Dempster-Shafer.
Otra tcnica es la basada en un histograma de ocupacin, donde cada celdilla se
expresa en trminos ocupada-vaca, variando su valor desde cero hasta un mximo.
Existe un valor umbral mnimo desde el que se asume celdilla ocupada, de modo que
cuantos ms obstculos se han detectado en una celdilla ms aumenta su valor. Se
utiliza un factor olvido que permite obtener mapa de ocupacin dinmico. La
actualizacin de las celdillas se realiza aadiendo o substrayendo cantidades discretas
segn la medida del sensor.
La mayor ventaja de este tipo de mapas es que son fciles de construir y de mantener,
incluso en entornos grandes. Por otro lado, puesto que la geometra de las celdillas se
corresponde con la geometra del terreno, es fcil para un robot determinar su posicin
dentro del mapa tan slo conociendo su posicin y orientacin en el mundo real. Otra
ventaja es la falta de ambigedad en la determinacin de una situacin del mundo real,
aunque sean tomadas las medidas desde diferentes lugares. Los algoritmos para el
Captulo 3 Construccin de mapas. Mapas basados en rejilla 3
Robots autnomos

clculo de trayectorias para la navegacin son muy sencillos, este tipo de representacin
facilita el cmputo de la trayectoria ms corta, y la evitacin de obstculos es sencilla
debido a que las zonas vacas estn explcitamente marcadas.
Sin embargo, este esquema sufre de un problema bsico, la gran cantidad de
memoria necesaria para el almacenamiento de la informacin, y la dificultad de extraer
informacin elaborada. Esto es debido a que la resolucin del mapa (), debe ser lo
suficientemente fina para capturar la informacin importante del entorno.
1.1 Fusin bayesiana
La inferencia bayesiana resuelve algunas de las dificultades de la probabilidad
clsica. Puede utilizarse tanto con probabilidades clsicas como con subjetivas (no son
necesarias funciones de densidad de probabilidad). Gracias al teorema de Bayes, el
concepto de probabilidad subjetiva, siempre que se utilice con cuidado, puede ser muy
til en el proceso de inferencia de la fusin de datos.
En estadstica clsica se define la probabilidad P del suceso X, P(X) como un nmero
entre 0 y 1 que representa lo fcil o difcil que es que el suceso aleatorio X se produzca,
siendo 0 la probabilidad del suceso imposible (no ocurre nunca) y 1 la probabilidad del
suceso seguro (siempre ocurre).
El concepto fundamental de las estadsticas bayesianas es el de probabilidad
condicional: P(X|Y). Esta expresin puede leerse como la probabilidad del suceso X
condicionada al suceso Y.
La probabilidad condicionada representa la probabilidad de que ocurra el suceso X si
se sabe el suceso Y es cierto. Por ejemplo: P(lluvia| da nublado) sera la probabilidad
de que llueva si el da est nublado mientras que P(lluvia) sera la probabilidad de que
llueva si el da est como est el da (tambin llamada probabilidad a piori).
Supongamos H
1
, H
2
,... ,H
k
hiptesis mutuamente exclusivas y exhaustivas que
pueden explicar un suceso E. Para calcular la probabilidad (condicional) de una
hiptesis H
i
se utiliza el teorema de Bayes:
P H E
P E H P H
P E H P H
i
i i
n n
n
k
( | )
( | ) ( )
( | ) ( )
=

1
; donde

P H
i
i
k
( )
=

=
1
1 ,
Captulo 3 Construccin de mapas. Mapas basados en rejilla 4
Robots autnomos

P H E
i
( | ) es la probabilidad de que la hiptesis i, H
i
, sea verdad dada la evidencia E.
P E H
i
( | ) , es la probabilidad de que se observe la evidencia E dada la hiptesis H
i

como verdadera.
P H
i
( ) es la probabilidad a priori de que la hiptesis i sea cierta,
independientemente de cualquier evidencia especfica.
K, el nmero total de hiptesis posibles.

