Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2601| Seguimiento de Objetos Móviles a través de un UAV utilizando DNN | |
| Erik Francisco Agustín | |
| Gustavo Rodriguez_Gomez Jose Martinez-Carranza | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Control DNN Dynamic Model MPC UAV | |
| The results of various missions to Mars, which have involved sending probes, rovers, and recently the helicopter Ingenuity, have highlighted the growing need to develop technologies for autonomous navigation. The powered flight capability of Unmanned Aerial Vehicles (UAVs) offers immense applications in planetary exploration. Detecting and tracking moving objects with unknown dynamics is a current challenge, especially in planetary exploration. The existing algorithms for target detection, combined with trajectory tracking control, are computationally expensive and face difficulties in meeting real-time requirements. Although classical techniques for trajectory tracking exist, they present limitations in the design of the UAV’s dynamic model. Depending on the model, singularities may arise for certain states, and in practice, it is challenging for the model to encompass all states of the UAV. As a result, control may fail to achieve its objective. This work proposes an architecture of a pre-trained Deep Neural Network (DNN) with Model Predictive Control (MPC) for trajectory tracking. The proposal aims to reduce computational cost, maintain the precision of optimal control in tracking, and increase processing speed compared to MPC. The control commands are derived from visual information and UAV states. Experimental tests were conducted in simulation using the Gazebo program, with the Parrot Bebop 2.0 and the Husky robot. Physical implementation was carried out with the Bebop 2.0 and a differential robot. Los resultados de diversas misiones a Marte, en las que se han enviado sondas, rovers y recientemente el helicóptero Ingenuity, han mostrado la creciente necesidad de desarrollar tecnologías para la navegación autónoma. La capacidad de vuelo propulsado de los Vehículos Aéreos No Tripulados (UAV) ofrece aplicaciones inmensas en la exploración planetaria. Detectar y seguir objetos en movimiento cuyas dinámicas son desconocidas es un desafío actual, especialmente en la exploración planetaria. Los algoritmos actuales para detección de objetivos en conjunto con el control de seguimiento de trayectorias, son costosos computacionalmente y enfrentan dificultades en cumplir con requisitos de tiempo real. Aunque existen técnicas clásicas para el seguimiento de trayectorias, presentan limitaciones en el diseño del modelo dinámico del UAV. Dependiendo del modelo, pueden surgir singularidades para ciertos estados, y en la práctica, es difícil que el modelo abarque todos los estados del UAV. Como resultado, el control puede fallar en el logro de su objetivo. Este trabajo propone una arquitectura de Red Neuronal Profunda (DNN) preentrenada con un Control de Modelo Predictivo (MPC) para el seguimiento de trayectorias. La propuesta busca reducir el costo computacional, mantener la presición del control óptimo en el seguimiento e incrementar la velocidad de procesamiento en comparación con el MPC. Los comandos de control se derivan de información visual y estados del UAV. Las pruebas experimentales se llevaron a cabo en simulación en el programa Gazebo, con el Bebop 2.0 de Parrot y el robot Husky. Mientras que, la implementación física se realizó con el Bebop 2.0 y un robot diferencial. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-06 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Francisco Agustín, E. (2024), Seguimiento de Objetos Móviles a través de un UAV utilizando DNN, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| CIENCIAS DEL ESPACIO | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencia y Tecnología del Espacio |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| FRANCISCOAE_DCTE.pdf | 16.3 MB | Adobe PDF | Visualizar/Abrir |