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...

Full description

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

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_	1812928378605404160
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

Algoritmo Autónomo de Control de Trayectorias en Escenarios con Obstáculos para Mini Drones Utilizando Técnicas de Aprendizaje por Refuerzo

Publicaciones similares