Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica

En los últimos años, la inteligencia artificial ha experimentado un crecimiento notable, evidenciando avances en una variedad de sectores y transformando la vida cotidiana, tareas e industrias. Uno de los campos que ha sido especialmente impactado es el de la robótica, con avances notables como la r...

Full description

Autores:
Mosquera Ramírez, Maick Santiago
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/45868
Acceso en línea:
http://hdl.handle.net/10654/45868
Palabra clave:
INTELIGENCIA ARTIFICIAL
ROBOTICA
REDES NEURALES (COMPUTADORES)
Intelligent Artificial
Robotics
Mechatronics Engineering
Image Classification
Semantic Segmentation
Reinforcement Learning
Theoretical-Practical Manual
Convolutional Neural Network
Inteligencia Artificial
Robótica
Ingenieria Mecatrónica
Clasificación de imágenes
Segmentación semántica
Aprendizaje por refuerzo
Manual teórico-práctico
Red neuronal convolucional.
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_da6f61f6ae337d4ec6aa36f2cae1584b
oai_identifier_str oai:repository.unimilitar.edu.co:10654/45868
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
dc.title.translated.spa.fl_str_mv Theoretical-practical manual for deep learning applied to mechatronic engineering problems
title Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
spellingShingle Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
INTELIGENCIA ARTIFICIAL
ROBOTICA
REDES NEURALES (COMPUTADORES)
Intelligent Artificial
Robotics
Mechatronics Engineering
Image Classification
Semantic Segmentation
Reinforcement Learning
Theoretical-Practical Manual
Convolutional Neural Network
Inteligencia Artificial
Robótica
Ingenieria Mecatrónica
Clasificación de imágenes
Segmentación semántica
Aprendizaje por refuerzo
Manual teórico-práctico
Red neuronal convolucional.
title_short Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
title_full Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
title_fullStr Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
title_full_unstemmed Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
title_sort Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónica
dc.creator.fl_str_mv Mosquera Ramírez, Maick Santiago
dc.contributor.advisor.none.fl_str_mv Velasco Toledo, Nelson Fernando
dc.contributor.author.none.fl_str_mv Mosquera Ramírez, Maick Santiago
dc.subject.lemb.spa.fl_str_mv INTELIGENCIA ARTIFICIAL
ROBOTICA
REDES NEURALES (COMPUTADORES)
topic INTELIGENCIA ARTIFICIAL
ROBOTICA
REDES NEURALES (COMPUTADORES)
Intelligent Artificial
Robotics
Mechatronics Engineering
Image Classification
Semantic Segmentation
Reinforcement Learning
Theoretical-Practical Manual
Convolutional Neural Network
Inteligencia Artificial
Robótica
Ingenieria Mecatrónica
Clasificación de imágenes
Segmentación semántica
Aprendizaje por refuerzo
Manual teórico-práctico
Red neuronal convolucional.
dc.subject.keywords.spa.fl_str_mv Intelligent Artificial
Robotics
Mechatronics Engineering
Image Classification
Semantic Segmentation
Reinforcement Learning
Theoretical-Practical Manual
Convolutional Neural Network
dc.subject.proposal.spa.fl_str_mv Inteligencia Artificial
Robótica
Ingenieria Mecatrónica
Clasificación de imágenes
Segmentación semántica
Aprendizaje por refuerzo
Manual teórico-práctico
Red neuronal convolucional.
description En los últimos años, la inteligencia artificial ha experimentado un crecimiento notable, evidenciando avances en una variedad de sectores y transformando la vida cotidiana, tareas e industrias. Uno de los campos que ha sido especialmente impactado es el de la robótica, con avances notables como la robótica colaborativa, la automatización de procesos y los vehículos autónomos. La ingeniería en mecatrónica es una disciplina altamente representativa de la automatización y los robots; sin embargo, hasta ahora ha tenido un enfoque limitado en cuanto a la inteligencia artificial, lo cual limita las oportunidades académicas y laborales que el dominio de la inteligencia artificial podría ofrecer a estos profesionales. Como respuesta a esta brecha, este documento presenta el desarrollo de un manual teórico-práctico que presenta tres aplicaciones distintas potenciadas por la inteligencia artificial. Estas aplicaciones son extremadamente útiles para la implementación de robots y en la ingeniería mecatrónica. El objetivo es permitir que cualquier profesional interesado en el área pueda adquirir los conocimientos necesarios para desenvolverse en este campo. Las aplicaciones específicas incluyen la clasificación de imágenes, la segmentación semántica de imágenes para la detección de objetos en entornos y el aprendizaje por refuerzo para el desarrollo de movimientos de un robot.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023-09-29
dc.date.accessioned.none.fl_str_mv 2024-02-27T16:42:59Z
dc.date.available.none.fl_str_mv 2024-02-27T16:42:59Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/45868
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/45868
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv L. Van Bulck, R. Couturier, and P. Moons, “Applications of artificial intelligence for nursing: has a new era arrived?,” 2023.
M. Soori, B. Arezoo, and R. Dastres, “Artificial intelligence, machine learning and deep learning in advanced robotics, a review,” Cognitive Robotics, 2023.
R. Castillo, “Contenido programático inteligencia artificial UMNG” 2022.
M. R. Khan, H. Antong, A. N. Wahid, K. A. M. Nor, S. B. A. Hamid, and A. Sophian, “Mechatronics engineering curriculum in the new perspective,” Engineering Professional Ethics and Education 2021 (ICEPEE’21), p. 80, 2021.
