Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad

Avances en robots autónomos: detección, navegación y aprendizaje profundo, Guías, Proyectos, Investigaciones de Gestión de Proyectos

Investigaciones recientes en el campo de los robots autónomos, con enfoque en la detección de objetos, la navegación y el aprendizaje profundo. Se abordan temas como la detección de contornos, la exploración de espacios interiores, la generación de rutas y la detección adaptativa de objetos pequeños. Se incluyen referencias a artículos y estudios relacionados.

Qué aprenderás

  • ¿Cómo se detectan y segmentan los obstáculos en la captura de imágenes para definir posibles caminos a seguir?
  • ¿Cómo funciona la detección adaptativa de objetivos pequeños basada en mínimos cuadrados y el sistema visual humano?
  • Cómo se utiliza el aprendizaje profundo en la exploración de un robot móvil en espacios interiores?

Tipo: Guías, Proyectos, Investigaciones

2020/2021

Subido el 27/07/2021

ricardo-casallas
ricardo-casallas 🇨🇴

6 documentos

1 / 3

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
Abstract—In this document you will find a theoretical
framework that was used to support a state of the art in the
elective signature of professional emphasis II in project
management, regarding a mobile robot to take the challenge
called the Indiana Challenge.
Index Terms— controller, mobility, performance, pid, robot.
I. ESTADO DEL ARTE
Realizamos una investigación de artículos y puntos de
información a nivel mundial con respecto a nuestro Proyecto
con el fin de apoyarnos en fuentes de información verificadas.
En esta aplicación se encuentra como se equipó un robot
con una programación permitiendo a este una navegación
autónoma que no solo puede ejecutar una acción de un punto
A a un punto B, también una evitación de obstáculos los
cuales pueden estar en movimiento o no. Todo esto para que
tenga un buen desempeño en el medio sin ser piloteado. Aquí
aplicaron inteligencia artificial con un agente ya previamente
entrenado con comportamientos recurrentes en el medio que
se va a utilizar. [1]
Este capítulo se presenta una descripción general de la
detección y reconocimiento de señales. Describe las
características de las señales de señales o similares que se
pueden analizar en diferentes ambientes según las necesidades
de cualquiera y los requisitos y dificultades al tratar con estas.
La detección y reconocimiento de signos en imágenes al aire
libre. También se cubren las diferentes técnicas invocadas para
segmentar las señales de las diferentes escenas de tráfico y las
técnicas empleadas para el reconocimiento y clasificación de
las señales de tráfico y otras que se puedan asemejar en
diferentes ámbitos. Señala muchos problemas con respecto a
la estabilidad de la información de color recibida, variaciones
de estos y problemas similares que podrían surgir al detectar
objetos en un ambiente. [2]
La importancia de la inclusión de (IoT) para el monitoreo
de los diferentes sistemas teniendo presente la supervisión y
adquisición de datos se utiliza un sistema Scada para
implementar un proceso o la ejecución de una acción
específica, se evidencia que, aunque hay sistemas que operan
de forma independiente gracias a la ejecución de la integración
del sistema Scada siguiendo lineamientos de comunicación se
convierte en un dispositivo integrado donde cada parte
participa en su funcionamiento. Se nota bastante trabajo en la
comunicación maquina - maquina (M2M) haciendo más
efectiva la interacción persona maquina (P2M). Con esta
tecnología SCADA la cual revoluciona los procesos en la
automatización de tareas se evidencia un mejoramiento
considerable de rendimiento por su implementación. [3]
En este artículo explican el aprendizaje profundo en dos
procesos que buscan mejorar la exploración de un robot móvil
en espacios interiores Muestran como el Deep Learning es
usado como una técnica de aprendizaje automático que busca
definir redes neuronales basadas en el reconocimiento de
patrones en los datos de entrada y lograr resultados con un alto
nivel de confianza y de manera eficiente en el tiempo.. El
primer proceso permite el reconocimiento de estructuras
físicas como escaleras, ascensores y corredores a partir de las
imágenes que se obtienen de una cámara instalada en el robot.
El segundo proceso permite identificar la situación de
proximidad a los obstáculos a partir de la información de un
sensor láser para decidir la dirección y la velocidad del robot
para navegar en un espacio interior. [4]
Aquí los autores describen el desarrollo de un sistema de
generación de rutas para el movimiento de un móvil robótico
con mando a distancia, a través de técnicas de visión artificial
y sistemas de decisión difusos. Usando un sensor Kinect, el
sistema captura el área de movimiento del móvil y utilizando
técnicas de procesamiento de imágenes, los obstáculos se
segmentan y se implementa un algoritmo de agrupamiento
difuso para definir los posibles caminos a seguir en función de
Ricardo Casallas – Luis Daniel Rincon – Eddy Santiago Casallas
Gestión de proyectos electiva profesional II
Tarea 7 - Estado Del Arte
pf3

Vista previa parcial del texto

¡Descarga Avances en robots autónomos: detección, navegación y aprendizaje profundo y más Guías, Proyectos, Investigaciones en PDF de Gestión de Proyectos solo en Docsity!

