Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.

Es común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar u...

Full description

Autores:: Solórzano, Carlos Andrés Peña
Hoyos Gutiérrez, José Gabriel
Prieto Ortiz, Flavio Augusto

Tipo de recurso:: Article of journal

Fecha de publicación:: 2018

Institución:: Universidad EIA .

Repositorio:: Repositorio EIA .

Idioma:: spa

id	REIA2_a1598449fe4189ddcdb4f7f19050f1ed
oai_identifier_str	oai:repository.eia.edu.co:11190/4912
network_acronym_str	REIA2
network_name_str	Repositorio EIA .
repository_id_str
dc.title.spa.fl_str_mv	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
dc.title.translated.eng.fl_str_mv	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
title	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
spellingShingle	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos. Robótica aprendizaje por imitación programación por demostración primitivas de movimiento dinámico regresión de procesos gaussianos. Robótica
title_short	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
title_full	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
title_fullStr	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
title_full_unstemmed	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
title_sort	Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.
dc.creator.fl_str_mv	Solórzano, Carlos Andrés Peña Hoyos Gutiérrez, José Gabriel Prieto Ortiz, Flavio Augusto
dc.contributor.author.spa.fl_str_mv	Solórzano, Carlos Andrés Peña Hoyos Gutiérrez, José Gabriel Prieto Ortiz, Flavio Augusto
dc.subject.spa.fl_str_mv	Robótica aprendizaje por imitación programación por demostración primitivas de movimiento dinámico regresión de procesos gaussianos. Robótica
topic	Robótica aprendizaje por imitación programación por demostración primitivas de movimiento dinámico regresión de procesos gaussianos. Robótica
description	Es común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar un objeto, realizando seguimiento de articulaciones con el sensor kinect de Microsoft. La técnica utilizada para la codificación de las señales de entrenamiento se denominan primitivas de movimiento dinámico (DMP), mientras que la reconstrucción se realiza mediante regresión de procesos gaussianos (GPR). GPR permite además, generalizar los movimientos de entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. La técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar, para realizar la estimación. La técnica propuesta presentó bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final.
publishDate	2018
dc.date.accessioned.none.fl_str_mv	2018-04-30 00:00:00 2022-06-17T20:18:29Z
dc.date.available.none.fl_str_mv	2018-04-30 00:00:00 2022-06-17T20:18:29Z
dc.date.issued.none.fl_str_mv	2018-04-30
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.eng.fl_str_mv	Journal article
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ARTREF
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	1794-1237
dc.identifier.uri.none.fl_str_mv	https://repository.eia.edu.co/handle/11190/4912
dc.identifier.doi.none.fl_str_mv	10.24050/reia.v15i29.690
dc.identifier.eissn.none.fl_str_mv	2463-0950
dc.identifier.url.none.fl_str_mv	https://doi.org/10.24050/reia.v15i29.690
identifier_str_mv	1794-1237 10.24050/reia.v15i29.690 2463-0950
url	https://repository.eia.edu.co/handle/11190/4912 https://doi.org/10.24050/reia.v15i29.690
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	De Maesschalck, R., Jouan-Rimbaud, D., and Massart, D. L. (2000). The mahalanobis distance. Chemometrics and intelligent laboratory systems, 50 (1), pp. 1–18. Forte, D., Gams, A., Morimoto, J., and Ude, A. (2012). On-line motion synthesis and adaptation using a trajectory database. Robotics and Autonomous Systems, 60 (10), pp. 1327–1339. Forte, D., Ude, A., and Gams, A. (2011). Real-time generalization and integration of different movement primitives. In 2011 11th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 590–595. Gams, A. and Ude, A. (2009). Generalization of example movements with dynamic systems. In 2009 9th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 28–33. Kaneko, T., Ono, T., and Munakata, N. (2011). Implementation of context-adaptive physical imitation between humans and robots. In 2011 IEEE RO-MAN, pp. 187 –191. Kober, J., Oztop, E., and Peters, J. (2011). Reinforcement learning to adjust robot movements to new situations. In IJCAI Proceedings-International Joint Conference on Artificial Intelligence, volume 22, pp. 2650. Kormushev, P., Calinon, S., and Caldwell, D. G. (2011). Imitation learning of positional and force skills demonstrated via kinesthetic teaching and haptic input. Advanced Robotics, 25 (5): 581–603. Kormushev, P., Calinon, S., Saegusa, R., and