Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo
This project develops and simulates a tracking algorithm where its main function is the autonomous guidance of mini drones, this algorithm was designed with the approach of reinforcement learning (RL) through neural networks. The entire design was performed with the MATLAB computational tool, which...
- Autores:
-
Baron Pacheco, Brayan Eduardo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Antonio Nariño
- Repositorio:
- Repositorio UAN
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uan.edu.co:123456789/6476
- Acceso en línea:
- http://repositorio.uan.edu.co/handle/123456789/6476
- Palabra clave:
- Mini Drone
Redes Neuronales
Control Autónomo
Aprendizaje por Refuerzo
620.1
Mini Drone
Neural Networks
Autonomous Control
Reinforcement Learning
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
id |
UAntonioN2_a4724d9d55f40759b88f2747e820936e |
---|---|
oai_identifier_str |
oai:repositorio.uan.edu.co:123456789/6476 |
network_acronym_str |
UAntonioN2 |
network_name_str |
Repositorio UAN |
repository_id_str |
|
dc.title.es_ES.fl_str_mv |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
title |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
spellingShingle |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo Mini Drone Redes Neuronales Control Autónomo Aprendizaje por Refuerzo 620.1 Mini Drone Neural Networks Autonomous Control Reinforcement Learning |
title_short |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
title_full |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
title_fullStr |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
title_full_unstemmed |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
title_sort |
Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo |
dc.creator.fl_str_mv |
Baron Pacheco, Brayan Eduardo |
dc.contributor.advisor.spa.fl_str_mv |
Erazo Ordoñez, Christian Camilo |
dc.contributor.author.spa.fl_str_mv |
Baron Pacheco, Brayan Eduardo |
dc.subject.es_ES.fl_str_mv |
Mini Drone Redes Neuronales Control Autónomo Aprendizaje por Refuerzo |
topic |
Mini Drone Redes Neuronales Control Autónomo Aprendizaje por Refuerzo 620.1 Mini Drone Neural Networks Autonomous Control Reinforcement Learning |
dc.subject.ddc.es_ES.fl_str_mv |
620.1 |
dc.subject.keyword.es_ES.fl_str_mv |
Mini Drone Neural Networks Autonomous Control Reinforcement Learning |
description |
This project develops and simulates a tracking algorithm where its main function is the autonomous guidance of mini drones, this algorithm was designed with the approach of reinforcement learning (RL) through neural networks. The entire design was performed with the MATLAB computational tool, which has several toolboxes and tools that help the modeling of both the drone and the artificial intelligence, as taught throughout Chapter 3, where the series of steps necessary for the design of the algorithm are described in depth. In this software we used the existing Simulink model called Quadcopter Project, focused on the Parrot Mambo mini drone series. Once the artificial intelligence was designed and elaborated, we proceeded to train it as shown in section 3.4, so that finally after several hours of training we had consolidated an AI capable of guiding the mini drone through two different trajectories, without colliding with the limits of the environment. Finally, section 4 presents the results obtained for each of the proposed track models, having an error of 0.72% in the tracking of the first trajectory and 5.4% error in the second one. |
publishDate |
2022 |
dc.date.accessioned.none.fl_str_mv |
2022-05-07T14:18:32Z |
dc.date.available.none.fl_str_mv |
2022-05-07T14:18:32Z |
dc.date.issued.spa.fl_str_mv |
2022-01-29 |
dc.type.spa.fl_str_mv |
Trabajo de grado (Pregrado y/o Especialización) |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://repositorio.uan.edu.co/handle/123456789/6476 |
dc.identifier.bibliographicCitation.spa.fl_str_mv |
Kerle N., Nex F., Gerke M., Duarte D. and Vetrivel A., «UAV-Based Structural Damage Mapping: A Review,» de ISPRS International Journal of Geo-Information, 2020. S. V. Sibanyoni, D. T. Ramotsoela, B. J. Silva and G. P. Hancke, «A 2-D Acoustic Source Localization System for Drones in Search and Rescue Missions,» IEEE Sensors Journal, 2019. P. Worakuldumrongdej, T. Maneewam and A. Ruangwiset, «Rice Seed Sowing Drone for Agriculture,» de 19th International Conference on Control, Automation and Systems (ICCAS), Korea, 2019. Y. Guo, «A Drone-Based Sensing System to Support Satellite Image Analysis for Rice Farm Mapping,» de IEEE International Geoscience and Remote Sensing Symposium, Japón, 2019. S. Jang and N. -S. Park, «Limit Action Space to Enhance Drone Control with Deep Reinforcement Learning,» de International Conference on Information and Communication Technology Convergence, Korea del Sur, 2020. R. E. Ochoa, «Sistema para la Ejecución de Trayectorias en Drones Aéreos,» Universidad de Guanajuato, Salamanca, 