Abstract—In this document you will find a theoretical framework that was used to support a state of the art in the elective signature of professional emphasis II in project management, regarding a mobile robot to take the challenge called the Indiana Challenge. Index Terms— controller, mobility, performance, pid, robot. I. ESTADO DEL ARTE Realizamos una investigación de artículos y puntos de información a nivel mundial con respecto a nuestro Proyecto con el fin de apoyarnos en fuentes de información verificadas. En esta aplicación se encuentra como se equipó un robot con una programación permitiendo a este una navegación autónoma que no solo puede ejecutar una acción de un punto A a un punto B, también una evitación de obstáculos los cuales pueden estar en movimiento o no. Todo esto para que tenga un buen desempeño en el medio sin ser piloteado. Aquí aplicaron inteligencia artificial con un agente ya previamente entrenado con comportamientos recurrentes en el medio que se va a utilizar. [1] Este capítulo se presenta una descripción general de la detección y reconocimiento de señales. Describe las características de las señales de señales o similares que se pueden analizar en diferentes ambientes según las necesidades de cualquiera y los requisitos y dificultades al tratar con estas. La detección y reconocimiento de signos en imágenes al aire libre. También se cubren las diferentes técnicas invocadas para segmentar las señales de las diferentes escenas de tráfico y las técnicas empleadas para el reconocimiento y clasificación de las señales de tráfico y otras que se puedan asemejar en diferentes ámbitos. Señala muchos problemas con respecto a la estabilidad de la información de color recibida, variaciones de estos y problemas similares que podrían surgir al detectar objetos en un ambiente. [2] La importancia de la inclusión de (IoT) para el monitoreo de los diferentes sistemas teniendo presente la supervisión y adquisición de datos se utiliza un sistema Scada para implementar un proceso o la ejecución de una acción específica, se evidencia que, aunque hay sistemas que operan de forma independiente gracias a la ejecución de la integración del sistema Scada siguiendo lineamientos de comunicación se convierte en un dispositivo integrado donde cada parte participa en su funcionamiento. Se nota bastante trabajo en la comunicación maquina - maquina (M2M) haciendo más efectiva la interacción persona maquina (P2M). Con esta tecnología SCADA la cual revoluciona los procesos en la automatización de tareas se evidencia un mejoramiento considerable de rendimiento por su implementación. [3] En este artículo explican el aprendizaje profundo en dos procesos que buscan mejorar la exploración de un robot móvil en espacios interiores Muestran como el Deep Learning es usado como una técnica de aprendizaje automático que busca definir redes neuronales basadas en el reconocimiento de patrones en los datos de entrada y lograr resultados con un alto nivel de confianza y de manera eficiente en el tiempo.. El primer proceso permite el reconocimiento de estructuras físicas como escaleras, ascensores y corredores a partir de las imágenes que se obtienen de una cámara instalada en el robot. El segundo proceso permite identificar la situación de proximidad a los obstáculos a partir de la información de un sensor láser para decidir la dirección y la velocidad del robot para navegar en un espacio interior. [4] Aquí los autores describen el desarrollo de un sistema de generación de rutas para el movimiento de un móvil robótico con mando a distancia, a través de técnicas de visión artificial y sistemas de decisión difusos. Usando un sensor Kinect, el sistema captura el área de movimiento del móvil y utilizando técnicas de procesamiento de imágenes, los obstáculos se segmentan y se implementa un algoritmo de agrupamiento difuso para definir los posibles caminos a seguir en función de