La formulacin bayesiana posee bsicamente dos ventajas sobre la formulacin
clsica:
- Proporciona una forma para determinar la probabilidad de que una hiptesis
sea verdadera dada la evidencia y no para calcular, como ocurra en la clsica,
la probabilidad de que una observacin pueda ser debida a un objeto o suceso
supuesta una hiptesis.
- Incluye la posibilidad de incorporar conocimiento a priori al calcular la
probabilidad de que la hiptesis sea cierta. Esta propiedad permite su
utilizacin en procesos de inferencia multisensorial puesto que no se
necesitan funciones de densidad de probabilidad. Sin embargo, no se debe
olvidar que la salida de tal proceso de fusin ser tan bueno como sean los
datos de entrada (las probabilidades a priori).
El teorema de Bayes representa la probabilidad de H condicionada a la evidencia E.
Sin embargo, si existen otras evidencias, y stas no son independientes, no pueden
sumarse sus efectos: es necesario representar la probabilidad condicionada que surge de
su conjuncin. As, si aparece una nueva evidencia e, es necesario adaptar la ecuacin
anterior de forma que sta se tenga en cuenta, obteniendo la expresin:
P H e E P H e
P E e H
P E e
( | , ) ( | )
( | , )
( | )
=
1.1.1 Aplicacin de la teora bayesiana en los mapas de rejilla
Este mtodo se utiliza para la fusin de informacin procedente de sensores de
distancia de modo que se obtenga un mapa de rejilla. Cada celdilla bsica del mapa
Captulo 3 Construccin de mapas. Mapas basados en rejilla 5
Robots autnomos

indica la probabilidad de estar ocupada, de modo que el espacio muestral es E =
{ocupada, libre}.
Para poder utilizar el teorema de Bayes es necesario proporcionar valor a los
trminos P(H/ocupada) y P(H/libre) de modo que se cumpla que:
P(H/ocupada) + P(H/libre) = 1,
Por ejemplo supongamos un modelo de sensor (p.e. ultrasonidos), que proporciona
informacin de distancia, r, en la cual se encuentra un obstculo, con un ngulo de
apertura, , en el rango [
1
,
2
], vase la figura 3-1 donde las celdas de color verde se
pueden considerar como 0, las de color rojo con probabilidad alta de ocupacin y las
blancas son desconocidas, es decir, 0.5. As, la probabilidad de ocupacin puede
definirse como:
| | | |
| |
0 0 1 2
0 1 2
0.5 0.5/ , y ,
( / ) 0 y ,
0.5 Otro caso
d
k si r r r
P H ocupada si r r
c u u u
u u u
+ e + e

= < e

Figura 3-1. Mapa de rejilla y probabilidad de ocupacin
Se puede aplicar la frmula de Bayes de modo recursivo si suponemos que la
probabilidad a priori es la que tenemos antes de la nueva medida: P(ocupada)
t
=
P(ocupada/H)
t-1
, obteniendo:
1
1
1
( | ) ( | )
( | )
( | ) ( | )
t
t
k
t
n n
n
P H ocupada P ocupada H
P ocupada H
P H E P E H

, donde los valores iniciales

son P(E
j
/H)
0
= P(ocupada/H)
0
= P(libre/H)
0
=0.5
r0
1

2
Captulo 3 Construccin de mapas. Mapas basados en rejilla 6
Robots autnomos

1.2 Teora de Dempster-Shafer
Tambin conocida como teora de la evidencia, fue propuesta como una alternativa a
la teora bayesiana. Aunque ambas producen idnticos resultados cuando todas las
hiptesis consideradas son mutuamente exclusivas y el conjunto de hiptesis es
exhaustivo, su forma de razonamiento es completamente diferente.
El mtodo de Dempster-Shafer, o razonamiento evidencial, modela la forma que
tienen los humanos de asignar evidencia a proposiciones hipotticas. Dempster
argumenta que los humanos no asignan evidencia (probabilidades) a un conjunto de
hiptesis mutuamente exclusivas y exhaustivas, sino que asignan estimas de creencia a
combinaciones de hiptesis. As, en el razonamiento evidencial, se distingue entre
hiptesis y proposiciones (conjunto de hiptesis). sta es la gran diferencia con las
tcnicas bayesianas, que consideraban proposiciones individuales, cada una con un
grado de creencia.
En el razonamiento bayesiano inicialmente cuando no hay informacin del entorno
se asigna una probabilidad igual a todos los posibles sucesos. En la teora de la
evidencia solo se introduce informacin cuando se dispone de la misma. La teora de la
evidencia nos proporciona un entorno adecuado para representar incertidumbre, en
situaciones en que no est disponible la evidencia o no es lo suficientemente fiable.
Sea el conjunto de hiptesis, , compuesto por todos los sucesos mutuamente
excluyentes que se pueden proporcionar por los sensores. Si este conjunto tiene n
elementos, el conjunto denotado por 2

