TFM: Integración de LLMs en Sistemas de Navegación Autónoma de Robocar¶
Trabajo Fin de Máster — Máster en Inteligencia Artificial, Universidad Internacional de La Rioja
Autor: Rubén Higuera Castillo
Director: Óscar Sánchez Rueda
Fecha: Abril 2026
Estado: En desarrollo 🚧
📄 Memoria original (PDF)
Introducción¶
Este TFM amplía la evolución de Robocar iniciada en el TFG 1 y continuada en el TFG 2. Mientras que el trabajo anterior permitió al robot seguir carriles de forma reactiva mediante visión artificial, el sistema seguía teniendo una limitación estructural: carece de consciencia espacial global, no puede planificar rutas hacia destinos semánticos y requiere conocimientos de ROS2 para interactuar con él.
La propuesta de este TFM transforma Robocar en una plataforma de navegación autónoma orientada a objetivos, capaz de recibir instrucciones en lenguaje natural y convertirlas en acciones de navegación sobre un mapa del entorno.
Arquitectura propuesta¶
La solución se articula en tres capas software claramente desacopladas:
| Capa | Tecnologías | Función principal |
|---|---|---|
| Percepción | Cartographer + RPLidar C1 | Construcción del mapa 2D, localización del robot y representación espacial del entorno |
| Navegación | Nav2 | Planificación de rutas, seguimiento de trayectorias y evitación de obstáculos |
| Interfaz natural | LLM + MCP | Traducción de instrucciones en lenguaje natural a acciones robóticas seguras y observables |
Este enfoque permite pasar de un comportamiento puramente reactivo a un sistema capaz de responder a órdenes del tipo "ve al laboratorio", "detén la navegación" o "qué lugares conoces" sin exponer al usuario final a la complejidad interna de ROS2.
Objetivos¶
Objetivo general: diseñar e implementar una arquitectura software que integre SLAM, planificación de rutas y LLMs para habilitar navegación autónoma orientada a objetivos en interiores mediante comandos en lenguaje natural.
Objetivos específicos¶
| Objetivo | Descripción | Criterio de validación |
|---|---|---|
| OE1 | Implementar SLAM 2D con Cartographer y RPLidar C1, incorporando un mapa semántico persistente | Error de localización < 10 cm y al menos 3 lugares etiquetados en SQLite |
| OE2 | Integrar la pila Nav2 para navegación punto a punto entre ubicaciones conocidas | Tasa de éxito > 90% entre waypoints semánticos |
| OE3 | Desarrollar un MCP Server en Python/FastMCP conectado con ROS2 | Herramientas operativas: navigate_to(), get_current_location(), list_known_places(), stop_navigation() |
| OE4 | Validar el pipeline completo desde lenguaje natural hasta ejecución robótica | Tasa de interpretación correcta > 85% en una batería con órdenes simples, secuencias compuestas y casos de error |
Metodología¶
Se adopta una metodología incremental en espiral, dividida en cinco fases secuenciales con hitos de validación explícitos. Cada fase produce un entregable funcional antes de avanzar a la siguiente, reduciendo el riesgo de integración tardía entre percepción, navegación y capa conversacional.
| Fase | Duración estimada | Alcance | Puerta de validación |
|---|---|---|---|
| Fase 1: SLAM y mapa semántico | 3-4 semanas | Integración del RPLidar C1, SLAM con Cartographer y base de datos de lugares | Mapa 2D estable, localización reproducible y lugares persistidos |
| Fase 2: Navegación con Nav2 | 3-4 semanas | Configuración de Nav2, resolución semántica de destinos y navegación punto a punto | Navegación autónoma fiable entre ubicaciones conocidas |
| Fase 3: MCP Server | 2-3 semanas | Implementación del servidor FastMCP y de las 4 herramientas de control | Herramientas accesibles y conectadas con rclpy |
| Fase 4: Integración con LLM | 2-3 semanas | Conexión con Claude API, prompt de sistema y host conversacional | Ejecución correcta de órdenes simples y compuestas |
| Fase 5: Pruebas y evaluación | 2-3 semanas | Batería de ensayos extremo a extremo con órdenes simples, secuencias compuestas y casos de error, toma de métricas y cierre documental | Resultados medidos frente a los objetivos OE1-OE4 |
Métricas de éxito¶
| Métrica | Objetivo | Umbral |
|---|---|---|
| Error de localización (OE1) | RMSE posición AMCL vs real | < 10 cm |
| Tasa de éxito navegación (OE2) | % navegaciones exitosas (≥20 ensayos) | > 90% |
| Tasa interpretación correcta (OE4) | % comandos NL → herramientas correctas (≥20 comandos) | > 85% |
| Latencia de respuesta (OE3-OE4) | Tiempo comando → inicio movimiento (10 ensayos) | Mediana < 5 s |
Documentación técnica¶
| Documento | Contenido |
|---|---|
| Capa de percepción: SLAM | SLAM con Cartographer y RPLidar C1 |
| Capa de navegación: Nav2 | Planificación y navegación goal-directed |
| Capa de interfaz: LLM + MCP | Interfaz de lenguaje natural con Model Context Protocol |
Relación con trabajos anteriores¶
- TFG 1: Diseño y Construcción de Robocar — Construcción del robot, electrónica, sensores y arquitectura base
- TFG 2: Seguimiento de Carril — Percepción visual, seguimiento reactivo de carril y control PID
Estado actual¶
En desarrollo — Entrega 1 completada (capítulos 1-3); implementación en curso.
📊 Estado vivo de tareas e hitos: roadmap.iawiki.app · Plan técnico: Roadmap de implementación
La primera entrega define el problema, justifica la transición desde navegación reactiva a navegación orientada a objetivos y establece la arquitectura técnica sobre la que se implementará la integración entre SLAM, Nav2 y LLMs.