Ricardo Casallas – Luis Daniel Rincon – Eddy Santiago Casallas

Gestión de proyectos electiva profesional II

Tarea 7 - Estado Del Arte

la altura y la capacidad del móvil para superar el obstáculo. Los sistemas robóticos autónomos cada día incorporan nuevos algoritmos de inteligencia artificial, nuevos dispositivos de hardware y su vez se involucran en nuevos campos de aplicación. Es así como se encuentran desempeñando diferentes tareas en campos [5] La detección de objetivos pequeños siempre ha sido un tema de investigación interesante en el campo del procesamiento de imágenes. Dado que factores como la distancia de detección, el ruido, entre otros puede afectar en gran punto, el tamaño del objetivo en la imagen es tan pequeño como un punto, y el desorden de reflexión de las nubes puede cubrir fácilmente el objetivo, lo que resulta en un impacto significativo en la detección del objetivo. En este artículo se propone la detección adaptativa de objetivos pequeños basada en mínimos cuadrados y el sistema visual humano. Primero, el coeficiente ponderado para cada cuadro y la imagen residual mínima se calculan mediante el algoritmo de mínimos cuadrados. Luego se pondera un valor de contraste a la imagen residual de acuerdo con el principio del sistema visual humano extenso. Los resultados de la evaluación experimental muestran que, el método propuesto tiene una mejor adaptabilidad, cuando las imágenes secuenciales con desorden pesado están influenciadas por la falta de coincidencia o la luz dispersa del sol. [6] En este segmento explican cómo introdujeron un algoritmo para la detección de contornos que incluye la identificación de esquinas y uniones en T. El modelo que propusieron está inspirado en las primeras etapas del sistema visual de mamíferos. Esta estrategia incorpora la detección de esquinas y uniones en T como parte del proceso que interactúa con la detección de contornos. La detección de contornos en imágenes digitales es una tarea fundamental en la visión por computadora y proporciona una herramienta importante para muchas tareas complejas como la segmentación, identificación, recuperación de profundidad, etc. La detección de contornos ha sido un área de investigación intensiva. Los puntos de borde generalmente están asociados con grandes valores de gradiente o respuestas a filtros orientados. [7] Los autores dan un método de detección de visual y sus aplicaciones. El método propuesto no requiere tener un conocimiento previo de ningún paso de pre procesamiento. Los descriptores visuales locales que miden la semejanza de un píxel con su entorno se calculan a partir de una imagen de entrada. La auto semejanza medida entre las características locales da como resultado un mapa escalar donde cada píxel indica la probabilidad estadística de salida. Se ilustran resultados experimentales prometedores para tres aplicaciones principalmente: detección automática de objetivos, detección de límites y evaluación de calidad de imagen. El objetivo de los sistemas de visión artificial es predecir e imitar el sistema visual humano. Por esta razón, la detección de prominencia visual ha sido de gran interés para la investigación. [8] Los robots en el campo de la educación y las técnicas de visión por computadora se pueden usar de manera efectiva tanto con varios fines prácticos. Probaron esto implementando técnicas de visión por computadora para un robot de entretenimiento educativo con un lenguaje de programación visual. Como los resultados de los programas pueden expresarse como comportamientos de los robots, los robots pueden hacer que la programación sea más interesante. [9] Este documento describe la implementación de la posición y el seguimiento del robot con el uso de un sistema de visión. La cámara en el techo obtiene los datos de verdad sobre el terreno a través de la configuración para rastrear la posición actual del robot. El proceso en la cámara incluye detección de robot, transformación de imagen a coordinación y sustracción de fondo. En este artículo presentan el sistema de visión artificial y el diseño de hardware de un robot móvil con el diseño del controlador difuso, en el sistema MiroSot, los robots son controlados por la cámara superior que detecta los robots a través de los parches de color. [10] REFERENCES [1] Gonzalez, E. A. B. (2012, May). Study of behaviors subsumed with the generation of motor schemas in lego nxt 2.0. In 2012 Workshop on Engineering Applications (pp. 1-6). IEEE. [2] Loce, R. P., Bala, R., & Trivedi, M. (2017). Traffic Sign Detection and Recognition. [3] Hunzinger, R. (2017). SCADA Fundamentals and Applications in the IoT. Internet of Things and Data Analytics Handbook, 283-293. [4] Contreras, S., & De la Rosa, F. (2016, September). Aplicación de deep learning en robótica móvil para exploración y reconocimiento de objetos basados en imágenes. In 2016 IEEE 11th Colombian Computing Conference (CCC) (pp. 1-8). IEEE. [5] Moreno, R. J., & Brito, L. (2014, June). Planeación de trayectorias para un móvil robótico en un ambiente 3D. In 2014 IEEE Biennial Congress of Argentina (ARGENCON) (pp. 125-129). IEEE. [6] Yang, L., Jia, B., & Liu, Q. (2017, October). Adaptive small target detection based on least squares and human visual system. In 2017 IEEE