2018. F. Guevara, A. Reyes y A. Sánchez, «Seguimiento autónomo de personas con un robot aéreo no tripulado,» Universidad Autónoma de Puebla, Puebla, 2017. J. C. D. Alfonso, «Dron de vuelo autónomo con reconocimiento basado en inteligencia artificial,» Universidad Complutense, Madrid, 2020. L. Meng, T. Hirayama and S. Oyanagi, «Underwater-Drone With Panoramic Camera for Automatic Fish Recognition Based on Deep Learning,» Japón, 2018. A. A. Cuenca, «Diseño y construcción un cuadricóptero e implementación de un controlador de estabilidad para la aplicación de un algoritmo de vuelo autónomo,» Universidad de los Andes, Bogotá, 2016. |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Antonio Nariño |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UAN |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uan.edu.co/ |
url |
http://repositorio.uan.edu.co/handle/123456789/6476 |
identifier_str_mv |
Kerle N., Nex F., Gerke M., Duarte D. and Vetrivel A., «UAV-Based Structural Damage Mapping: A Review,» de ISPRS International Journal of Geo-Information, 2020. S. V. Sibanyoni, D. T. Ramotsoela, B. J. Silva and G. P. Hancke, «A 2-D Acoustic Source Localization System for Drones in Search and Rescue Missions,» IEEE Sensors Journal, 2019. P. Worakuldumrongdej, T. Maneewam and A. Ruangwiset, «Rice Seed Sowing Drone for Agriculture,» de 19th International Conference on Control, Automation and Systems (ICCAS), Korea, 2019. Y. Guo, «A Drone-Based Sensing System to Support Satellite Image Analysis for Rice Farm Mapping,» de IEEE International Geoscience and Remote Sensing Symposium, Japón, 2019. S. Jang and N. -S. Park, «Limit Action Space to Enhance Drone Control with Deep Reinforcement Learning,» de International Conference on Information and Communication Technology Convergence, Korea del Sur, 2020. R. E. Ochoa, «Sistema para la Ejecución de Trayectorias en Drones Aéreos,» Universidad de Guanajuato, Salamanca, 2018. F. Guevara, A. Reyes y A. Sánchez, «Seguimiento autónomo de personas con un robot aéreo no tripulado,» Universidad Autónoma de Puebla, Puebla, 2017. J. C. D. Alfonso, «Dron de vuelo autónomo con reconocimiento basado en inteligencia artificial,» Universidad Complutense, Madrid, 2020. L. Meng, T. Hirayama and S. Oyanagi, «Underwater-Drone With Panoramic Camera for Automatic Fish Recognition Based on Deep Learning,» Japón, 2018. A. A. Cuenca, «Diseño y construcción un cuadricóptero e implementación de un controlador de estabilidad para la aplicación de un algoritmo de vuelo autónomo,» Universidad de los Andes, Bogotá, 2016. instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/ |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
Acceso abierto |
dc.rights.license.spa.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) |
dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/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 |
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) Acceso abierto https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.publisher.spa.fl_str_mv |
Universidad Antonio Nariño |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería Mecánica, Electrónica y Biomédica |
dc.publisher.campus.spa.fl_str_mv |
Bogotá - Sur |
institution |
Universidad Antonio Nariño |
bitstream.url.fl_str_mv |
https://repositorio.uan.edu.co/bitstreams/93bb02a4-3a9d-4811-9350-52a54c468fd4/download https://repositorio.uan.edu.co/bitstreams/aafaee75-689b-4858-8396-a74ac16087ed/download https://repositorio.uan.edu.co/bitstreams/983bccb6-5c50-4461-b7d4-51d5215ba31b/download https://repositorio.uan.edu.co/bitstreams/d3a68395-828f-4f7e-879a-3eb4a45d1a2f/download |
bitstream.checksum.fl_str_mv |
a9e6117ddf56fd97d909ec6dae062ebb ca36a9caf58e3656f833b3cac5871223 5fadf29afa8afc1eb6f2648013681218 9868ccc48a14c8d591352b6eaf7f6239 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional UAN |
repository.mail.fl_str_mv |
alertas.repositorio@uan.edu.co |
_version_ |
1814300443942060032 |
spelling |
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Acceso abiertohttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Erazo Ordoñez, Christian CamiloBaron Pacheco, Brayan Eduardo114817297102022-05-07T14:18:32Z2022-05-07T14:18:32Z2022-01-29http://repositorio.uan.edu.co/handle/123456789/6476Kerle N., Nex F., Gerke M., Duarte D. and Vetrivel A., «UAV-Based Structural Damage Mapping: A Review,» de ISPRS International Journal of Geo-Information, 2020.S. V. Sibanyoni, D. T. Ramotsoela, B. J. Silva and G. P. Hancke, «A 2-D Acoustic Source Localization System for Drones in Search and Rescue Missions,» IEEE Sensors Journal, 2019.P. Worakuldumrongdej, T. Maneewam and A. Ruangwiset, «Rice Seed Sowing Drone for Agriculture,» de 19th International Conference on Control, Automation and Systems (ICCAS), Korea, 2019.Y. Guo, «A Drone-Based Sensing System to Support Satellite Image Analysis for Rice Farm Mapping,» de IEEE International Geoscience and Remote Sensing Symposium, Japón, 2019.S. Jang and N. -S. Park, «Limit Action Space to