Metta, G. (2010). Learning the skill of archery by a humanoid robot icub. In 2010 10th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pages 417–423. Kulvicius, T., Ning, K., Tamosiunaite, M., and Worgotter, F. (2012). Joining movement sequences: Modified dynamic movement primitives for robotics applications exemplified on handwriting. IEEE Transactions on Robotics, 28 (1): 145–157. Lee, A. X., Huang, S. H., Hadfield-Menell, D., Tzeng, E., and Abbeel, P. (2014). Unifying scene registration and trajectory optimization for learning from demonstrations with application to manipulation of deformable objects. In 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014), pages 4402–4407. León, A., Morales, E., Altamirani, L., and Ruiz, J. (2011). Teaching a robot new tasks through imitation and on-line feedback. In Proc. of the 16th Iberoamerican Congress on Pattern Recognition. Lopes, M., Melo, F., Montesano, L., and Santos-Victor, J. (2010). Abstraction levels for robotic imitation: Overview and computational approaches. In Sigaud, O. and Peters, J., editors, From Motor Learning to Interaction Learning in Robots, volume 264 of Studies in Computational Intelligence, pages 313–355. Springer Berlin / Heidelberg. Lopes, M. and Santos-Victor, J. (2007). A developmental roadmap for learning by imitation in robots. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 37 (2): 308–321. Metta, G., Sandini, G., Vernon, D., Natale, L., and Nori, F. (2008). The icub humanoid robot: an open platform for research in embodied cognition. In Proceedings of the 8th Workshop on Performance Metrics for Intelligent Systems, PerMIS ’08, pp. 50–56, New York, NY, USA. ACM. Natale, L., Nori, F., Metta, G., Fumagalli, M., Ivaldi, S., Pattacini, U., Randazzo, M., Schmitz, A., and Sandini, G. (2013). The icub platform: a tool for studying intrinsically motivated learning. In Intrinsically motivated learning in natural and artificial systems, pp. 433–458. Springer. Nath, V. K. and Levinson, S. E. (2012). Learning to fire at targets by an icub humanoid robot. Urbana, 51, pp. 61801. Nemec, B. and Ude, A. (2012). Action sequencing using dynamic movement primitives. Robotica, 30(5), pp.837. Nguyen-Tuong, D., Seeger, M., and Peters, J. (2009). Model learning with local gaussian process regression. Advanced Robotics, 23(15), pp.2015–2034. Nicolescu, M. N. and Mataric, M. J. (2005). Task learning through imitation and human-robot interaction. In Models and Mechanisms of Imitation and Social Learning in Robots, Humans and Animals: Behavioural, Social and Communicative Dimensions, pp. 407–424. University Press. Oikonomidis, I., Kyriazis, N., and Argyros, A. (2011). Efficient model-based 3d tracking of hand articulations using kinect. In BMVC 2011. BMVA. Pastor, P., Hoffmann, H., Asfour, T., and Schaal, S. (2009). Learning and generalization of motor skills by learning from demonstration. In 2009 IEEE International Conference on Robotics and Automation (ICRA), pp. 763-768. Peña-Solórzano, C.; Hoyos-Gutiérrez, J.; Prieto- Ortiz, F. (2015). Hacia el agarre de objetos utilizando aprendizaje robótico por imitación y datos de fuerza. Revista EIA, 12 (23) Enero-Junio, pp. 71-82. Rasmussen, C. E. (2004). Gaussian processes in machine learning. In Advanced Lectures on Machine Learning, pp. 63–71. Springer. Stulp, F., Theodorou, E., Buchli, J., and Schaal, S. (2011). Learning to grasp under uncertainty. In 2011 IEEE International Conference on Robotics and Automation (ICRA), pp. 5703–5708. Tamosiunaite, M., Nemec, B., Ude, A., and Wörgötter, F. (2011). Learning to pour with a robot arm combining goal and shape learning for dynamic movement primitives. Robotics and Autonomous Systems, 59 (11), pp. 910–922. Tan, H., Erdemir, E., Kawamura, K., and Du, Q. (2011). A potential field method-based extension of the dynamic movement primitive algorithm for imitation learning with obstacle avoidance. In 2011 International Conference on Mechatronics and Automation (ICMA), pp. 525–530. Tikhanoff, V., Cangelosi, A., and Metta, G. (2011). Integration of speech and action in humanoid robots: icub simulation experiments. IEEE Transactions on Autonomous Mental Development, 3 (1), pp. 17–29. Toda, Y., Kodai, Y., Hiwada, E., and Kubota, N. (2011). Human motion tracking for cognitive rehabilitation in informationally structured space based on sensor networks. In 2011 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 1459 –1465. Ude, A., Gams, A., Asfour, T., and Morimoto, J. (2010). Task-specific generalization of discrete and periodic dynamic movement primitives. IEEE Transactions on Robotics, 26 (5), pp. 800–815.
dc.relation.bitstream.none.fl_str_mv	https://revistas.eia.edu.co/index.php/reveia/article/download/690/1180
