Encuentra más información en nuestro repositorio digital
El modelado de robots móviles es crucial para la estimación de odometría, el diseño de control y la navegación. Los modelos clásicos de espacio de estados (SSM) se han utilizado tradicionalmente para la identificación de sistemas, mientras que los avances recientes en aprendizaje profundo, como las redes de memoria a largo plazo (LSTM), capturan dependencias no lineales complejas. Sin embargo, existen pocas comparaciones directas entre estos paradigmas.
Este artículo compara dos enfoques de modelado multivariante para un robot de accionamiento diferencial: un SSM clásico y una red neuronal recurrente basada en LSTM. Ambos modelos predicen las velocidades lineal (v) y angular (ω) del robot utilizando datos experimentales de una secuencia de navegación de cinco minutos.
El rendimiento se evalúa en términos de precisión de predicción, estimación de odometría y eficiencia computacional, con odometría de verdad fundamental obtenida a través de un método basado en SLAM en ROS2.
Cada modelo se ajustó para una comparación justa: selección de orden para el SSM y búsqueda de hiperparámetros para el LSTM. Los resultados muestran que el mejor SSM es un modelo de segundo orden, mientras que el LSTM utilizó siete capas, 30 neuronas y ventanas deslizantes de 20 muestras.
El LSTM logró un FIT del 93,10 % para v y del 90,95 % para ω, con un RMSE de odometría de 1,09 m y 0,23 rad, mientras que el SSM lo superó con valores de FIT del 94,70 % y el 91,71 % y un RMSE inferior (0,85 m, 0,17 rad). El SSM también fue más eficiente en el uso de recursos (0,00257 ms y 1,03 bytes por paso) en comparación con el LSTM (0,0342 ms y 20,49 bytes).
Los resultados sugieren que los SSM siguen siendo una opción sólida para una odometría precisa con baja demanda computacional, a la vez que fomentan la exploración de modelos híbridos para mejorar la robustez en entornos complejos. Al mismo tiempo, los modelos LSTM demostraron flexibilidad mediante el ajuste de hiperparámetros, lo que destaca su potencial para mejorar aún más la precisión con configuraciones refinadas.