B. S. Alfonso García et al., “Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos,”
J. E. Herrera Benavides et al., “Sistema basado en aprendizaje profundo para evadir obstáculos estáticos con un robot fijo de 6 dof,”
R. Aquino, C. Fernández, and L. Corona, “La ingeniería mecatrónica como fundamento en la transición hacia la industria 4.0,” in Presentado en el congreso internacional de investigación academia journals, Celaya Guanajuato, noviembre, 2019.
D. Han, B. Mulyana, V. Stankovic, and S. Cheng, “A survey on deep reinforcement learning algorithms for robotic manipulation,” Sensors, vol. 23, no. 7, p. 3762, 2023.
R. A. Mouha et al., “Deep learning for robotics,” Journal of Data Analysis and Information Processing, vol. 9, no. 02, p. 63, 2021.
L. Xiaoyu, “Application and research of artificial intelligence in mechatronic engineering,” in 2020 5th International Conference on Mechanical, Control and Computer Engineering (ICMCCE), pp. 235–238, IEEE, 2020.
Y. Xiang, “Exploration of the application of artificial intelligence technology in mechatronics technology based on,” in Journal of Physics: Conference Series, vol. 1915, p. 022059, IOP Publishing, 2021.
D. Kaur, S. Uslu, K. J. Rittichier, and A. Durresi, “Trustworthy artificial intelligence: a review,” ACM Computing Surveys (CSUR), vol. 55, no. 2, pp. 1– 38, 2022.
L. Rouhiainen, “Inteligencia artificial,” Madrid: Alienta Editorial, 2018.
M. Haenlein and A. Kaplan, “A brief history of artificial intelligence: On the past, present, and future of artificial intelligence,” California management review, vol. 61, no. 4, pp. 5–14, 2019.
V. Kaul, S. Enslin, and S. A. Gross, “History of artificial intelligence in medicine,” Gastrointestinal endoscopy, vol. 92, no. 4, pp. 807–812, 2020.
N. Muthukrishnan, F. Maleki, K. Ovens, C. Reinhold, B. Forghani, and R. Forghani, “Brief history of artificial intelligence,” Neuroimaging Clinics, vol. 30, no. 4, pp. 393–399, 2020.
A. Newell and H. A. Simon, An example of human chess play in the light of chess playing programs. Carnegie Institute of Technology, 1964.
A. Toosi, A. G. Bottino, B. Saboury, E. Siegel, and A. Rahmim, “A brief history of ai: how to prevent another winter (a critical review),” PET clinics, vol. 16, no. 4, pp. 449–469, 2021.
D. Tafazoli and N. Golshan, “Review of computer-assisted language learning: History, merits & barriers,” International Journal of Language and Linguistics, vol. 2, no. 5-1, pp. 32–38, 2014.
S. Beyaz, “A brief history of artificial intelligence and robotic surgery in orthopedics & traumatology and future expectations,” Joint Diseases and Related Surgery, vol. 31, no. 3, p. 653, 2020.
K. Bimbraw, “Autonomous cars: Past, present and future a review of the developments in the last century, the present scenario and the expected future of autonomous vehicle technology,” in 2015 12th international conference on informatics in control, automation and robotics (ICINCO), vol. 1, pp. 191–198, IEEE, 2015.
F. K. Došilović, M. Brčić, and N. Hlupić, “Explainable artificial intelligence: A survey,” in 2018 41st International convention on information and communication technology, electronics and microelectronics (MIPRO), pp. 0210–0215, IEEE, 2018.
K. McBride, “Hola, mundo: La inteligencia artificial y su uso en el sector público,” 2020.
M. Rouse, “¿qué es inteligencia artificial o ia? - definición en whatis.com,” Apr 2021.
J. Serey, M. Alfaro, G. Fuertes, M. Vargas, C. Durán, R. Ternero, R. Rivera, and J. Sabattin, “Pattern recognition and deep learning technologies, enablers of industry 4.0, and their role in engineering research,” Symmetry, vol. 15, no. 2, p. 535, 2023.
R. Ribeiro, “10 ejemplos exitosos de inteligencia artificial en las empresas,” Oct 2021.
M. Karatas, L. Eriskin, M. Deveci, D. Pamucar, and H. Garg, “Big data for healthcare industry 4.0: Applications, challenges and future perspectives,” Expert Systems with Applications, vol. 200, p. 116912, 2022.
M. Placek, “Worldwide - countries’ preparedness for autonomous vehicles 2020,” Jan 2023.
S. Guenat, P. Purnell, Z. G. Davies, M. Nawrath, L. C. Stringer, G. R. Babu, M. Balasubramanian, E. E. Ballantyne, B. K. Bylappa, B. Chen, et al., “Meeting sustainable development goals via robotics and autonomous systems,” Nature communications, vol. 13, no. 1, p. 3559, 2022.
S. J. Russell and P. Norvig, Inteligencia Artificial: un enfoque moderno. No. 04; Q335, R8y 2004., 2004.
P. Recuero de los Santos, “Tipos de aprendizaje en machine learning: Supervisado y no supervisado,” Dec 2021.
O. A. SALAZAR and J. A. M. VARGAS, “La ingeniería mecatrónica por ciclos en colombia,” Scientia et technica, vol. 1, no. 35, 2007.
S. Ashley, “Getting a hold on mechatronics,” Mechanical Engineering, vol. 119, no. 5, pp. 60–63, 1997.
J. A. Aquino Robles, L. G. Corona, and J. C. Trujillo, “Tendencia en la enseñanza de la ingeniería mecatrónica y su campo disciplinar,” 2013.
A. Singh, “Mechatronics engineering in the modern world and its use in the construction industry,” in Trends, Paradigms, and Advances in Mechatronics Engineering, pp. 64–92, IGI Global, 2023.