Enhance Drone Control with Deep Reinforcement Learning,» de International Conference on Information and Communication Technology Convergence, Korea del Sur, 2020.R. E. Ochoa, «Sistema para la Ejecución de Trayectorias en Drones Aéreos,» Universidad de Guanajuato, Salamanca, 2018.F. Guevara, A. Reyes y A. Sánchez, «Seguimiento autónomo de personas con un robot aéreo no tripulado,» Universidad Autónoma de Puebla, Puebla, 2017.J. C. D. Alfonso, «Dron de vuelo autónomo con reconocimiento basado en inteligencia artificial,» Universidad Complutense, Madrid, 2020.L. Meng, T. Hirayama and S. Oyanagi, «Underwater-Drone With Panoramic Camera for Automatic Fish Recognition Based on Deep Learning,» Japón, 2018.A. A. Cuenca, «Diseño y construcción un cuadricóptero e implementación de un controlador de estabilidad para la aplicación de un algoritmo de vuelo autónomo,» Universidad de los Andes, Bogotá, 2016.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/This project develops and simulates a tracking algorithm where its main function is the autonomous guidance of mini drones, this algorithm was designed with the approach of reinforcement learning (RL) through neural networks. The entire design was performed with the MATLAB computational tool, which has several toolboxes and tools that help the modeling of both the drone and the artificial intelligence, as taught throughout Chapter 3, where the series of steps necessary for the design of the algorithm are described in depth. In this software we used the existing Simulink model called Quadcopter Project, focused on the Parrot Mambo mini drone series. Once the artificial intelligence was designed and elaborated, we proceeded to train it as shown in section 3.4, so that finally after several hours of training we had consolidated an AI capable of guiding the mini drone through two different trajectories, without colliding with the limits of the environment. Finally, section 4 presents the results obtained for each of the proposed track models, having an error of 0.72% in the tracking of the first trajectory and 5.4% error in the second one.En el presente proyecto se desarrolla y simula un algoritmo de seguimiento donde su función principal es el guiado autónomo de mini drones, este algoritmo se diseñó con el enfoque de aprendizaje por refuerzo (RL) por medio de redes neuronales. Todo el diseño fue realizado con la herramienta computacional Matlab, la cual cuenta con diversos toolboxes y herramientas que ayudan a él modelamiento tanto del dron como el de la inteligencia artificial, como se enseña en todo el capítulo 3, donde allí se describen a profundidad la serie de pasos necesarios para el diseño del algoritmo. En este software se utilizó el modelo de Simulink ya existente llamado Quadcopter Project, enfocado en la serie de mini drones Parrot Mambo. Una vez que se diseñó y elaboró la inteligencia artificial se procedió a entrenarla como se muestra en la sección 3.4, para que finalmente tras varias horas de entrenamiento se tuviera consolidada una I.A capaz de guiar a el mini drone por dos trayectorias distintas, sin colisionar con los límites del entorno. Por último, en la sección 4 se presentan los resultados obtenidos para cada uno de los modelos de pista propuestos, teniendo un error del 0.72 % en el seguimiento de la primera trayectoria y 5.4% de error en la segunda.Ingeniero(a) Mecatrónico(a)PregradoPresencialProyectospaUniversidad Antonio NariñoIngeniería MecatrónicaFacultad de Ingeniería Mecánica, Electrónica y BiomédicaBogotá - SurMini DroneRedes NeuronalesControl AutónomoAprendizaje por Refuerzo620.1Mini DroneNeural NetworksAutonomous ControlReinforcement LearningAlgoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por RefuerzoTrabajo de grado (Pregrado y/o Especialización)http://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85EspecializadaORIGINAL2022_BrayanEduardoBaronPacheco_Acta.pdf2022_BrayanEduardoBaronPacheco_Acta.pdfActa de sustentaciónapplication/pdf339416https://repositorio.uan.edu.co/bitstreams/93bb02a4-3a9d-4811-9350-52a54c468fd4/downloada9e6117ddf56fd97d909ec6dae062ebbMD512022_BrayanEduardoBaronPacheco_Autorización.pdf2022_BrayanEduardoBaronPacheco_Autorización.pdfAutorización de autoresapplication/pdf1376982https://repositorio.uan.edu.co/bitstreams/aafaee75-689b-4858-8396-a74ac16087ed/downloadca36a9caf58e3656f833b3cac5871223MD522022_BrayanEduardoBaronPacheco.pdf2022_BrayanEduardoBaronPacheco.pdfTrabajo de gradoapplication/pdf4650533https://repositorio.uan.edu.co/bitstreams/983bccb6-5c50-4461-b7d4-51d5215ba31b/download5fadf29afa8afc1eb6f2648013681218MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.uan.edu.co/bitstreams/d3a68395-828f-4f7e-879a-3eb4a45d1a2f/download9868ccc48a14c8d591352b6eaf7f6239MD54123456789/6476oai:repositorio.uan.edu.co:123456789/64762024-10-09 23:27:29.713https://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertorestrictedhttps://repositorio.uan.edu.coRepositorio Institucional UANalertas.repositorio@uan.edu.co |