Los vehículos autónomos son una innovación clave con aplicaciones en transporte, logística y movilidad urbana. Su operación segura y eficiente en entornos dinámicos depende de sistemas avanzados que integren control, percepción y planificación en tiempo real. Este trabajo presenta un sistema autónomo diseñado con Raspberry Pi con el Robot Operating System (ROS) [1] y el microcontrolador STM32, incorporando el Control Predictivo Basado en el Modelo (CPM) [2] para optimizar el seguimiento de rutas y la adaptación en tiempo real. Los principales componentes del sistema incluyen ROS, que gestiona la navegación autónoma, la planificación de trayectorias y la visualización interactiva en RViz; LIDAR, utilizado para crear mapas en tiempo real que mejoran la precisión y la adaptabilidad del vehículo; y el Control Predictivo Basado en el Modelo (CPM) implementado en el microcontrolador STM32, que permite el cálculo eficiente de trayectorias cortas y suaves con un bajo costo computacional. El sistema no solo mejora el desempeño técnico, sino que también tiene un impacto social positivo al promover la automatización sostenible, reduciendo riesgos laborales y democratizando la adopción de tecnologías autónomas para pequeñas empresas y comunidades. Su diseño incorpora aspectos medioambientales, como la reducción de emisiones gracias a trayectorias optimizadas y componentes de bajo consumo energético, incentivando el uso de flotas eléctricas y sostenibles. Este enfoque integral refuerza la eficiencia operativa y la sostenibilidad, haciendo del sistema una herramienta clave para la movilidad responsable y la optimización de recursos.
Autonomous vehicles are a key innovation with applications in transportation, logistics, and urban mobility. Their safe and efficient operation in dynamic environments depends on advanced systems integrating control, perception, and real-time planning. This work presents an autonomous system designed with Raspberry Pi OS, the Robot Operating System (ROS) [1] and the STM32 microcontroller, incorporating Model Predictive Control (MPC) [2] to optimize route tracking and real-time adaptation. The main components of the system include ROS, which manages autonomous navigation, trajectory planning, and interactive visualization in RViz; LIDAR, used to create real-time maps that enhance vehicle precision and adaptability; and Model Predictive Control (MPC) implemented on the STM32 microcontroller, enabling the efficient computation of short and smooth trajectories with low computational cost. The system not only improves technical performance but also has a positive social impact by promoting sustainable automation, reducing occupational risks, and democratizing the adoption of autonomous technologies for small businesses and communities. The design incorporates environmental aspects, such as reduced emissions thanks to optimized trajectories and energy-efficient components, encouraging the use of electric and sustainable fleets. This integrated approach reinforces operational efficiency and sustainability, making the system a key tool for responsible mobility and resource optimization.
hotmail.com