K. Craig, “Mechatronics in university and professional education: Is there anything really new here?,” in ASME International Mechanical Engineering Congress and Exposition, vol. 15861, pp. 369–375, American Society of Mechanical Engineers, 1998.
H. Nieto Ordaya, “Diseño de un sistema mecánico eléctrico para la selección de chirimoyas,” 2016.
X. Wu, J. Liu, Y. Zhou, Q. Lv, and C. Hu, “Movement control and attitude adjustment of climbing robot on flexible surfaces,” IEEE Transactions on Industrial Electronics, vol. 65, no. 3, pp. 2618–2628, 2017.
N. González Benítez, V. Estrada Sentí, and A. Febles Estrada, “Estudio y selección de las técnicas de inteligencia artificial para el diagnóstico de enfermedades,” Revista de Ciencias Médicas de Pinar del Río, vol. 22, no. 3, pp. 131–141, 2018.
D. Parekh, N. Poddar, A. Rajpurkar, M. Chahal, N. Kumar, G. P. Joshi, and W. Cho, “A review on autonomous vehicles: Progress, methods and challenges,” Electronics, vol. 11, no. 14, p. 2162, 2022.
Z. Makhataeva and H. A. Varol, “Augmented reality for robotics: A review,” Robotics, vol. 9, no. 2, p. 21, 2020.
S. Bala, M. N. Khalid, H. Kumar, and V. K. Shukla, “The practical enactment of robotics and artificial intelligence technologies in e-commerce,” in Cyber Intelligence and Information Retrieval: Proceedings of CIIR 2021, pp. 455– 467, Springer, 2022.
J. Wang and A. Chortos, “Control strategies for soft robot systems,” Advanced Intelligent Systems, vol. 4, no. 5, p. 2100165, 2022.
P. Biswal and P. K. Mohanty, “Development of quadruped walking robots: A review,” Ain Shams Engineering Journal, vol. 12, no. 2, pp. 2017–2031, 2021.
W. R. Asanza and B. M. Olivo, “Redes neuronales artificiales aplicadas al reconocimiento de patrones,” Editorial UTMACH, vol. 1, no. 4, p. 5, 2018.
A. S. Gillis, “What is deep learning and how does it work?: Definition from techtarget,” Jul 2023.
P. Huet, “Qué son las redes neuronales y sus aplicaciones,” Apr 2023.
A. E. Repetur, “Redes neuronales artificiales,” Buenos Aires: Universidad Nacional del Centro de la Provincia de Buenos Aires, 2019.
T. rédac, “Perceptron: Qu’est-ce que c’est et à quoi ça sert?,” Mar 2022.
Sotaquirá, “Parametros e hiperparámetros en el machine learning codificando bits,” jun 2023.
D. Calvo, “Función de activación - redes neuronales,” Dec 2018.
T. Szandała, “Review and comparison of commonly used activation functions for deep neural networks,” Bio-inspired neurocomputing, pp. 203–224, 2021.
Anonimo, “Algoritmo backpropagation: Funciones y aplicaciones,” Mar 2023.
T. P. Lillicrap and A. Santoro, “Backpropagation through time and the brain,” Current opinion in neurobiology, vol. 55, pp. 82–89, 2019.
A. Hernández, “Problema del desvanecimiento del gradiente (vanishing gradient problem),” May 2018.
R. KeepCoding, “Diferencias: Underfitting vs overfitting,” Apr 2023.
R. Cabello, “Vision transformers: The end of convolutional neural networks?,” May 2022.
C. S. Vega, “¡redes neuronales convolucionales! ¿cómo funcionan?,” Nov 2020.
S. Saha, “A comprehensive guide to convolutional neural networks - the eli5 way,” Dec 2018.
A. Mahdi, J. Qin, and G. Crosby, “Deepfeat: A bottom-up and top-down saliency model based on deep features of convolutional neural networks,” IEEE Transactions on Cognitive and Developmental Systems, vol. 12, no. 1, pp. 54– 63, 2019.
B. baeldung, “How relu and dropout layers work in cnns,” Apr 2023.
J. Bagnato, “¿cómo funcionan las convolutional neural networks? visión por ordenador,” Nov 2018.
B. MacKenty, “Max-pooling / pooling,” Jun 2017.
P. CLIC, “nbsp;clasificación, ubicación, detección y segmentación de objetivos,” 2021.
N. Kheradmandi and V. Mehranfar, “A critical review and comparative study on image segmentation-based techniques for pavement crack detection,” Construction and Building Materials, vol. 321, p. 126162, 2022.
Anonimo, “Segmentación semántica - tres cosas que es necesario saber.”
C. Bonilla Carrión, “Redes convolucionales,” 2020.
Y. Sun, B. Xue, M. Zhang, and G. G. Yen, “Completely automated cnn architecture design based on blocks,” IEEE transactions on neural networks and learning systems, vol. 31, no. 4, pp. 1242–1254, 2019.
Y. Sun, B. Xue, M. Zhang, G. G. Yen, and J. Lv, “Automatically designing cnn architectures using the genetic algorithm for image classification,” IEEE transactions on cybernetics, vol. 50, no. 9, pp. 3840–3854, 2020.
E. Zvornicanin, “What is depth in a convolutional neural network?,” May 2023.
S. Ramesh, “A guide to an efficient way to build neural network architecturespart ii: Hyper-parameter...,” Jul 2021.
M. G. Villanueva and L. R. Muñoz, “Diseño de una arquitectura de red neuronal convolucional para la clasificación de objetos,” Ciencia Nicolaita, no. 81, pp. 46–61, 2020.
