Silmarils

Descripción

El proyecto Agrobot es una solución innovadora para enfrentar el déficit de 18,000 jornaleros en el sector agrícola de Jalisco, México. Este robot autónomo integra visión artificial avanzada y control de movimiento preciso para optimizar la recolección de frambuesas en invernaderos.

Puedes ver un video demostrativo del proyecto aquí: DESAFÍO JÓVENES RECREA STEAM 2025 #recreasteam SILMARILS (Enlace a YouTube)

El prototipo está diseñado para identificar, ubicar y recolectar frutos maduros utilizando una combinación de tecnologías avanzadas, incluyendo:

• Visión Artificial: Modelos YOLO11 entrenados para detectar frambuesas maduras con precisión.
• Cinemática Inversa: Control preciso de un brazo robótico de 6 grados de libertad para alcanzar las frutas sin dañarlas.
• Navegación Autónoma: Uso de sensores LIDAR y cámaras estereoscópicas para mapeo en 3D y planificación de rutas con ROS 2 (NAV2).
• Optimización de Terreno Irregular: Sistema de tracción todoterreno para adaptarse a las condiciones típicas de los invernaderos.

El objetivo del proyecto es ofrecer una solución accesible y escalable para pequeños y medianos productores, mejorando la calidad y eficiencia en la recolección de berries, y contribuyendo a la modernización del campo mexicano.

Justificación

La agricultura es uno de los pilares económicos más importantes en muchas regiones del mundo, y Jalisco no es la excepción, generando más de 175 millones de pesos anuales, sin embargo, en años recientes, el sector agrícola dedicado a la producción de berries, ha tenido que enfrentar la problemática de la falta de jornaleros. Debido al déficit de recolectores de berries en el estado de Jalisco, estimado en 18,000 y el registrado en todo México de 65,000, según (EL ECONOMISTA), lo que ha generado una disminución en la productividad y la calidad de los frutos cosechados. Esta escasez no solo afecta la economía de la región, sino también a los productores que dependen de una mano de obra constante y calificada para satisfacer la demanda nacional e internacional de berries. Este problema se ha exacerbado con el envejecimiento de la población rural y la migración de jóvenes hacia otros sectores laborales, lo que resalta la urgencia de buscar soluciones tecnológicas que mitiguen esta situación.

El uso de robots en la agricultura ha sido una tendencia creciente en los últimos años, con proyectos enfocados en la recolección automatizada de diferentes tipos de cultivos. Sin embargo, gran parte de estas soluciones tecnológicas se han centrado en mercados más desarrollados, con alta inversión en maquinaria costosa y difícil acceso para los pequeños y medianos productores. En este contexto, el desarrollo de un prototipo funcional de un robot recolector de berries, que utilice materiales y sensores accesibles, ofrece una alternativa innovadora y viable para los invernaderos de Jalisco. Según estudios realizados en otras regiones agrícolas, la automatización de procesos como la recolección ha demostrado aumentar la eficiencia hasta en un 20%, reduciendo costos operativos y minimizando el desperdicio de cultivos (Comisión económica para Latino América y el Caribe).

Nuestro proyecto del robot recolector es relevante por su enfoque en la accesibilidad agro-tecnológica donde sin necesidad de tener mucho recurso económico se puede implementar, proponiendo una solución que pueda adaptarse a las necesidades específicas tales como la optimización de tiempo al momento de la recolección de las berries de la parte inferior de la planta de los invernaderos de la región. Utilizando como punto de referencia otros robots de recolección ya existentes y habiendo observado las necesidades de los productores y como cada aspecto de los robots existentes podrían ayudar a resolver la problemática, el prototipo se diseñará para funcionar específicamente en invernaderos, lo que permitirá un control más preciso sobre las necesidades que queremos resolver y las condiciones de recolección y garantizará la calidad del fruto. Además, se priorizará la asequibilidad del sistema, de modo que los avances logrados puedan extenderse fácilmente a otros tipos de berries y configuraciones de invernadero locales, atendiendo así a las necesidades particulares del sector agrícola mexicano.

El impacto futuro de este proyecto podría ser significativo. No solo contribuirá a paliar el déficit de mano de obra en la recolección de berries, sino que también se unirá al movimiento para la modernización y digitalización del campo en México. Al mejorar la eficiencia y reducir los costos operativos, este robot recolector beneficiará directamente a los productores, permitiéndoles aumentar su rentabilidad y competitividad en el mercado global combinando el trabajo humano con el de nuestro robot que ayudará con las oportunidades de crecimiento que suelen tener los trabajadores físicos. Asimismo, la tecnología generada podrá ser adoptada por otras regiones agrícolas del país, promoviendo que mejoren las condiciones laborales y económicas en el sector agrícola.