dc.relation.citationedition.spa.fl_str_mv	Núm. 29 , Año 2018
dc.relation.citationendpage.none.fl_str_mv	123
dc.relation.citationissue.spa.fl_str_mv	29
dc.relation.citationstartpage.none.fl_str_mv	109
dc.relation.citationvolume.spa.fl_str_mv	15
dc.relation.ispartofjournal.spa.fl_str_mv	Revista EIA
dc.rights.spa.fl_str_mv	Revista EIA - 2018
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Revista EIA - 2018 https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Fondo Editorial EIA - Universidad EIA
dc.source.spa.fl_str_mv	https://revistas.eia.edu.co/index.php/reveia/article/view/690
institution	Universidad EIA .
bitstream.url.fl_str_mv	https://repository.eia.edu.co/bitstreams/87fbdb62-1d42-4729-8b78-e4646dee164a/download
bitstream.checksum.fl_str_mv	064e067279fe57c2170465a11f83f912
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad EIA
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1814100885641363456
spelling	Solórzano, Carlos Andrés Peñaf79998ca716a7fe1da19bd96f77ccab1300Hoyos Gutiérrez, José Gabrielee92e2fb167df144c3de1732562ea3cc300Prieto Ortiz, Flavio Augustoe5e0629d29d9b754bf18e0f0017122da2018-04-30 00:00:002022-06-17T20:18:29Z2018-04-30 00:00:002022-06-17T20:18:29Z2018-04-301794-1237https://repository.eia.edu.co/handle/11190/491210.24050/reia.v15i29.6902463-0950https://doi.org/10.24050/reia.v15i29.690Es común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar un objeto, realizando seguimiento de articulaciones con el sensor kinect de Microsoft. La técnica utilizada para la codificación de las señales de entrenamiento se denominan primitivas de movimiento dinámico (DMP), mientras que la reconstrucción se realiza mediante regresión de procesos gaussianos (GPR). GPR permite además, generalizar los movimientos de entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. La técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar, para realizar la estimación. La técnica propuesta presentó bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final.Es común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar un objeto, realizando seguimiento de articulaciones con el sensor kinect de Microsoft. La técnica utilizada para la codificación de las señales de entrenamiento se denominan primitivas de movimiento dinámico (DMP), mientras que la reconstrucción se realiza mediante regresión de procesos gaussianos (GPR). GPR permite además, generalizar los movimientos de entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. La técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar, para realizar la estimación. La técnica propuesta presentó bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final.application/pdfspaFondo Editorial EIA - Universidad EIARevista EIA - 2018https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/690Robóticaaprendizaje por imitaciónprogramación por demostraciónprimitivas de movimiento dinámicoregresión de procesos gaussianos.RobóticaGeneralización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.Artículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85De Maesschalck, R., Jouan-Rimbaud, D., and Massart, D. L. (2000). The mahalanobis distance. Chemometrics and intelligent laboratory systems, 50 (1), pp. 1–18.Forte, D., Gams, A., Morimoto, J., and Ude, A. (2012). On-line motion synthesis and adaptation using a trajectory database. Robotics and Autonomous Systems, 60 (10), pp. 1327–1339.Forte, D., Ude, A., and Gams, A. (2011). Real-time generalization and integration of different movement primitives. In 2011 11th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 590–595.Gams, A. and Ude, A. (2009). Generalization of example movements with dynamic systems. In 2009 9th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 28–33.Kaneko, T., Ono, T., and Munakata, N. (2011). Implementation of context-adaptive physical imitation between humans and robots. In 2011 IEEE RO-MAN, pp. 187 –191.Kober, J., Oztop, E., and Peters, J. (2011). Reinforcement learning to adjust robot movements to new situations. In IJCAI Proceedings-International Joint Conference on Artificial Intelligence, volume 22, pp. 2650.Kormushev, P., Calinon, S., and Caldwell, D. G. (2011). Imitation learning of positional and force skills demonstrated via kinesthetic teaching and haptic input. Advanced Robotics, 25 (5): 581–603.Kormushev, P., Calinon, S., Saegusa, R., and Metta, G. (2010). Learning the skill of archery by a humanoid robot icub. In 2010 10th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pages 417–423.Kulvicius, T., Ning, K., Tamosiunaite, M., and Worgotter, F. (2012). Joining movement sequences: Modified dynamic movement primitives for robotics applications exemplified on handwriting. IEEE Transactions on Robotics, 28 (1): 