A. Thite, “Introduction to vgg16: What is vgg16?,” Nov 2022.
N. Bačanin Džakula et al., “Convolutional neural network layers and architectures,” in Sinteza 2019-International Scientific Conference on Information Technology and Data Related Research, pp. 445–451, Singidunum University, 2019.
E. Zvornicanin, “How to design deep convolutional neural networks?,” Apr 2022.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” June 2016.
C. B. Murthy, M. F. Hashmi, N. D. Bokde, and Z. W. Geem, “Investigations of object detection in images/videos using various deep learning techniques and embedded platforms—a comprehensive review,” Applied sciences, vol. 10, no. 9, p. 3280, 2020.
K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask r-cnn,” in Proceedings of the IEEE international conference on computer vision, pp. 2961–2969, 2017.
Z. Zhou, M. Zhang, J. Chen, and X. Wu, “Detection and classification of multimagnetic targets using mask-rcnn,” IEEE Access, vol. 8, pp. 187202–187207, 2020.
F. Zhuang, Z. Qi, K. Duan, D. Xi, Y. Zhu, H. Zhu, H. Xiong, and Q. He, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, pp. 43–76, 2020.
C. Saura Moreno et al., “Evaluación de algoritmos de aprendizaje por refuerzo en un entorno unity,” 2020.
J. M. Pastor, H. Díaz, L. Armesto, and A. Sala, “Aprendizaje por refuerzo con búsqueda de políticas: simulación y aplicación a un sistema electromecánico,” in XXXVII Jornadas de Automática, pp. 710–717, Comité Español de Automática, 2016.
M. S. Ausin, “Introducción al aprendizaje por refuerzo. parte 5: Políticas de gradiente,” Nov 2020.
C. Yoon, “Deriving policy gradients and implementing reinforce,” Dec 2019.
Z. Zhu, K. Lin, A. K. Jain, and J. Zhou, “Transfer learning in deep reinforcement learning: A survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.
T. Simonini, “Proximal policy optimization (ppo),” Aug 2022.
J. Schulman, F. Wolski, P. Dhariwal, A. Radford, and O. Klimov, “Proximal policy optimization algorithms,” arXiv preprint arXiv:1707.06347, 2017.
K. Bogomasov, Process Automation and Quality Assurance in Computer Vision for Real World Applications. PhD thesis.
S. S. A. Zaidi, M. S. Ansari, A. Aslam, N. Kanwal, M. Asghar, and B. Lee, “A survey of modern deep learning based object detection models,” Digital Signal Processing, p. 103514, 2022.
L. J. Patiño Arévalo and W. A. Hernández Martínez, “Selección y clasificación de piezas mediante visión de máquina utilizando un robot industrial,” 2016.
K. Hameed, D. Chai, and A. Rassau, “A comprehensive review of fruit and vegetable classification techniques,” Image and Vision Computing, vol. 80, pp. 24–44, 2018.
M. A. E. Muhammed, A. A. Ahmed, and T. A. Khalid, “Benchmark analysis of popular imagenet classification deep cnn architectures,” in 2017 International conference on smart technologies for smart nation (SmartTechCon), pp. 902– 907, IEEE, 2017.
U. Saxena, “Fruits classification.” https://www.kaggle.com/datasets/ utkarshsaxenadn/fruits-classification, abril 2023.
J. I. B. Arce, “La matriz de confusión y sus métricas – inteligencia artificial –,” Jul 2019.
W. S. Chuchuca Coronel and C. A. Samaniego Guzmán, “Implementación de un sistema de mapeo de entornos en 3d sobre una plataforma robótica móvil basada en ros,” B.S. thesis, 2023.
D. Becker, “Cityscapes image pairs,” Apr 2018.
T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, and C. L. Zitnick, “Microsoft coco: Common objects in context,” in Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part V 13, pp. 740–755, Springer, 2014.
D. Tran, “Tensorflow object detection api.”
J. Hua, L. Zeng, G. Li, and Z. Ju, “Learning for a robot: Deep reinforcement learning, imitation learning, transfer learning,” Sensors, vol. 21, no. 4, p. 1278, 2021.
OpenIA, “Ppo - proximal policy optimization,” 2020.
I. of Robotics and M. (RM), “Dlr-rm/stable-baselines3: Pytorch version of stable baselines, reliable implementations of reinforcement learning algorithms.,” Aug 2020.