Alcance de la investigación

El proyecto tiene como objetivo desarrollar un prototipo de robot capaz de recolectar berries del color adecuado de manera eficiente y cuidadosa, centrándose en la optimización de costos y enfocándose en la escalabilidad de poder hacer este proyecto a un mayor tamaño lo que se vería reflejado en mayor producción en el sector agrícola. Dado el alcance limitado de tiempo y recursos, el prototipo será diseñado para trabajar en un tipo de berries (frambuesas) dentro de un invernadero, lo que permitirá realizar pruebas controladas en un entorno realista.

Los datos que se recopilarán incluyen la velocidad de recolección, la optimización de los movimientos del robot, y el impacto en la calidad de los frutos recogidos basados en las características que se le programaran para elegir el fruto indicado. No se recopilarán datos relacionados con la escalabilidad comercial más allá del entorno de prueba debido a las limitaciones de tiempo y tamaño de muestra.

Se utilizará una metodología basada en pruebas de campo, realizando iteraciones rápidas del prototipo para lograr los resultados más cercanos a los objetivos planteados, en otras palabras, buscaremos corregir en base a la prueba y error tanto de funcionamiento como la utilidad de los datos según nos diga la empresa con la que nos vincularemos. Las pruebas se realizarán en un único invernadero con ajustes continuos según los resultados obtenidos. La restricción monetaria y de recursos limita la posibilidad de pruebas en múltiples ubicaciones o con diferentes tipos de cultivos, dejando la posibilidad que el usuario lo personalice.

El periodo de desarrollo estimado que es de alrededor de 5 meses efectivos que se considerara para la fabricación, prueba y ajuste del prototipo, manteniendo un ciclo de retroalimentación rápida durante las pruebas. El enfoque es viable si se logran eficiencias en el proceso de diseño y ajuste.

Este proyecto busca no solo probar la viabilidad de la recolección automatizada, sino también ofrecer una base para futuros desarrollos en automatización agrícola asequibles. Además, permite el establecimiento de alianzas estratégicas con empresas interesadas en la innovación tecnológica agrícola en sectores de menudeo.

Marco teórico

Berries

1. Definición de berries

También llamadas bayas o frutos del bosque son un grupo de pequeñas frutas comestibles que incluyen bayas, drupas y similares. Son apreciadas por su alto contenido en antioxidantes, vitaminas y fibra, siendo una buena opción para consumo. Las especies más comunes son los arándanos, berberis, madreselvas, prunus, fresas, uvas, grosellas, frambuesas, zarzamoras, moras y macluras. Estas frutas son también utilizadas en la elaboración de mermeladas, jugos, postres y productos de repostería, así como farmacéutica y cosmética dado sus propiedades nutricionales y medicinales. Su cultivo se da en climas templados.

2. Producción de berries en Jalisco

Jalisco es un estado líder en la producción de berries en México, cultivando principalmente frambuesas (Rubus idaeus), zarzamoras (Rubus ulmifolius) y fresas (Fragaria ananassa). En 2017, el área total sembrada de estos cultivos fue de 5,070 hectáreas.

Las frambuesas que tuvieron un significativo aumento en su producción, pasando de 1,512 hectáreas en 2013 a 4,482 hectáreas en 2017, las frambuesas tuvieron un aumento significativo en su producción. En comparación, el área de cultivo fresas disminuyó de 480 hectáreas en 2013 a solo 51 hectáreas en 2017, lo cual muestra un descenso del 841%. Las zarzamoras también experimentaron un ligero crecimiento, pasando de 431 a 536.5 hectáreas, un aumento del 20%. En cuanto a rendimiento económico, la frambuesa alcanzó 19 toneladas por hectárea en los años 2016 y 2017, mientras que la fresa mostró resultados más variables, con 34 toneladas por hectárea en 2013 y bajando a 33 toneladas en 2017. El precio por tonelada de frambuesa fue de aproximadamente $19,147 en 2017, mientras que la fresa alcanzó un precio de $16,560 por tonelada en el mismo año (Ciencias agrícolas, gobierno de México).

Jalisco es el principal productor de frambuesas en todo el país según las estadísticas del gobierno de México y es uno de los mayores exportadores en mercados internacionales, como China, Estados Unidos, Japón y varios países europeos.

