Los robots se están volviendo cada vez más sofisticados, capaces de realizar tareas complejas en diversos entornos. Una manera eficaz de programar sus comportamientos es a través del uso de máquinas estatales finitas (FSMs). Los FSM proporcionan un enfoque estructurado para gestionar diferentes estados un robot puede estar en y cómo se transisionan entre ellos. Son un concepto fundamental en robótica, sistemas embebidos y juego AI porque se convierten en comportamientos complejos y reactivos de la teoría de la secuencia avanzada.

¿Qué es una máquina estatal finita?

Una máquina estatal finita es un modelo computacional que consiste en un número finito de estados. El robot está siempre en un estado a la vez, y transiciones a otros estados basado en entradas o condiciones específicas. Esto hace que las FSMs ideales para diseñar comportamientos robot previsibles manejables. En cualquier momento dado, toda la historia del sistema es capturada por su estado actual; el futuro depende sólo de ese estado y la entrada entrante.

El trabajo formal más temprano en automata finita data de mediados del siglo XX, y FSMs se han utilizado en robótica desde los años 70. Ellos aparecen en todo desde robots simples de línea que siguen a vehículos autónomos submarinistas. La idea clave es que muchas tareas robóticas pueden ser descompuestas en un conjunto de modos discretos, cada uno con su propia ley de control, estrategia de detección y criterios de terminación.

Componentes básicos de una máquina estatal finita

Estados

Los Estados representan los diversos modos o comportamientos que un robot puede exhibir. Cada estado codifica un conjunto específico de acciones y respuestas. Idle, Moviendo hacia adelante, Turning, Evitar el obstáculo, Recogiendo objetos, y Sueltando objetosLos Estados suelen ser dibujados como círculos o rectángulos redondeados en los diagramas estatales. Un robot sólo puede estar en un estado a la vez, esta exclusión mutua es lo que hace que el razonamiento sobre el sistema sea traccionable.

Transiciones

Las transiciones definen las reglas que hacen que el robot cambie de un estado a otro. Son activadas por eventos: lecturas de sensor, caducidad del temporizador o condiciones internas. Una transición generalmente incluye una condición de guardia (por ejemplo, "si distancia < 0.5 m") and an optional action that executes during the switch. In a deterministic FSM, given a current state and an input, there is exactly one possible next state. Nondeterministic FSMs exist but are less common in robotics because they require backtracking or parallel exploration.

Inputs

Los insumos son señales externas o datos que influyen en las transiciones estatales. En robótica, los insumos provienen de sensores (lidar, cámara, parachoques, UI) o de módulos de software interno (objetivos de navegación, nivel de batería). Pueden ser discretos (sensor de parachoques binario) o continuos (lectura de distancia).Para utilizar valores continuos con un FSM, deben ser cuantificados en eventos discretos, por ejemplo, < 0.3 m, and "obstacle cleared" when range > 0.5 m. Esta cuantificación es un paso crítico de diseño que puede hacer o romper la robustez del FSM.

Acciones

Las acciones son los comportamientos ejecutados mientras el robot está en un estado dado. Estos pueden ser continuos (conduciendo a una velocidad constante) o una instantánea (enviar un comando a la garra). En las máquinas Moore, las acciones dependen sólo del estado actual. En las máquinas de Mealy, las acciones también pueden depender de la entrada que causó la transición. La mayoría de las implementaciones robóticas son híbridos, realizan acciones continuas dentro de estados y acciones discretas acciones en las transiciones.

Máquinas de Mealy vs Moore

Existen dos estilos arquitectónicos clásicos para los FSM. En un Máquina de Moore, las salidas (acciones) están asociadas únicamente con el estado. Máquina de la sarna, las salidas están asociadas con las transiciones mismas. Por ejemplo, considera un robot que necesita tocar un sonido cuando detecta un obstáculo. Con un enfoque de Mealy, el sonido se emite durante la transición de "Moving" a "Evitar".

Con un enfoque de Moore, el sonido se reproduciría continuamente mientras que en el estado "Evitar" las máquinas de meggly a menudo requieren menos estados porque las acciones pueden ser activadas por eventos más difíciles que morar.