145–157.Lee, A. X., Huang, S. H., Hadfield-Menell, D., Tzeng, E., and Abbeel, P. (2014). Unifying scene registration and trajectory optimization for learning from demonstrations with application to manipulation of deformable objects. In 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014), pages 4402–4407.León, A., Morales, E., Altamirani, L., and Ruiz, J. (2011). Teaching a robot new tasks through imitation and on-line feedback. In Proc. of the 16th Iberoamerican Congress on Pattern Recognition.Lopes, M., Melo, F., Montesano, L., and Santos-Victor, J. (2010). Abstraction levels for robotic imitation: Overview and computational approaches. In Sigaud, O. and Peters, J., editors, From Motor Learning to Interaction Learning in Robots, volume 264 of Studies in Computational Intelligence, pages 313–355. Springer Berlin / Heidelberg.Lopes, M. and Santos-Victor, J. (2007). A developmental roadmap for learning by imitation in robots. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 37 (2): 308–321.Metta, G., Sandini, G., Vernon, D., Natale, L., and Nori, F. (2008). The icub humanoid robot: an open platform for research in embodied cognition. In Proceedings of the 8th Workshop on Performance Metrics for Intelligent Systems, PerMIS ’08, pp. 50–56, New York, NY, USA. ACM.Natale, L., Nori, F., Metta, G., Fumagalli, M., Ivaldi, S., Pattacini, U., Randazzo, M., Schmitz, A., and Sandini, G. (2013). The icub platform: a tool for studying intrinsically motivated learning. In Intrinsically motivated learning in natural and artificial systems, pp. 433–458. Springer.Nath, V. K. and Levinson, S. E. (2012). Learning to fire at targets by an icub humanoid robot. Urbana, 51, pp. 61801. Nemec, B. and Ude, A. (2012). Action sequencing using dynamic movement primitives. Robotica, 30(5), pp.837.Nguyen-Tuong, D., Seeger, M., and Peters, J. (2009). Model learning with local gaussian process regression. Advanced Robotics, 23(15), pp.2015–2034.Nicolescu, M. N. and Mataric, M. J. (2005). Task learning through imitation and human-robot interaction. In Models and Mechanisms of Imitation and Social Learning in Robots, Humans and Animals: Behavioural, Social and Communicative Dimensions, pp. 407–424. University Press.Oikonomidis, I., Kyriazis, N., and Argyros, A. (2011). Efficient model-based 3d tracking of hand articulations using kinect. In BMVC 2011. BMVA.Pastor, P., Hoffmann, H., Asfour, T., and Schaal, S. (2009). Learning and generalization of motor skills by learning from demonstration. In 2009 IEEE International Conference on Robotics and Automation (ICRA), pp. 763-768.Peña-Solórzano, C.; Hoyos-Gutiérrez, J.; Prieto- Ortiz, F. (2015). Hacia el agarre de objetos utilizando aprendizaje robótico por imitación y datos de fuerza. Revista EIA, 12 (23) Enero-Junio, pp. 71-82.Rasmussen, C. E. (2004). Gaussian processes in machine learning. In Advanced Lectures on Machine Learning, pp. 63–71. Springer.Stulp, F., Theodorou, E., Buchli, J., and Schaal, S. (2011). Learning to grasp under uncertainty. In 2011 IEEE International Conference on Robotics and Automation (ICRA), pp. 5703–5708.Tamosiunaite, M., Nemec, B., Ude, A., and Wörgötter, F. (2011). Learning to pour with a robot arm combining goal and shape learning for dynamic movement primitives. Robotics and Autonomous Systems, 59 (11), pp. 910–922.Tan, H., Erdemir, E., Kawamura, K., and Du, Q. (2011). A potential field method-based extension of the dynamic movement primitive algorithm for imitation learning with obstacle avoidance. In 2011 International Conference on Mechatronics and Automation (ICMA), pp. 525–530.Tikhanoff, V., Cangelosi, A., and Metta, G. (2011). Integration of speech and action in humanoid robots: icub simulation experiments. IEEE Transactions on Autonomous Mental Development, 3 (1), pp. 17–29.Toda, Y., Kodai, Y., Hiwada, E., and Kubota, N. (2011). Human motion tracking for cognitive rehabilitation in informationally structured space based on sensor networks. In 2011 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 1459 –1465.Ude, A., Gams, A., Asfour, T., and Morimoto, J. (2010). Task-specific generalization of discrete and periodic dynamic movement primitives. IEEE Transactions on Robotics, 26 (5), pp. 800–815.https://revistas.eia.edu.co/index.php/reveia/article/download/690/1180Núm. 29 , Año 20181232910915Revista EIAPublicationOREORE.xmltext/xml2769https://repository.eia.edu.co/bitstreams/87fbdb62-1d42-4729-8b78-e4646dee164a/download064e067279fe57c2170465a11f83f912MD5111190/4912oai:repository.eia.edu.co:11190/49122023-07-25 16:58:47.225https://creativecommons.org/licenses/by-nc-sa/4.0/Revista EIA - 2018metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com

Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.

Publicaciones similares