Aquí a continuación se puede ver una tabla de la superficie y la producción de las diferentes berries durante el año 2022 recuperada de Chilealimentos, (2023):

3. Frambuesas

La frambuesa o (Rubus idaeus) es un fruto de la familia de los frutos del bosque, esta caracterizado por un color rojo y un sabor dulce con una pizca de ácido. Posee un gran valor nutricional, siendo una excelente fuente de vitaminas C, K, y además de fibra.

Aquí se puede observar una tabla que muestra la producción de frambuesa en diferentes estados de la república recuperada de Agroproductores,(2018):

Automatización en recolección de berries

1. Diseño de robots de apoyo

Un robot de apoyo es un conjunto de circuitos que incluye un controlador, sensores y actuadores que es capaz de actuar solo o únicamente apoyando al trabajador frente a diversas situaciones sobre las que se diseñó. Estos robots utilizan tecnologías de navegación y control, permitiendo operar de manera eficiente en entornos agrícolas.

2. Capacidades de autonomía

Los robots recolectores modernos son capaces de realizar tareas de manera independiente, utilizando sensores y algoritmos que les permiten adaptarse a su entorno. Esto incluye la detección de frutas maduras y la navegación por terrenos irregulares en invernaderos.

Estos robots son capaces de realizar las tareas agrícolas de manera independiente, por el uso de sensores y algoritmos que les permiten adaptarse a su entorno con capacidades como la navegación autónoma por los campos de cultivo, la detección de frutos y la recolección de estos.

3. Baterías y tiempos de operación

La duración de la operación de los robots recolectores depende en gran medida de la capacidad de sus baterías. La investigación en tecnologías de baterías ha permitido desarrollar sistemas que ofrecen tiempos de operación prolongados, reduciendo la necesidad de recargas frecuentes y aumentando la eficiencia operativa, las más comunes siendo de litio-ferrofosfato por su alta resistencia a condiciones adversas como podría ser las de un cultivo.

Inteligencia artificial para reconocimiento y ubicación de berries

1. Inteligencia artificial

Los modelos de inteligencia artificial, o redes neuronales, son algoritmos autoajustables que se optimizan lentamente por un proceso llamado “entrenamiento”, para lograr hacer predicciones correctas con sets de datos que se les proporciones, algunos usos para las inteligencias artificiales son la identificación de objetos, la generación de estructuras con sets de datos anteriores o predicciones a futuro en base de los datos disponibles.

2. Utilización de inteligencia artificial para reconocimiento de objetos

Mediante técnicas de entrenamientos de modelos de inteligencia artificial para el reconocimiento de objetos como podría ser YOLO, se pueden identificar las frutas maduras en función de su forma, tamaño y color, optimizando el proceso de recolección.

3. Utilización de cámaras estereoscópica con la ubicación de objetos

Las cámaras estereoscópicas comprenden de dos cámaras sincronizadas que se utilizan para proporcionar una visión tridimensional a un entorno de forma parecida a la de los ojos animales, lo que permite determinar la ubicación de las berries. Esto mejora la eficacia del proceso de recolección permitiendo que los robots evalúen correctamente las distancias y posiciones de los objetivos en relación con el resto del entorno en el que se encuentren.

Mecánica para la recolección de berries

1. Brazo robótico

Es un componente de varios grados de libertad, normalmente de 4 a 6, capaz de realizar movimientos complejos que normalmente imitan la motricidad de un brazo humano, el brazo puede ser preciso y controlado autónomamente.

2. Recolección de objetos suaves con brazos robóticos

La recolección de objetos suaves como las berries requiere de mecanismos específicos en los brazos robóticos. Como el uso de materiales blandos y adaptativos que sujeten las frutas sin aplastarlas, o dañarlas de cualquier manera, asegurando la integridad del producto.

Mecánica para el empaquetado de berries

1. Empaquetado de berries

El empaquetado es una etapa importante en la recolección de berries, ya que afecta la presentación y conservación del producto. Sistemas de empaquetado automatizados permiten procesar las berries de manera eficiente, minimizando el daño y asegurando su frescura.

2. Sistemas de empaquetado automático

Los sistemas de empaquetado automático son capaces de clasificar y empaquetar las berries recolectadas, optimizando el tiempo de operación y mejorando la logística de distribución. Estos sistemas pueden incluir sensores que evalúan la calidad de los frutos antes de su empaquetado.

