Manipulación autónoma de objetos usando un brazo robótico UR5 con cámara RGB-d vía  aprendizaje autónomo

Cajamarca Contreras, Josué Andrés; Quezada Zamora, Michael Antonio

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Mecánica y Ciencias de la Producción
→
Tesis de Mecatrónica
→
View Item

dc.contributor.advisor	Valarezo Añazco, Edwin , Director
dc.contributor.author	Cajamarca Contreras, Josué Andrés
dc.contributor.author	Quezada Zamora, Michael Antonio
dc.creator	ESPOL
dc.date.accessioned	2023-10-27T16:21:11Z
dc.date.available	2023-10-27T16:21:11Z
dc.date.issued	2023
dc.identifier.citation	Cajamarca Contreras, J. A. y Quezada Zamora, M. A. (2023). Manipulación autónoma de objetos usando un brazo robótico UR5 con cámara RGB-d vía aprendizaje autónomo. [Tesis]. ESPOL.FIMCP.ING. MECATRONICA .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58512
dc.description	Dentro de las empresas almaceneras de bienes o encargadas de brindar el servicio de renta de espacios para almacenaje, existen problemas de eficiencia donde las jornadas de trabajo que llegan a exceder las 11 horas diarias les pasan factura a sus trabajadores, volviéndose propensos a cometer errores involuntarios como daños o perdida de bienes durante su reubicación, además de posibilitar casos de almacenamiento excesivo por desconcentración o fatiga. Conociendo que en la actualidad un 36% de empresas emplean activamente una solución autónoma, se propone una solución con el uso de un brazo robótico capaz de reubicar eficientemente objetos. Para lo cual se requiere implementar un sistema de visión capaz de detectar objetos, implementar el uso de algoritmos de aprendizaje reforzado basado en DDPG, y diseñar unas pinzas que se acoplen correctamente a la geometría de los objetos definidos. Este proyecto hizo uso de un software libre capaz de simular entornos con físicas reales donde se definió el espacio de trabajos con las herramientas necesarias como el robot UR5, las pinzas diseñadas, una mesa de trabajo, un estante y los objetos a reubicar. Se usó el aprendizaje profundo por refuerzo basado en experiencia, mediante la creación de funciones de recompensas que hicieron posible que el robot aprenda las acciones optimas que debe tomar para lograr una reubicación efectiva. Además de implementarse un sistema de visión robótica usando algoritmos de detección y clasificación de objetos para la localización de elementos en el espacio de trabajo. Al final contamos con una visión robótica capaz de identificar correctamente los objetos definidos inicialmente, una matriz de transformación capaz de realizar un cambio de perspectiva correctamente, el diseño de unas pinzas que se ajustan adecuadamente a los elementos seleccionados, y una red neuronal entrenada mediante algoritmos basados en experiencias que van aprendiendo a realizar las acciones necesarias
dc.format	application/pdf
dc.format.extent	89 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Brazo robótico
dc.subject	Sistema de visión robótica
dc.subject	Inteligencia artificial
dc.title	Manipulación autónoma de objetos usando un brazo robótico UR5 con cámara RGB-d vía aprendizaje autónomo
dc.type	Ingeniero en Mecatrónica
dc.identifier.codigoespol	T-113810
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-2168
dc.description.abstractenglish	Within the companies that store goods or are in charge of providing storage space rental services, there are efficiency problems where working hours that exceed 11 hours a day take their toll on their workers, making them prone to involuntary errors such as damage or loss of goods during their relocation, as well as making possible cases of excessive storage due to lack of concentration or fatigue. Knowing that currently 36% of companies actively employ an autonomous solution, a solution is proposed with the use of a robotic arm capable of efficiently relocating objects. For which it is required to implement a vision system capable of detecting objects, implement the use of reinforced learning algorithms based on DDPG, and design grippers that are correctly coupled to the geometry of the defined objects. This project made use of a free software capable of simulating environments with real physics where the workspace was defined with the necessary tools such as the UR5 robot, the designed grippers, a worktable, a shelf and the objects to be relocated. Deep learning by experience-based reinforcement was used by creating reward functions that made it possible for the robot to learn the optimal actions to take to achieve an effective relocation. In addition to implementing a robotic vision system using object detection and classification algorithms for locating items in the workspace. In the end we have a robotic vision capable of correctly identifying the objects initially defined, a transformation matrix capable of correctly changing perspective, the design of grippers that properly adjust to the selected elements, and a neural network trained by algorithms based on experiences that learn to perform the necessary actions.