Dinámica y navegación autónoma a través de cultivos de palma para dron hexarrotor basada en aprendizaje por refuerzo

Simple item page
dc.contributor.advisorBorrás Pinilla, Carlos
dc.contributor.authorNavas Torres, Óscar Miguel
dc.contributor.evaluatorCarreño Zagarra, José Jorge
dc.contributor.evaluatorHazbón Álvarez, Omar
dc.date.accessioned2025-01-31T19:04:59Z
dc.date.available2025-01-31T19:04:59Z
dc.date.created2025-01-31
dc.date.issued2025-01-31
dc.description.abstractEste trabajo detalla la metodología utilizada para desarrollar un sistema de navegación autónoma para un dron hexarrotor, diseñado para operar en plantaciones simuladas de palma de aceite. La primera fase del proyecto consistió en la creación de un modelo dinámico no lineal, utilizando la dinámica de Lagrange que incluye fuerzas de vientos externos y efectos giroscópicos. Matlab fue empleado para realizar operaciones simbólicas permitiendo de esta forma la obtención eficiente de las ecuaciones de movimiento del dron. El sistema de navegación está compuesto por dos controladores: un controlador LQG-Integral y un controlador basado en aprendizaje por refuerzo. El controlador LQG-Integral (Linear Quadratic Gaussian) se encargó del seguimiento preciso de la trayectoria para las coordenadas de posición del dron. Este controlador fue comparado con controladores PID y LQG en términos de precisión, estabilidad y respuesta dinámica. Los resultados demostraron que el LQG-Integral es el más efectivo, eliminando errores en estado estable y proporcionando un seguimiento de trayectoria superior. Por otro lado, el controlador de alto nivel basado en la estrategia de aprendizaje por refuerzo DDDQN (Dueling Double Deep Q-Network), fue responsable de la planificación de trayectorias locales y la evasión de obstáculos. Este controlador permitió al dron navegar de manera eficiente en el entorno simulado, evitando obstáculos de forma efectiva. La implementación y prueba del sistema en el simulador Gazebo permitieron validar el comportamiento del dron en un entorno con dinámica realista, sin necesidad de pruebas en drones y cultivo reales. Durante el entrenamiento, el agente autónomo mostró una notable mejora en la navegación, reduciendo la longitud de las rutas y minimizando la activación de las rutinas de evasión de emergencia, evidenciando un avance constante en su rendimiento y eficiencia.
dc.description.abstractenglishThis work details the methodology used to develop an autonomous navigation system for a hexacopter drone, designed to operate in simulated oil palm plantations. The first phase of the project involved creating a nonlinear dynamic model using Lagrangian dynamics, which includes external wind forces and gyroscopic effects. Matlab was used to perform symbolic operations, allowing for the efficient derivation of the drone's equations of motion. The navigation system consists of two controllers: an LQG-Integral controller and a reinforcement learning-based controller. The LQG-Integral (Linear Quadratic Gaussian) controller was responsible for precise trajectory tracking of the drone's position coordinates. This controller was compared to PID and LQG controllers in terms of precision, stability, and dynamic response. The results showed that the LQG-Integral was the most effective, eliminating steady-state errors and providing superior trajectory tracking. On the other hand, the high-level controller, based on the reinforcement learning strategy DDDQN (Dueling Double Deep Q-Network), was responsible for local trajectory planning and obstacle avoidance. This controller allowed the drone to navigate efficiently in the simulated environment, effectively avoiding obstacles. The implementation and testing of the system in the Gazebo simulator validated the drone's behavior in a realistic dynamic environment without the need for tests on real drones and plantations. During training, the autonomous agent showed significant improvement in navigation, reducing route lengths and minimizing the activation of emergency avoidance routines, demonstrating steady progress in its performance and efficiency.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Mecánica
dc.description.orcidhttps://orcid.org/0009-0004-9192-8433
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/44937
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Mecánica
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectVANT
dc.subjectControl LQG
dc.subjectMecánica Lagrangiana
dc.subjectInteligencia artificial
dc.subjectAprendizaje por Refuerzo
dc.subjectdron hexacóptero
dc.subjectplaneación de trayectoria local
dc.subjectpalma de aceite
dc.subject.keywordUAV
dc.subject.keywordLQG Control
dc.subject.keywordLagrangian Mechanics
dc.subject.keywordArtificial Intelligence
dc.subject.keywordReinforcement Learning
dc.subject.keywordHexacopter Drone
dc.subject.keywordLocal Trajectory Planning
dc.subject.keywordOil Palm
dc.titleDinámica y navegación autónoma a través de cultivos de palma para dron hexarrotor basada en aprendizaje por refuerzo
dc.title.englishDynamic and Autonomous Navigation through Palm Crops for Hexarotor Drone Based on Reinforcement Learning
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 4 of 4
No Thumbnail Available
Name:
Apéndices.zip
Size:
10.53 MB
Format:
Unknown data format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
116.48 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
173.54 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.55 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería Mecánica