Mecánica para el diseño y movimiento del robot recogedor de berries

1. Robot todoterreno

Los robots todoterreno están diseñados para operar en condiciones de terreno adversas, lo cual es esencial en invernaderos donde el suelo suele ser irregular o terregoso, incluso hallándose terrenos de lodo. Estos robots deben contar con un diseño robusto y sistemas de suspensión adecuados para mantener la estabilidad durante la recolección.

2. Terrenos encontrados en invernaderos

Los invernaderos usualmente presentan una variedad de terrenos, desde suelos terregosos, mojados, irregulares o hasta superficies elevadas. El diseño del robot debe permitirle navegar y adaptarse a estas variaciones, garantizando un recorrido eficiente durante el proceso de recolección.

3. Diseño de robots agrarios

El diseño de robots agrarios implica una integración cuidadosa de componentes mecánicos, electrónicos y software, con el objetivo de crear un sistema que funcione de manera autónoma y eficiente en el entorno agrícola. Este diseño debe tener en cuenta factores como la facilidad de mantenimiento, la adaptabilidad y la eficiencia energética.

Estado del arte

La automatización en la agricultura ha avanzado en los últimos años, particularmente en la recolección de frutos delicados. El desarrollo de robots grandes niveles de autonomía ha permitido abordar los desafíos asociados con la falta de mano de obra en sectores agrícolas. A continuación, se resumen los principales avances en esta área.

Robots suaves-rígidos

Uno de los desarrollos más recientes en la recolección de berries es el uso de brazos robóticos híbridos que combinan componentes suaves y rígidos. Este enfoque es esencial para operar en entornos desordenados, donde se requiere una gran destreza para manipular frutas delicadas como las frambuesas. El diseño del robot SoftAgbot, presentado por la universidad de Illinois, (2020), integra un brazo suave con un brazo rígido, lo que permite alcanzar y manipular objetos a largas distancias sin comprometer la precisión o la fuerza de agarre.

El brazo suave es capaz de navegar entre ramas y otros obstáculos para llegar a las frutas en el interior de los arbustos, lo que no sería posible con brazos robóticos convencionales. Este tipo de robots no solo utilizan sensores ópticos para detectar las frutas, sino que también emplean técnicas de aprendizaje por refuerzo para controlar la posición del brazo y mejorar la precisión del agarre. Se ha demostrado que este enfoque permite a los robots recolectar berries de manera más eficiente, incluso en escenarios complicados donde las frutas están rodeadas por hojas y ramas​.

Robots a base de control inteligente

Otro enfoque interesante es el desarrollado por Agrobot, una empresa producción agrícola española, quienes aplican una metodología basada sistemas de control inteligente para robots móviles en la recolección de berries en condiciones climáticas inciertas​.

Este sistema permite a los robots tomar decisiones óptimas sobre el tipo y tamaño de frutas a recolectar según la predicción del clima, optimizando así el beneficio económico de los productores. Por ejemplo, si se predice lluvia, el robot puede priorizar la recolección de las berries más grandes, que tienen mayor valor en el mercado, antes de que la lluvia las dañe. Este enfoque basado en la incertidumbre cualitativa asegura que los robots maximicen la rentabilidad del cultivo, adaptándose a diferentes condiciones ambientales.

El sistema desarrollado en Agrobot y su equipo también destaca por su capacidad para operar en entornos con información incompleta, utilizando una serie de matrices de utilidad que permiten al robot evaluar la mejor opción de recolección dependiendo de las condiciones del campo y del clima. Este enfoque es especialmente útil en regiones donde las condiciones climáticas son variables y pueden afectar significativamente la calidad y cantidad de las berries recolectadas.

Sensores y sistemas de agarre

Un aspecto clave en la recolección de frutas delicadas es el diseño de los sistemas de agarre. En el caso del SoftAgbot, se desarrollaron pinzas modulares neumáticas diseñadas específicamente para agarrar frutas sin dañarlas. Estas pinzas están equipadas con sensores de reflectancia infrarroja (IR) que permiten predecir el éxito de un agarre antes de que se cierre completamente, reduciendo el riesgo de dañar las frutas.

Desafíos y oportunidades futuras

Aunque los robots recolectores han mostrado grandes avances, aún enfrentan desafíos, como la integración de sensores más precisos y la mejora de los algoritmos de control. Los sistemas actuales dependen en gran medida de la intervención humana para controlar ciertos aspectos del proceso de recolección, lo que limita la autonomía total del robot. Kumar et al. sugieren que futuras investigaciones deberían enfocarse en mejorar los sistemas de percepción y control para permitir una recolección completamente autónoma, adaptada a entornos desordenados y dinámicos​.