Implementación de FSM en el software de robot

Para programar un robot usando un FSM, los desarrolladores definen típicamente cada estado y sus comportamientos asociados. Luego especifican las condiciones bajo las cuales el robot transiciones de un estado a otro. Este enfoque simplifica la lógica de comportamiento compleja y facilita el depuración. En el software, tres patrones de implementación dominan:

1. Cambio de caja (condiciones establecidas)

En el nivel más simple, un solo bucle lee la entrada de sensores y utiliza una declaración sobre la variable estatal actual. Cada caso contiene la lógica y condicionales específicas para las transiciones. Si bien es fácil de prototipo, este patrón se vuelve inmutable para más de un puñado de estados porque toda lógica de transición vive en una función monolítica.

2. Cuadro de Estado (Cuadro de seguimiento)

Una tabla estatal codifica las transiciones en una matriz: las filas representan estados actuales, las columnas representan eventos, y las células contienen el siguiente estado y acción opcional. Este enfoque separa la lógica de transición del código de conducta, lo que facilita la modificación sin recompilar (si se carga de configuración). Es la columna vertebral de muchos controladores de robot industriales.

3. Patrón de Estado (Oriente de oposición)

En el patrón de diseño del Estado, cada estado se implementa como una clase separada derivada de una interfaz común. El contexto del robot tiene un puntero al objeto estatal actual. Cuando llega la entrada, el contexto se delega al método del estado , que puede cambiar el estado actual intercambiando el puntero. Este patrón es limpio, extensible y bien diseñado para robots complejos con muchos comportamientos.

Ejemplo: Evitación obstáculo con Pseudocode

Considere un robot que navega por una habitación y debe evitar obstáculos. Su FSM podría incluir estados como Moving y Evitar. Cuando se detecta un obstáculo (rango < threshold), the robot transitions to the Avoiding state, executes a turn, and then returns to Moving. Below is a simplified C++-like pseudocode using the State pattern:

Este ejemplo utiliza un temporizador en el estado de Evitación para asegurar que el robot se turne por un segundo antes de reanudar el movimiento hacia delante. En una implementación real, usted podría comprobar la limpieza de costas antes de la transición hacia atrás.

Aplicaciones de robot práctico de las FSM

Líneas de seguimiento

Un robot de seguimiento de línea puede tener tres estados: Línea de seguimiento, Buscar Línea, y Manejo de intersección. Cuando se pierde la línea, el robot pasa a Búsqueda, donde realiza un patrón de barrido. Una vez que la línea se recupera, vuelve a Seguir. En una intersección, se transfiere a un estado especial que lee un marcador o ejecuta un giro preprogramado.

Operaciones de Pick-and-Place

Los manipuladores industriales utilizan a menudo un FSM para secuenciar un agarre: Mover a aproximarse al Pose, Muévete a Grasp Pose, Cierre el apretón, Retract, Mover a la aproximación de lugar, Abra la grietaCada estado tiene condiciones claras de entrada y salida. Sensores (torque de fuerza, proximidad) desencadenan transiciones entre estos estados, haciendo la tarea general robusta a la variación de posición parcial.

Exploración autónoma

En la exploración de robots móviles, estados como Explorar, Regresar a Goal, Recarga, y Recuperación son comunes. El robot transiciones de Explorar a Recarga cuando la batería es baja. Si se queda atascado, un estado de recuperación ejecuta una secuencia de reversales y giros antes de regresar a Explorar. Los FSM proporcionan una manera natural de manejar estos modos de falla explícitamente.

Ventajas y limitaciones de las FSM

Ventajas

  • Predecibilidad: El comportamiento está claramente definido y fácil de entender. Con un diagrama de estado, cualquier miembro del equipo puede ver exactamente lo que el robot hará en cada situación.
  • Modularidad: Se pueden añadir nuevos comportamientos mediante la introducción de nuevos estados y transiciones sin reescribir la lógica existente, especialmente cuando se utiliza el patrón estatal o las tablas estatales.
  • Debugging: Los problemas de solución es más sencillo cuando los comportamientos se organizan en estados. Puedes registrar el estado actual y los eventos que desencadenaron transiciones, lo que facilita la repetición y trazar fallos.
  • Verificación: Debido a que los FSM son finitos, los métodos formales se pueden aplicar para comprobar propiedades como la vida (el robot nunca se queda atrapado) y la seguridad (nunca entra en un estado prohibido).