D. A. Galvañ Sala, “Comparativa de técnicas para la prevención del sobreajuste en redes neuronales,” 2021.
J. I. Bagnato, “Qué es overfitting y underfitting y cómo solucionarlo,” Dec 2017.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Ingeniería en Mecatrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/45868/1/MosqueraRamirezMaickSantiago2023.pdf
http://repository.unimilitar.edu.co/bitstream/10654/45868/2/license.txt
bitstream.checksum.fl_str_mv 9431442d6ac05506e5fa2a58371eb587
a609d7e369577f685ce98c66b903b91b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1808417831783497728
spelling Velasco Toledo, Nelson FernandoMosquera Ramírez, Maick SantiagoIngeniero en Mecatrónica2024-02-27T16:42:59Z2024-02-27T16:42:59Z2023-09-29http://hdl.handle.net/10654/45868instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEn los últimos años, la inteligencia artificial ha experimentado un crecimiento notable, evidenciando avances en una variedad de sectores y transformando la vida cotidiana, tareas e industrias. Uno de los campos que ha sido especialmente impactado es el de la robótica, con avances notables como la robótica colaborativa, la automatización de procesos y los vehículos autónomos. La ingeniería en mecatrónica es una disciplina altamente representativa de la automatización y los robots; sin embargo, hasta ahora ha tenido un enfoque limitado en cuanto a la inteligencia artificial, lo cual limita las oportunidades académicas y laborales que el dominio de la inteligencia artificial podría ofrecer a estos profesionales. Como respuesta a esta brecha, este documento presenta el desarrollo de un manual teórico-práctico que presenta tres aplicaciones distintas potenciadas por la inteligencia artificial. Estas aplicaciones son extremadamente útiles para la implementación de robots y en la ingeniería mecatrónica. El objetivo es permitir que cualquier profesional interesado en el área pueda adquirir los conocimientos necesarios para desenvolverse en este campo. Las aplicaciones específicas incluyen la clasificación de imágenes, la segmentación semántica de imágenes para la detección de objetos en entornos y el aprendizaje por refuerzo para el desarrollo de movimientos de un robot.Índice general 1. Introducción 1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . 12 1.3. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . 13 1.5. Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.6. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . 14 2. Introducción a la Inteligencia Artificial y la Ingeniería Mecatrónica 2.1. Inteligencia Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.1.1. Historia de la Inteligencia Artificial . . . . . . . . . . . . . . . 17 2.1.2. Aplicaciones de la Inteligencia Artificial . . . . . . . . . . . . . 18 2.1.3. Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.1.4. Tipos de aprendizaje . . . . . . . . . . . . . . . . . . . . . . . 19 2.2. Ingeniería Mecatrónica . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1. Factor Diferencial . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3. Relación entre IA e ingeniería Mecatrónica . . . . . . . . . . . . . . . 20 2.4. IA y Robótica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3. Fundamentos Teóricos del Aprendizaje Profundo 3.1. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.1.1. Neurona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.1.2. Funcion de activación . . . . . . . . . . . . . . . . . . . . . . . 25 3.1.3. Función de perdida . . . . . . . . . . . . . . . . . . . . . . . . 28 3.1.4. Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.1.5. Sobreajuste y subajuste . . . . . . . . . . . . . . . . . . . . . 29 3.2. Arquitecturas de Redes Neuronales Convolucionales . . . . . . . . . . 30 3.2.1. Redes Neuronales Convolucionales . . . . . . . . . . . . . . . . 30 3.2.2. Diseño de Arquitecturas CNN . . . . . . . . . . . . . . . . . . 37 3.2.3. VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.2.4. RESNET50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2.5. RCNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2.6. Mask R-CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.2.7. Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.3. Aprendizaje por refuerzo . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.3.1. Conceptos de Aprendizaje por refuerzo . . . . . . . . . . . . . 51 3.3.2. Policy gradient . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.3.3. Advantage Actor Critic . . . . . . . . . . . . . . . . . . . . . . 54 3.3.4. Proximal policy optimization . . . . . . . . . . . . . . . . . . 55 4. Clasificación de Objetos con Redes Neuronales Convolucionales 4.1. Conjuntos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.1.1. ImageNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.2. Aplicación de la arquitectura RESNET50 . . . . . . . . . . . . . . . . 59 4.3. Aplicación de la arquitectura VGG16 . . . . . . . . . . . . . . . . . . 64 4.4. Aplicación de una arquitectura CNN personalizada . . . . . . . . . . 66 5. Identificación de Entorno Mediante Segmentación de Imágenes 5.1. Segmentación de Imágenes . . . . . . . . . . . . . . . . . . . . . . . . 71 5.2. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 6. Control de Movimiento para robots con aprendizaje por refuerzo 78 6.1. Desplazamiento de Robots . . . . . . . . . . . . . . . . . . . . . . . . 78 6.2. Robot cuadrúpedo con aprendizaje por refuerzo . . . . . . . . . . . . 