contiene todos los posibles subconjuntos de ,

incluido el y a s mismo. A cada elemento se le asigna un peso conocido como
funcin de densidad de masa o masa de probabilidad, m, de forma que la suma de todos
los subconjuntos sea 1:
{ } | | / 2 0,1
i i
m A A
O
> e , donde ( ) ( )
2
0 y 1
j
j
A
m m A
O
=
C = =

Si tenemos un suceso A, m(A) es la esperanza que se tiene de A, pero la evidencia
total se atribuye a A es la suma de todas las probabilidades asignadas a A y la de sus
subconjuntos. Se definen otras funciones:
Creencia: normalmente se denota por Bel (belief), representa la fuerza de la evidencia
en favor de un conjunto de proposiciones. El rango va de 0 (evidencia nula) a 1 (certeza
Captulo 3 Construccin de mapas. Mapas basados en rejilla 7
Robots autnomos

absoluta). Por lo tanto, proporciona el conocimiento que efectivamente tenemos de un
suceso.
( ) ( )
j
j
A A
bel A m A
c
=


Verosimilitud: normalmente se denota por Pl (plausibility), se define como Pl(s) = 1
- Bel(s). Donde s se lee no s. Su rango tambin va desde 0 hasta 1 y representa el
alcance con que la evidencia en favor de s deja lugar a la creencia s. Por ejemplo, si se
tiene evidencia cierta a favor de s, entonces Bel(s) es 1 y Pl(s) es 1. Esto indica
tambin que Bel(s) es 0 y Pl(s) es 0. La Verosimilitud se conoce tambin como
Plausibilidad.
( ) 1 ( ) Pl A Bel A =
Duda: El grado de duda de A, es el grado de conocimiento que se tiene del
complementario de A.
( ) ( )
c
Dbt a Bel A =
Incertidumbre: La incertidumbre de A representa la masa que no ha sido asignada
por o contra el conocimiento de A, es decir, la falta de informacin sobre A.
( ) ( ) ( ) U A Pl A Bel A =
Las funciones Bel y Pl tienen las siguientes propiedades:
( ) 0; ( ) 1
( ) ( ) 1
( ) ( ) si
( ) min( ( ), ( ))
Bel Bel
Bel A Bel A
Bel A Bel B A B
Bel A B Bel A Bel B
C = O =
+ s
s c
=

( ) ( ) 0
( ) max( ( ), ( ))
Pl A Bel A
Pl A B Pl A Pl B
>
=

As, la teora bayesiana se correspondera con el caso en que la incertidumbre es cero
para todo subconjunto A 2

. En la teora de la evidencia decir que Bel(A) = 0 no

implica necesariamente que Dbt(A) > 0, incluso si la Dbt(A) = 1, no necesariamente
Bel(A) = 0.
El intervalo [bel(A), pls(A)] es denominado el intervalo de conocimiento, y
representa, por su magnitud, cmo de concluyente es la informacin de que disponemos
de A. Por ejemplo, si se dispone de tres hiptesis y ninguna informacin adicional, la
probabilidad de que sean ciertas para cada una de ellas est en el rango [0, 1] y
Captulo 3 Construccin de mapas. Mapas basados en rejilla 8
Robots autnomos

conforme se acumule evidencia sobre las hiptesis el intervalo se ir estrechando. En la
probabilidad bayesiana pura todas tendran 0.33 al comenzar, pero podran llegar,
despus de analizar la evidencia sobre ellas, al mismo valor, siendo imposible distinguir
ambos casos. Esta diferencia puede ser importante si se pretende decidir sobre si se
rene ms evidencia o se acta sobre la que ya hay.
La combinacin mediante Dempster-Shafer de informacin procedente de dos
sensores diferentes, o de dos medidas consecutivas en el tiempo se realiza mediante la
siguiente ecuacin:
( ) ( )
( )
1 ( ) ( )
i j
X Y A
ij
i j
X Y
m X m Y
m A
m X m Y
=
=C

