Ensamblaje automatizado de partes utilizando técnicas de aprendizaje por demostración y visión 3D
El número de robots industriales y el tipo de aplicaciones en que son utilizados, como las operaciones de ensamble, ha incrementado considerablemente en los últimos años. Sin embargo, la programación de estos sigue siendo una tarea que requiere elevados conocimientos técnicos y un alto consumo de ti...
- Autores:
-
Duque Arias, David Arturo
- Tipo de recurso:
- Fecha de publicación:
- 2017
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/60141
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/60141
http://bdigital.unal.edu.co/58139/
- Palabra clave:
- 0 Generalidades / Computer science, information and general works
37 Educación / Education
62 Ingeniería y operaciones afines / Engineering
67 Manufactura / Manufacturing
Aprendizaje por Demostración
Modelo de mezcla de Gaussianas
Redes de Petri
Modelo de mezcla de Gaussianas parametrizadas en la tarea
Regresión de mezcla de Gaussianas
Learning by Demonstration
Gaussian Mixture Model
Task Parameterized Gaussian Mixture Model
Gaussian Mixture Regression
Petri nets
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | El número de robots industriales y el tipo de aplicaciones en que son utilizados, como las operaciones de ensamble, ha incrementado considerablemente en los últimos años. Sin embargo, la programación de estos sigue siendo una tarea que requiere elevados conocimientos técnicos y un alto consumo de tiempo. La metodología desarrollada en el presente trabajo, utiliza técnicas de Aprendizaje por Demostración (ApD) y visión de máquina, con el fin de ejecutar diferentes tipos de operaciones de ensamble, con manipulares robóticos. Se proponen seis etapas fundamentales: i) Demostración de las tareas de ensamble; ii) Adquisición de las demostraciones usando un sensor de movimiento Kinect; iii) Preprocesamiento y segmentación de las demostraciones; iv) Entrenamiento de los modelos probabilísticos TP-GMM (Task Parameterized Gaussian Mixture Model); v) Generación de nuevas trayectorias usando modelos entrenados; vi) Simulación e implementación en robots reales. Adicionalmente, se propone un sistema para la generación automática de los planes de ensamble usando redes de Petri. Los resultados obtenidos permiten establecer que es posible utilizar técnicas de programación diferentes a la metodología tradicional, obteniendo resultados satisfactorios en operaciones de ensamble de partes, como se demuestra en el trabajo desarrollado. |
|---|