79 7. ConclusionesIn recent years, artificial intelligence has experienced significant growth, demonstrating advancements in various sectors and transforming everyday life, tasks, and industries. One of the fields that has been particularly impacted is robotics, with notable advancements such as collaborative robotics, process automation, and autonomous vehicles. Mechatronics engineering is a highly representative discipline of automation and robotics; however, it has had a limited focus on artificial intelligence, which limits the academic and career opportunities that proficiency in artificial intelligence could offer to these professionals. In response to this gap, this document presents the development of a theoretical-practical manual that introduces three distinct applications enhanced by artificial intelligence. These applications are extremely useful for the implementation of robots and in mechatronics engineering. The goal is to enable any professional interested in the field to acquire the necessary knowledge to excel in this domain. The specific applications include image classification, semantic image segmentation for object detection in environments, and reinforcement learning for the development of robot movements.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Manual teórico-práctico de aprendizaje profundo aplicado a problemas de ingeniería mecatrónicaTheoretical-practical manual for deep learning applied to mechatronic engineering problemsINTELIGENCIA ARTIFICIALROBOTICAREDES NEURALES (COMPUTADORES)Intelligent ArtificialRoboticsMechatronics EngineeringImage ClassificationSemantic SegmentationReinforcement LearningTheoretical-Practical ManualConvolutional Neural NetworkInteligencia ArtificialRobóticaIngenieria MecatrónicaClasificación de imágenesSegmentación semánticaAprendizaje por refuerzoManual teórico-prácticoRed neuronal convolucional.Tesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en MecatrónicaFacultad de IngenieríaUniversidad Militar Nueva GranadaL. Van Bulck, R. Couturier, and P. Moons, “Applications of artificial intelligence for nursing: has a new era arrived?,” 2023.M. Soori, B. Arezoo, and R. Dastres, “Artificial intelligence, machine learning and deep learning in advanced robotics, a review,” Cognitive Robotics, 2023.R. Castillo, “Contenido programático inteligencia artificial UMNG” 2022.M. R. Khan, H. Antong, A. N. Wahid, K. A. M. Nor, S. B. A. Hamid, and A. Sophian, “Mechatronics engineering curriculum in the new perspective,” Engineering Professional Ethics and Education 2021 (ICEPEE’21), p. 80, 2021.B. S. Alfonso García et al., “Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos,”J. E. Herrera Benavides et al., “Sistema basado en aprendizaje profundo para evadir obstáculos estáticos con un robot fijo de 6 dof,”R. Aquino, C. Fernández, and L. Corona, “La ingeniería mecatrónica como fundamento en la transición hacia la industria 4.0,” in Presentado en el congreso internacional de investigación academia journals, Celaya Guanajuato, noviembre, 2019.D. Han, B. Mulyana, V. Stankovic, and S. Cheng, “A survey on deep reinforcement learning algorithms for robotic manipulation,” Sensors, vol. 23, no. 7, p. 3762, 2023.R. A. Mouha et al., “Deep learning for robotics,” Journal of Data Analysis and Information Processing, vol. 9, no. 02, p. 63, 2021.L. Xiaoyu, “Application and research of artificial intelligence in mechatronic engineering,” in 2020 5th International Conference on Mechanical, Control and Computer Engineering (ICMCCE), pp. 235–238, IEEE, 2020.Y. Xiang, “Exploration of the application of artificial intelligence technology in mechatronics technology based on,” in Journal of Physics: Conference Series, vol. 1915, p. 022059, IOP Publishing, 2021.D. Kaur, S. Uslu, K. J. Rittichier, and A. Durresi, “Trustworthy artificial intelligence: a review,” ACM Computing Surveys (CSUR), vol. 55, no. 2, pp. 1– 38, 2022.L. Rouhiainen, “Inteligencia artificial,” Madrid: Alienta Editorial, 2018.M. Haenlein and A. Kaplan, “A brief history of artificial intelligence: On the past, present, and future of artificial intelligence,” California management review, vol. 61, no. 4, pp. 5–14, 2019.V. Kaul, S. Enslin, and S. A. Gross, “History of artificial intelligence in medicine,” Gastrointestinal endoscopy, vol. 92, no. 4, pp. 807–812, 2020.N. Muthukrishnan, F. Maleki, K. Ovens, C. Reinhold, B. Forghani, and R. Forghani, “Brief history of artificial intelligence,” Neuroimaging Clinics, vol. 30, no. 4, pp. 393–399, 2020.A. Newell and H. A. Simon, An example of human chess play in the light of chess playing programs. Carnegie Institute of Technology, 1964.A. Toosi, A. G. Bottino, B. Saboury, E. Siegel, and A. Rahmim, “A brief history of ai: how to prevent another winter (a critical review),” PET clinics, vol. 16, no. 4, pp. 449–469, 2021.D. Tafazoli and N. Golshan, “Review of computer-assisted language learning: History, merits & barriers,” International Journal of Language and Linguistics, vol. 2, no. 5-1, pp. 32–38, 2014.S. Beyaz, “A brief history of artificial intelligence and robotic surgery in orthopedics & traumatology and future expectations,” Joint Diseases and Related Surgery, vol. 31, no. 3, p. 653, 2020.K. Bimbraw, “Autonomous cars: Past, present and future a review of the developments in the last century, the present scenario and the expected future of autonomous vehicle technology,” in 2015 12th international conference on informatics in control, automation and robotics (ICINCO), vol. 1, pp. 191–198, IEEE, 2015.F. K. Došilović, M. Brčić, and N. Hlupić, “Explainable artificial intelligence: A survey,” in 2018 41st International convention on information and communication technology, electronics and microelectronics (MIPRO), pp. 