Limitaciones

  • Explosión del Estado: A medida que crece el número de comportamientos y eventos, el número de estados y transiciones puede explotar combinatorialmente. Un robot con 10 entradas binarias independientes podría necesitar teóricamente 2^10 estados para cubrir todas las combinaciones, aunque en la práctica los estados están agrupados por relevancia.
  • Escalabilidad: Los FSM planos clásicos son difíciles de mantener más allá de 20-30 estados. El gráfico de transición se convierte en un "espagueti diagrama denso".
  • Falta de consentimiento: Los robots suelen tener que realizar tareas simultáneas (por ejemplo, navegando mientras se escanean los hitos). Las máquinas estatales concurrentes o los FSM jerárquicos se dirigen a esto.

Variantes FSM avanzadas

Máquinas de Estado de Finita jerárquica (HFSMs)

Los HFSM, también conocidos como estadarios, permiten que un estado contenga uno o más sub-estados. Por ejemplo, un Navigating el estado puede ser un FSM con sub-estados Moviendo hacia adelante, Turning, y Evitar. Si el robot entra en un Batería baja situación mientras que en cualquier sub-estado navegante, una transición del padre Navigating Estado Docking HFSMs reduce la explosión estatal permitiendo transiciones compartidas y comportamientos predeterminados. El formalismo fue introducido por David Harel en 1987 y es ampliamente utilizado en máquinas estatales UML.

Máquinas de Estado de Finita Fuzzy

En los FSM clásicos, las transiciones son nítidas, una condición es verdadera o falsa. Los FSMs de Fuzzy reemplazan la lógica booleana con grados de membresía. Por ejemplo, en lugar de "obstacle detectado = sí/no", la entrada podría ser "cerca de obstaculo = 0.7." El robot podría pasar parcialmente al estado de Evitación mientras permanece parcialmente en movimiento.

FSM probabilísticos

Los FSM probabilísticos (también llamados cadenas Markov) asignan probabilidades a las transiciones. En una tarea robótica, usted podría modelar la probabilidad de elegir con éxito un objeto dado el estado actual. Esto permite al robot elegir acciones que maximicen la recompensa esperada, un tema en el corazón del aprendizaje del refuerzo. Aunque no tan común en el código de producción determinista, los FSM probabilísticos son un puente teórico importante.

Comparando los FSM con los Arboles de Comportamiento

Los Arboles de Comportamiento (BT) se han vuelto populares en robótica y juego AI como una alternativa a los FSM. En un BT, los nodos compuestos (Selector, Sequence) controlan cómo se ejecutan los nodos de los niños. A diferencia de los FSM, los BT no tienen un único "estado actual" sino que atraviesan un árbol de la raíz cada garrapata.

Para más información sobre esta comparación, vea el Artículo de Wikipedia sobre los árboles de comportamiento.

Herramientas y marcos para los FSM de robot

Varios motores simplifican la construcción y ejecución de FSM en robots:

  • ROS SMACH – Una biblioteca de Python que proporciona un marco de máquina estatal integrado con ROS temas, acciones y servicios. Soporta estados jerárquicos e introspección (ver el estado actual a través de la consola ROS). SMACH documentation.
  • PyRo – Un paquete de pitón para robótica que incluye una implementación FSM ligera adecuada para robots pequeños a medianos.
  • QP/C++ – Un marco integrado en tiempo real (de Quantum Leaps) que proporciona objetos activos impulsados por eventos con máquinas de estado jerárquico. Se utiliza en muchas aplicaciones industriales y aeroespaciales.
  • Máquinas de Estado – Herramientas como Ragel y puede compilar diagramas estatales en C, C++ o código Java. Generan FSM eficientes y guiados por tablas sin sobrecabezamiento.

Conclusión

Las máquinas estatales finitas son una herramienta poderosa en la programación de robots, permitiendo a los desarrolladores crear lógica de comportamiento confiable y sostenible. A medida que avanza la tecnología robótica, los FSM siguen siendo una técnica fundamental para gestionar comportamientos autónomos complejos. Su transparencia los hace ideales para sistemas críticos de seguridad donde el comportamiento debe ser auditado y verificado.