1.2.1 Aplicacin de la teora de la evidencia a mapas de rejilla
Si se desea aplicar la teora de la evidencia en el reconocimiento del entorno, para la
creacin de mapas de ocupacin, una posibilidad es la definicin de formado por dos
etiquetas, O y L, Ocupado y Libre. Los subconjuntos posibles de 2

= {, O , L, OL }.
Como se sabe cierto que
2
( ) ( ) ( ) ( ) ( ) 1
j
j
A
m A m m O m L m OL
O
c
= C + + + =

y tambin
que m()= 0, luego slo almacenamos los valores de m(O) y m(L) ya que m(OL) = 1
m(O)-m(L).
Por ejemplo, el sensor de ultrasonidos que se utilizaba anteriormente se podra
modelar del siguiente modo:
| | | |
| |
0 0 1 2
0 1 2
1/ , y , (si hay n celdas)
( ) 0 y ,
0 Otro caso
n si r r r
m O si r r
c u u u
u u u
e + e

= < e

| | | |
| |
0 0 1 2
0 1 2
0 , y ,
( ) y ,
0 Otro caso
si r r r
m V si r r
c u u u
| u u u
e + e

= < e

Captulo 3 Construccin de mapas. Mapas topolgicos 9
Robots autnomos

2 MAPAS TOPOLGICOS
Los mapas topolgicos son bsicamente un grafo ponderado, cuyos nodos
representan situaciones diferentes del entorno. Los arcos de conexin de estos nodos
indican la viabilidad de navegacin entre una situacin y otra contigua. El peso
asignado a cada arco indica el coste de acceder de una situacin a otra (ejemplo una
medida de distancia). No es imprescindible la inclusin de informacin mtrica, debido
a que cada situacin posee datos relativos a las situaciones vecinas que son accesibles,
es decir, si slo se quiere explorar slo es necesario conocer las conexiones para saber
cmo moverse. Los mapas topolgicos son adecuados para entornos en que se cumplen
las siguientes condiciones:
Las marcas naturales o artificiales predominan en el entorno y son fiables. El
robot puede moverse entre ellas.
Las marcas estn unidas por caminos, para ir de una marca a otra el robot
seguir el camino por medio de alguna estrategia, como por ejemplo seguir un
muro si lo hay.
Las soluciones aportadas por diferentes autores se distinguen a su vez en dos grupos:
- Construccin del mapa empleando medidas obtenidas por sensores de
ultrasonidos y sensores odomtricos situados en los ejes de las ruedas del
robot, mediante navegacin por el entorno.
- Mapas topolgicos obtenidos de un mapa basado en rejilla.
Hay que tener presente que una de las desventajas de la construccin de los mapas
topolgicos es la gran dependencia del punto de vista de la situaciones.
Un algoritmo para la construccin de mapa topolgico sobre informacin procedente
de un mapa de rejilla es el siguiente:
1. Umbralizacin: Todas aquellas celdillas cuyo valor de ocupacin sea menor de
un valor umbral son consideradas vacas y agrupadas en el conjunto C. El resto
sern las celdillas ocupadas, denotadas por C*. Vase la figura 3-2 a).
2. Diagramas de Voroni: Representa un camino en el espacio vaco de modo que
cada uno de sus puntos, (x,y)C estn a la misma distancia los dos o ms
objetos ms prximos. Esos dos o ms puntos de C* se denominan puntos
Captulo 3 Construccin de mapas. Mapas topolgicos 10
Robots autnomos

base. Cmo obtener el diagrama de Voronoi se analizar en detalle en el Tema
4. Ver figura 3-2 b).
3. Puntos crticos: A la distancia entre el punto (x, y) y sus puntos base se le
denomina clearance de (x, y). Los puntos crticos del diagrama de Voroni son
todos aquellos que tienen un mnimo local en la funcin clearance. Ver figura
3-2 c).
4. Lneas crticas: Son obtenidas al conectar cada punto crtico con sus puntos
base, (que son necesariamente dos, ya que de otro modo no produciran un
mnimo local en la funcin clearance). De este modo el espacio libre queda
subdividido en regiones, vase la figura 3-2 d).
5. Grfico topolgico: Cada regin obtenida segn el punto anterior es un nodo
del grfico topolgico. Para cada regin se calcula un vrtice, vea la figura 3-
28 e), y los arcos ponderados que unen los vrtices representan la distancia y
direccin del movimiento para alcanzar dicha regin.