0210–0215, IEEE, 2018.K. McBride, “Hola, mundo: La inteligencia artificial y su uso en el sector público,” 2020.M. Rouse, “¿qué es inteligencia artificial o ia? - definición en whatis.com,” Apr 2021.J. Serey, M. Alfaro, G. Fuertes, M. Vargas, C. Durán, R. Ternero, R. Rivera, and J. Sabattin, “Pattern recognition and deep learning technologies, enablers of industry 4.0, and their role in engineering research,” Symmetry, vol. 15, no. 2, p. 535, 2023.R. Ribeiro, “10 ejemplos exitosos de inteligencia artificial en las empresas,” Oct 2021.M. Karatas, L. Eriskin, M. Deveci, D. Pamucar, and H. Garg, “Big data for healthcare industry 4.0: Applications, challenges and future perspectives,” Expert Systems with Applications, vol. 200, p. 116912, 2022.M. Placek, “Worldwide - countries’ preparedness for autonomous vehicles 2020,” Jan 2023.S. Guenat, P. Purnell, Z. G. Davies, M. Nawrath, L. C. Stringer, G. R. Babu, M. Balasubramanian, E. E. Ballantyne, B. K. Bylappa, B. Chen, et al., “Meeting sustainable development goals via robotics and autonomous systems,” Nature communications, vol. 13, no. 1, p. 3559, 2022.S. J. Russell and P. Norvig, Inteligencia Artificial: un enfoque moderno. No. 04; Q335, R8y 2004., 2004.P. Recuero de los Santos, “Tipos de aprendizaje en machine learning: Supervisado y no supervisado,” Dec 2021.O. A. SALAZAR and J. A. M. VARGAS, “La ingeniería mecatrónica por ciclos en colombia,” Scientia et technica, vol. 1, no. 35, 2007.S. Ashley, “Getting a hold on mechatronics,” Mechanical Engineering, vol. 119, no. 5, pp. 60–63, 1997.J. A. Aquino Robles, L. G. Corona, and J. C. Trujillo, “Tendencia en la enseñanza de la ingeniería mecatrónica y su campo disciplinar,” 2013.A. Singh, “Mechatronics engineering in the modern world and its use in the construction industry,” in Trends, Paradigms, and Advances in Mechatronics Engineering, pp. 64–92, IGI Global, 2023.K. Craig, “Mechatronics in university and professional education: Is there anything really new here?,” in ASME International Mechanical Engineering Congress and Exposition, vol. 15861, pp. 369–375, American Society of Mechanical Engineers, 1998.H. Nieto Ordaya, “Diseño de un sistema mecánico eléctrico para la selección de chirimoyas,” 2016.X. Wu, J. Liu, Y. Zhou, Q. Lv, and C. Hu, “Movement control and attitude adjustment of climbing robot on flexible surfaces,” IEEE Transactions on Industrial Electronics, vol. 65, no. 3, pp. 2618–2628, 2017.N. González Benítez, V. Estrada Sentí, and A. Febles Estrada, “Estudio y selección de las técnicas de inteligencia artificial para el diagnóstico de enfermedades,” Revista de Ciencias Médicas de Pinar del Río, vol. 22, no. 3, pp. 131–141, 2018.D. Parekh, N. Poddar, A. Rajpurkar, M. Chahal, N. Kumar, G. P. Joshi, and W. Cho, “A review on autonomous vehicles: Progress, methods and challenges,” Electronics, vol. 11, no. 14, p. 2162, 2022.Z. Makhataeva and H. A. Varol, “Augmented reality for robotics: A review,” Robotics, vol. 9, no. 2, p. 21, 2020.S. Bala, M. N. Khalid, H. Kumar, and V. K. Shukla, “The practical enactment of robotics and artificial intelligence technologies in e-commerce,” in Cyber Intelligence and Information Retrieval: Proceedings of CIIR 2021, pp. 455– 467, Springer, 2022.J. Wang and A. Chortos, “Control strategies for soft robot systems,” Advanced Intelligent Systems, vol. 4, no. 5, p. 2100165, 2022.P. Biswal and P. K. Mohanty, “Development of quadruped walking robots: A review,” Ain Shams Engineering Journal, vol. 12, no. 2, pp. 2017–2031, 2021.W. R. Asanza and B. M. Olivo, “Redes neuronales artificiales aplicadas al reconocimiento de patrones,” Editorial UTMACH, vol. 1, no. 4, p. 5, 2018.A. S. Gillis, “What is deep learning and how does it work?: Definition from techtarget,” Jul 2023.P. Huet, “Qué son las redes neuronales y sus aplicaciones,” Apr 2023.A. E. Repetur, “Redes neuronales artificiales,” Buenos Aires: Universidad Nacional del Centro de la Provincia de Buenos Aires, 2019.T. rédac, “Perceptron: Qu’est-ce que c’est et à quoi ça sert?,” Mar 2022.Sotaquirá, “Parametros e hiperparámetros en el machine learning codificando bits,” jun 2023.D. Calvo, “Función de activación - redes neuronales,” Dec 2018.T. Szandała, “Review and comparison of commonly used activation functions for deep neural networks,” Bio-inspired neurocomputing, pp. 203–224, 2021.Anonimo, “Algoritmo backpropagation: Funciones y aplicaciones,” Mar 2023.T. P. Lillicrap and A. Santoro, “Backpropagation through time and the brain,” Current opinion in neurobiology, vol. 55, pp. 82–89, 2019.A. Hernández, “Problema del desvanecimiento del gradiente (vanishing gradient problem),” May 2018.R. KeepCoding, “Diferencias: Underfitting vs overfitting,” Apr 2023.R. Cabello, “Vision transformers: The end of convolutional neural networks?,” May 2022.C. S. Vega, “¡redes neuronales convolucionales! ¿cómo funcionan?,” Nov 2020.S. Saha, “A comprehensive guide to convolutional neural networks - the eli5 way,” Dec 2018.A. Mahdi, J. Qin, and G. Crosby, “Deepfeat: A bottom-up and top-down saliency model based on deep features of convolutional neural networks,” IEEE Transactions on Cognitive and Developmental Systems, vol. 12, no. 1, pp. 54– 63, 2019.B. baeldung, “How relu and dropout layers work in cnns,” Apr 2023.J. Bagnato, “¿cómo funcionan las convolutional neural networks? visión por ordenador,” Nov 2018.B. MacKenty, “Max-pooling / pooling,” Jun 2017.P. CLIC, “nbsp;clasificación, ubicación, detección y segmentación de objetivos,” 2021.N. Kheradmandi and V. Mehranfar, “A critical review and comparative study on image segmentation-based techniques for pavement