Hipótesis

El diseño y desarrollo de un prototipo de robot recolector de frambuesas, optimizado para las condiciones específicas de los invernaderos en Jalisco, tiene el potencial de incrementar significativamente la eficiencia en las tareas de recolección, reducir los costos de producción, apoyar al cuidado físico de los trabajadores y abordar la problemática de la escasez de mano de obra en el sector agrícola. Esto contribuirá al fortalecimiento de la sostenibilidad y competitividad de la producción de berries en la región donde se implemente.

La integración de sensores de visión artificial y algoritmos de aprendizaje automático permitirá al robot identificar y seleccionar frambuesas maduras con un nivel de precisión igual o superior al de los recolectores humanos. Asimismo, la incorporación de un sistema de navegación autónomo garantizará una movilidad eficiente del robot dentro del invernadero, evitando distracciones y optimizando las rutas de recolección y con el diseño modular del prototipo facilitará su adaptación a diferentes tipos de berries y configuraciones de invernaderos, incrementando su flexibilidad y escalabilidad para que finalmente, la automatización de la recolección y la consecuente mejora en la eficiencia operativa contribuirán a la reducción de costos de producción, aumentando así la rentabilidad para los productores agrícolas.

Variables

Variables independientes:

• Tamaño del robot: Dimensiones y medidas del robot para asegurar que pueda moverse con facilidad entre los surcos del invernadero.
• Capacidad de carga: Peso máximo que puede transportar el robot.
• Velocidad de desplazamiento entre surcos: Velocidad con la que las ruedas del robot giran en el invernadero para optimizar tiempo y así asegurar la eficiencia de cosecha de nuestro proyecto.
• Tipo de sensores: Selección de sensores (temperatura, humedad, proximidad, entre otros) para cumplir con las necesidades del invernadero.
• Fuente de energía: Uso de baterías recargables o paneles solares para alimentar el robot.

Variables dependientes

• Eficiencia de recolección: Cantidad de frambuesas que puede recolectar en un periodo de tiempo.
• Precisión en la movilidad: Capacidad del robot para moverse sin dañar plantas o frutos.
• Impacto en la productividad: Incremento en la cantidad y calidad de frambuesas recolectadas gracias al uso del robot.

Variables controladas

• Diseño del cultivo: Posición y altura de las plantas.
• Rutina de operación: Horario y duración de las pruebas.

Variables externas

• Clima externo: Cambios de temperatura y humedad fuera del invernadero que puedan influir indirectamente en las condiciones internas.
• Disponibilidad de recursos: Acceso a materiales, componentes electrónicos y energía para el desarrollo y operación del robot.
• Aceptación del mercado: Disposición de los productores de frambuesas a adoptar esta tecnología.

Objetivos

General

Desarrollar e implementar un prototipo funcional de robot recolector de frambuesas que, mediante el uso de un brazo robótico y sistemas de reconocimiento por inteligencia artificial, recoja frutos de manera eficiente y robusta en invernaderos de Jalisco. El prototipo garantizará la calidad de los frutos recogidos, optimizando la recolección en respuesta al déficit de 18,000 jornaleros en la región y de las mejorables condiciones laborales, asegurando un recorrido rápido, seguro y completo del terreno para maximizar la eficiencia de la recolección.

Específicos

• Construir un prototipo asequible para empresas locales para minimizar el déficit de jornaleros recogedores de berries en el estado de Jalisco y mejorar la calidad de las condiciones laborales de los trabajadores actuales.
• Optimizar el movimiento del robot para que se adapte a los terrenos irregulares encontrados en invernaderos locales.
• Diseñar un sistema de recolección de frutos preciso y cuidadoso para garantizar la calidad de los frutos recolectados.

Descripción metodológica y materiales

Metodología

Metodología propuesta

Se hizo una lluvia de ideas para proponer un prototipo funcional, se llegó al diseño actual, el de un coche motorizado autónomo, que utiliza un sensor LIDAR para poder ubicarse en el entorno, este coche posee un elevador de tijera para moverse en el eje Y y un brazo articulado para mover en los otros ejes de manera precisa, este braco termina en una garra diseñada para objetos suaves.

El prototipo contará con módulos de cámara equipados con un modelo de inteligencia artificial basado en YOLO11. Este modelo, entrenado con imágenes etiquetadas de frambuesas en diferentes estados (maduras e inmaduras), identificará y localizará los frutos en el entorno, lo que permitirá determinar con precisión la posición de cada fruto en su entorno.

Para fabricarlo se utilizará primariamente la impresión 3D, con el cual se imprimió el chasis de 30x40cm, el brazo articulado y el mecanismo de elevador de tijera, una vez construidos se ensamblaron en un solo robot.

Mientras tanto se entrenará el modelo de inteligencia artificial utilizando un set de fotos anotadas de frambuesas en diferentes estados (maduras, flores, inmaduras), una vez terminado el proceso se aplicará junto con un algoritmo de profundidad usando cámaras duales para poder determinar la posición del fruto.

Esta posición se insertará en el algoritmo de cinemática inversa del brazo articulado, lo que le permitirá moverse hasta la posición deseada, donde agarrará el fruto y lo dejará en la canasta que carga.

Una vez termine con una planta utilizara mapeo ROS con NAV2 para ubicar la siguiente planta a la que tiene que ir y dar una ruta eficiente, siguiéndola, una vez llegue a la próxima planta seguirá el proceso así hasta que llene su máxima capacidad, en cuyo caso regresara a dejarlas en una base fija y volverá a seguir recolectando.

Bitácora metodológica

• 13 de septiembre 2024 – Se definió la antepropuesta del proyecto, se analizaron los posibles frutos para el desarrollo del robot, y se eligió a la frambuesa como la principal candidata.
• 07 de octubre de 2024 – Se definieron los objetivos, la justificación y alcance de proyecto, se mandaron invitaciones a invernaderos para colaborar, y se empezó a definir el diseño físico del robot.
• 09 de octubre de 2024 – Se preparo el set de datos para el entrenamiento de la inteligencia artificial, este consistiendo en 140 fotos anotadas de frambuesas en diferentes posiciones y orientaciones.
• 11 de octubre de 2024 – Se inicio el desarrollo de la inteligencia artificial para la detección y localización de las berries utilizando la herramienta en línea Roboflow.
• 15 de octubre de 2024 – Se termino el periodo de entrenamiento de la inteligencia artificial de reconocimiento de imagen, logrando un 93% de éxito en identificaciones y localizaciones de berries.
• 18 de octubre de 2024 – Se descardo el uso de RoboFlow, por lo que se entrenó un modelo de IA Yolo11n utilizando OpenCV y Pytorch en VisualStudio Code con el set de fotos ya anotadas por Strautiņa, S y su equipo de investigación.
• 21 de octubre de 2024 – Se definieron las proporciones del robot y se empezaron a desarrollar los bocetos iniciales y presupuestos.
• 10 de noviembre de 2024 – Se imprimió un brazo robótico con rango de 50cm y se realizaron pruebas para diseñar el sistema de agarre de frambuesas.
• 16 de noviembre de 2024 – Se creo un algoritmo de mapeo usando ROS y NAV2 en Python para su uso junto con un sensor LIDAR.
• 3 de diciembre de 2024 - Se realizó una visita a invernaderos de Driscolls para observar las condiciones de la implementación y entrevistar jornaleros para revisar mejoras necesarias.
• 16 de diciembre de 2024 - Se realizo el código de cinemática inversa para el brazo y se realizaron pruebas de agarre de objetos con cubos rojos que simularan el tamaño de una frambuesa.
• 5 de enero de 2025 - Se hizo el diseño del chasis y se imprimió utilizando PETG para garantizar resistencia mecánica en terrenos difíciles.
• 15 de enero de 2025 - Se ensamblo el brazo encima del chasis móvil, instalando todas las piezas del prototipo.
• 16 de enero de 2025 - Se inicio el aprendizaje sobre ROS2, instalando Humble e haciendo pruebas iniciales a la instalación.
• 20 de enero de 2025 - Se realizo una prueba de campo para revisar que el brazo fuera capaz de agarrar frutos y ver el funcionamiento correcto de las llantas en el terreno.
• 30 de enero de 2025 - Se termino la primera versión del driver de los motores para poder realizar movimientos básicos a control remoto.
• 15 de febrero de 2025 - Se modifico un código de comunicación serial entre el Raspberry Pi 4 y el Arduino UNO para eficientar el movimiento del robot.
• 28 de febrero de 2025 - Se implemento el código del lidar al paquete de ROS, logrando visualizar el terreno circundante al prototipo.
• 10 de marzo de 2025 - Se realizaron primeras pruebas de movimiento a control remoto mientras se visualizaba el terreno, ajustando parámetros para la detección correcta de las plantas.
• 12 de marzo de 2025 - Se intento utilizar NAV2 por primera vez, resultando en un fracaso, se arregló el código hasta que el nodo cargo correctamente.
• 15 de marzo de 2025 - Se realizaron primeras pruebas de movimiento autónomo en un circuito de madera para observar el comportamiento del prototipo.
• 23 de marzo de 2025 - Se realizo un mapa en archivo .pgm del planteamiento de Driscolls en el que nos dieron autorización de probar e implementar el prototipo, esto se realizó para probar el movimiento autónomo.
• 30 de marzo de 2025 - Se probo el movimiento autónomo con el mapa precargado en el campo, con el prototipo siendo capaz de llegar a las plantas de una en una y de recoger los frutos con un 86% de efectividad.
• 6 de abril de 2025 - Se empezó a desarrollar un algoritmo para precargar la ruta completa al robot para facilitar la operación del prototipo, logrando que con un comando haga toda la ruta cuando antes se requería un comando por cada planta que se recolectara.
• 15 de abril de 2025 - Se termino el algoritmo de ruta precargada y se probó en campo, logrando hacer el 90% del recorrido sin asistencia del personal, al que se le enseño el modo de operación y lo probo para recolectar las plantas bajas que les resultaba incomodo recolectar.
• 23 de abril de 2025 - Se presento una versión del brazo, está montada sobre una cinta transportadora para empaquetar las berries para la competencia RETO MAKER de Zapopan, esto fue una prueba para comprender si el implementarse en otras etapas de la recolecta de estas, se logró un 3° lugar, y al tener platicas tanto con los jueces como con los jornaleros y encargados de los invernaderos, nos confirmaron que se podría implementar en un futuro tras perfeccionar el sistema de recolecta autónomo.
• 30 de abril de 2025 - Se realizo una última prueba de campo con ajustes mínimos, con llantas más robustas, aumentando la autonomía de dos horas hasta cuatro horas de uso ininterrumpido con uso de baterías LiPo, y ajustando los movimientos para llegar a un 93% de efectividad para recolectar los frutos, se entrevistó a los jornaleros que nos compartieron su experiencia con el desarrollo del proyecto, y nos expresaron que esperaban que lo siguiéramos mejorando para que su labor fuera menos ardua y más efectiva.
• 3 de mayo de 2025 - Se reviso el estado del proyecto, se grabó el video, se terminó el sitio web y se continuo el trabajo en el portafolio.
• 8 de mayo de 2025 - Se termino el portafolio y se actualizaron los repositorios de Github
• 11 de mayo de 2025 - Se hicieron ajustes finales, se subieron las actualizaciones al Github que faltaban y se subieron las evidencias finales.

Tabla de materiales

Beneficiarios del proyecto

El proyecto Agrobot tiene como objetivo principal mejorar las condiciones laborales y económicas de los jornaleros agrícolas en el estado de Jalisco, México, específicamente en el sector de recolección de frambuesas. Actualmente, esta industria enfrenta un déficit significativo de mano de obra, estimado en 18,000 jornaleros, lo que ha impactado negativamente la producción, calidad y competitividad de las berries en el mercado global. Este problema se ha visto agravado por factores como el envejecimiento de la población rural y la migración de jóvenes a otros sectores laborales.

Con la introducción del robot recolector autónomo, se espera reducir significativamente las cargas físicas y los riesgos laborales asociados con la recolección manual, como el trabajo repetitivo, las largas jornadas y las posturas incómodas que pueden provocar lesiones a largo plazo. Esto permitirá que los jornaleros puedan concentrarse en tareas más especializadas y menos demandantes físicamente, promoviendo una mejora en su calidad de vida y en las condiciones de trabajo en general.

Además, el uso de tecnología robótica en invernaderos ofrece la posibilidad de extender las temporadas de cosecha y optimizar los tiempos de recolección, incrementando la productividad de los cultivos sin depender exclusivamente de la disponibilidad de mano de obra temporal. Esto no solo mejora las condiciones laborales, sino que también incrementa la rentabilidad para los productores al reducir los costos operativos y minimizar las pérdidas por frutos no recolectados a tiempo.

El proyecto también beneficia a los pequeños y medianos productores que suelen enfrentar mayores dificultades para encontrar y retener trabajadores capacitados, permitiéndoles competir de manera más equitativa en mercados nacionales e internacionales. Al utilizar tecnologías accesibles y escalables, Agrobot facilita la adopción de soluciones innovadoras sin requerir grandes inversiones iniciales, haciendo que los avances tecnológicos en la agricultura sean más inclusivos y sostenibles.

Localización geográfica de la implementación del proyecto

El estado de Jalisco es uno de los principales productores de frambuesas en México, con una amplia red de invernaderos distribuidos principalmente en las regiones de Los Altos, Ciénega, y Valles. Estas áreas son ideales para la implementación del prototipo Agrobot, dado que concentran una alta proporción de pequeñas y medianas plantaciones que enfrentan desafíos significativos en términos de escasez de mano de obra y eficiencia en la recolección.

En los municipios de Zapotlán el Grande, Tuxpan, San Gabriel, y Sayula, los productores de frambuesas a pequeña escala se benefician directamente de la tecnología que ofrece Agrobot, dado que estos cultivos requieren de una gestión cuidadosa para maximizar el rendimiento sin comprometer la calidad del fruto. Estos productores, a menudo limitados por los altos costos laborales y la fluctuación de disponibilidad de trabajadores, podrían mejorar significativamente su rentabilidad y competitividad al adoptar este tipo de tecnología.

Además, la implementación inicial en Jalisco ofrece una ventaja estratégica, ya que el estado es un líder en la producción agrícola en México, con acceso a redes de distribución nacionales e internacionales bien establecidas. Esto facilita el escalado del proyecto a otras regiones del país y eventualmente a mercados globales, promoviendo una agricultura más moderna, eficiente y competitiva.

Finalmente, el uso de tecnología avanzada como la navegación autónoma, visión por computadora y sistemas de control inteligentes en estas áreas también puede servir como modelo para otros estados productores de berries, promoviendo un enfoque más tecnológico y sostenible en toda la industria agrícola mexicana.

Referencias

• Articulated Robotics. (2022-2024). Building a Mobile Robot [Lista de reproducción]. YouTube. Ver en YouTube
• Azimi, S., Abidin, M. S. Z., Emmanuel, A. A., & Hasan, H. S. (2020). Robotics and Automation in Agriculture: Present and Future Applications. ResearchGate
• Balasundram, N., Sundram, K., & Samman, S. (2006). Phenolic compounds in plants and agri-industrial by-products: Antioxidant activity, occurrence, and potential uses. Food Chemistry, 99(1), 191-203. DOI
• Berries/México: producción de Jalisco sobre 161 mil toneladas en 2022. (2023). Chilealimentos.com. Recuperado el 29 de octubre de 2024, de Chilealimentos
• Frambuesa en México -. (2018, octubre 27). Agroproductores.com; agroproductores. Agroproductores
• Giuffrè, A. M., Louadj, L., Rizzo, P., Poiana, M., & Sicari, V. (2019). Packaging and storage condition affect the physicochemical properties of red raspberries (Rubus idaeus L., cv. Erika). Food Control, 97, 105–113. DOI
• Información Agroalimentaria y Pesquera, S. (2024). Producción Agrícola. gob.mx. Recuperado el 5 de octubre de 2024, de gob.mx
• Jalisco. (2020). Gobierno del Estado de Jalisco. Gob.mx. Recuperado el 5 de octubre de 2024, de jalisco.gob.mx
• Portugal, D., Cabrita, G., Gouveia, B. D., Santos, D. C., & Prado, J. A. (2015). RETRACTED: An autonomous all terrain robotic system for field demining missions. Robotics and Autonomous Systems, 70, 126–144. DOI
• Romo, P. (2023). Producción de berries enfrenta déficit de 65,000 jornaleros. El Economista. El Economista
• Strautiņa, S., Kalniņa, I., Kaufmane, E., Sudars, K., Namatēvs, I., Ņikuļins, A., Judvaitis, J., & Balašs, R. (2022). RaspberrySet: Dataset of annotated raspberry images for object detection. Zenodo. DOI Zenodo
• Uppalapati, N. K., Walt, B., Havens, A., Mahdian, A., Chowdhary, G., & Krishnan, G. (2020). A Berry Picking Robot With A Hybrid Soft-Rigid Arm: Design and Task Space Control. Robotics: Science and Systems 2020 Corvalis. DOI RSS
• Wang, T., Chen, B., Zhang, Z., Li, H., & Zhang, M. (2022). Applications of machine vision in agricultural robot navigation: A review. Computers and Electronics in Agriculture, 198(107085), 107085. DOI