Figura 3-2. Obtencin de un grafo topolgico a partir de un mapa de rejilla
La utilidad de este tipo de mapas consiste en la facilidad que ofrecen en cuanto a la
planificacin de trayectorias para la navegacin de un robot y la baja complejidad
espacial que requieren, ya que la resolucin depende de la complejidad del entorno. No
necesita conocer la situacin geomtrica exacta del robot, se trata de la representacin
ms conveniente para algoritmos de solucin de problemas, o planificadores basados en
informacin simblica y proporcionan interfaces para la introduccin de rdenes ms
cercanos al lenguaje natural: ejemplo ve a la habitacin A . Pero es ms difcil su
construccin y mantenimiento en el caso de grandes entornos. El reconocimiento de
lugares frecuentemente ofrece ambigedad, ya que depende del punto de vista del robot
Captulo 3 Construccin de mapas. Mapas geomtricos 11
Robots autnomos

que recoge la situacin. Los planificadores pueden ofrecer en ocasiones trayectorias
subptimas.
Otros ejemplos de mapas topolgicos, en entornos estructurados, puede verse en la
figura 3-3.

a) Entorno de pasillos

b) Descripcin de diferentes dependencias
Figura 3-3. Ejemplos de mapas o grafos topolgicos
3 MAPAS GEOMTRICOS
Cuando el entorno por el que suele moverse el robot es muy uniforme no es adecuada
la utilizacin de mapas topolgicos, en estos casos la informacin mtrica, en forma de
coordenadas cartesianas y/o caractersticas es de gran utilidad. Los mapas de mtrica
completa se subdividen en: mapas de caractersticas, y mapas de reas.
Captulo 3 Construccin de mapas. Mapas geomtricos 12
Robots autnomos

En los mapas de caractersticas son tenidas en cuenta las geometras de los
obstculos del entorno, que pueden ser de distintos tipos:
muros,
esquinas, cncavas con distintos ngulos de apertura, aunque las ms tpicas son
a 90 grados convexas, y
cilindros de distintos radios.
As como las propiedades de los mimos, orientacin, tamao y localizacin.
En los mapas de rea el entorno se divide en un nmero de regiones, normalmente
cuadradas y de igual dimensin. A dicha regin se le atribuye una o varias propiedades,
normalmente si est ocupada o no. La eleccin de un tipo de mapa u otro no es sencilla.
En los entornos densos, con muchos obstculos los mapas de rea son ms
compactos y por tanto ms adecuados, mientras que en zonas donde hay grandes
espacios libres las aproximaciones de caractersticas son ms eficientes. Por el contrario
respecto a la planificacin de trayectorias los mapas de rea focalizan en las zonas libres
y es ms sencilla la planificacin, mientras que los mapas de caractersticas se centran
en los obstculos.
Los mapas de caractersticas tienen como ventaja que la cantidad de memoria
necesaria para el almacenamiento de la informacin es baja. Es posible realizar
prediccin acerca de los obstculos a ser observados desde una determinada situacin de
un modo sencillo. El coste de los algoritmos de procesamiento de la informacin es bajo
y el problema de localizacin del robot es sencillo de realizar.
No obstante la falta de informacin acerca de las zonas desocupadas hace ms difcil
la tarea de los algoritmos de evitacin de obstculos. Un ejemplo de estos mapas puede
verse en la figura 3-4.
Captulo 3 Construccin de mapas. Mapas geomtricos 13
Robots autnomos


a) Mapa de rea



b) Mapa de caractersticas
Figura 3-4. Ejemplo de mapas geomtricos