crack detection,” Construction and Building Materials, vol. 321, p. 126162, 2022.Anonimo, “Segmentación semántica - tres cosas que es necesario saber.”C. Bonilla Carrión, “Redes convolucionales,” 2020.Y. Sun, B. Xue, M. Zhang, and G. G. Yen, “Completely automated cnn architecture design based on blocks,” IEEE transactions on neural networks and learning systems, vol. 31, no. 4, pp. 1242–1254, 2019.Y. Sun, B. Xue, M. Zhang, G. G. Yen, and J. Lv, “Automatically designing cnn architectures using the genetic algorithm for image classification,” IEEE transactions on cybernetics, vol. 50, no. 9, pp. 3840–3854, 2020.E. Zvornicanin, “What is depth in a convolutional neural network?,” May 2023.S. Ramesh, “A guide to an efficient way to build neural network architecturespart ii: Hyper-parameter...,” Jul 2021.M. G. Villanueva and L. R. Muñoz, “Diseño de una arquitectura de red neuronal convolucional para la clasificación de objetos,” Ciencia Nicolaita, no. 81, pp. 46–61, 2020.A. Thite, “Introduction to vgg16: What is vgg16?,” Nov 2022.N. Bačanin Džakula et al., “Convolutional neural network layers and architectures,” in Sinteza 2019-International Scientific Conference on Information Technology and Data Related Research, pp. 445–451, Singidunum University, 2019.E. Zvornicanin, “How to design deep convolutional neural networks?,” Apr 2022.K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” June 2016.C. B. Murthy, M. F. Hashmi, N. D. Bokde, and Z. W. Geem, “Investigations of object detection in images/videos using various deep learning techniques and embedded platforms—a comprehensive review,” Applied sciences, vol. 10, no. 9, p. 3280, 2020.K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask r-cnn,” in Proceedings of the IEEE international conference on computer vision, pp. 2961–2969, 2017.Z. Zhou, M. Zhang, J. Chen, and X. Wu, “Detection and classification of multimagnetic targets using mask-rcnn,” IEEE Access, vol. 8, pp. 187202–187207, 2020.F. Zhuang, Z. Qi, K. Duan, D. Xi, Y. Zhu, H. Zhu, H. Xiong, and Q. He, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, pp. 43–76, 2020.C. Saura Moreno et al., “Evaluación de algoritmos de aprendizaje por refuerzo en un entorno unity,” 2020.J. M. Pastor, H. Díaz, L. Armesto, and A. Sala, “Aprendizaje por refuerzo con búsqueda de políticas: simulación y aplicación a un sistema electromecánico,” in XXXVII Jornadas de Automática, pp. 710–717, Comité Español de Automática, 2016.M. S. Ausin, “Introducción al aprendizaje por refuerzo. parte 5: Políticas de gradiente,” Nov 2020.C. Yoon, “Deriving policy gradients and implementing reinforce,” Dec 2019.Z. Zhu, K. Lin, A. K. Jain, and J. Zhou, “Transfer learning in deep reinforcement learning: A survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.T. Simonini, “Proximal policy optimization (ppo),” Aug 2022.J. Schulman, F. Wolski, P. Dhariwal, A. Radford, and O. Klimov, “Proximal policy optimization algorithms,” arXiv preprint arXiv:1707.06347, 2017.K. Bogomasov, Process Automation and Quality Assurance in Computer Vision for Real World Applications. PhD thesis.S. S. A. Zaidi, M. S. Ansari, A. Aslam, N. Kanwal, M. Asghar, and B. Lee, “A survey of modern deep learning based object detection models,” Digital Signal Processing, p. 103514, 2022.L. J. Patiño Arévalo and W. A. Hernández Martínez, “Selección y clasificación de piezas mediante visión de máquina utilizando un robot industrial,” 2016.K. Hameed, D. Chai, and A. Rassau, “A comprehensive review of fruit and vegetable classification techniques,” Image and Vision Computing, vol. 80, pp. 24–44, 2018.M. A. E. Muhammed, A. A. Ahmed, and T. A. Khalid, “Benchmark analysis of popular imagenet classification deep cnn architectures,” in 2017 International conference on smart technologies for smart nation (SmartTechCon), pp. 902– 907, IEEE, 2017.U. Saxena, “Fruits classification.” https://www.kaggle.com/datasets/ utkarshsaxenadn/fruits-classification, abril 2023.J. I. B. Arce, “La matriz de confusión y sus métricas – inteligencia artificial –,” Jul 2019.W. S. Chuchuca Coronel and C. A. Samaniego Guzmán, “Implementación de un sistema de mapeo de entornos en 3d sobre una plataforma robótica móvil basada en ros,” B.S. thesis, 2023.D. Becker, “Cityscapes image pairs,” Apr 2018.T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, and C. L. Zitnick, “Microsoft coco: Common objects in context,” in Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part V 13, pp. 740–755, Springer, 2014.D. Tran, “Tensorflow object detection api.”J. Hua, L. Zeng, G. Li, and Z. Ju, “Learning for a robot: Deep reinforcement learning, imitation learning, transfer learning,” Sensors, vol. 21, no. 4, p. 1278, 2021.OpenIA, “Ppo - proximal policy optimization,” 2020.I. of Robotics and M. (RM), “Dlr-rm/stable-baselines3: Pytorch version of stable baselines, reliable implementations of reinforcement learning algorithms.,” Aug 2020.D. A. Galvañ Sala, “Comparativa de técnicas para la prevención del sobreajuste en redes neuronales,” 2021.J. I. Bagnato, “Qué es overfitting y underfitting y cómo solucionarlo,” Dec 2017.Calle 100ORIGINALMosqueraRamirezMaickSantiago2023.pdfMosqueraRamirezMaickSantiago2023.pdfTesisapplication/pdf6071565http://repository.unimilitar.edu.co/bitstream/10654/45868/1/MosqueraRamirezMaickSantiago2023.pdf9431442d6ac05506e5fa2a58371eb587MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/45868/2/license.txta609d7e369577f685ce98c66b903b91bMD52open access10654/45868oai:repository.unimilitar.edu.co:10654/458682024-02-27 11:43:00.661open accessRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares