Navigation Of A UGV For Tomato Crops In Greenhouses Using Reinforcement Learning

Simple item page
dc.contributor.advisorBorrás Pinilla, Carlos
dc.contributor.advisorFlórez Arias, Carlos Alberto
dc.contributor.authorRada Rey, Juan Sebastián
dc.contributor.evaluatorGonzález Mancera, Andrés Leonardo
dc.contributor.evaluatorMartínez Carrillo, Fabio
dc.date.accessioned2025-08-19T14:40:50Z
dc.date.available2025-08-19T14:40:50Z
dc.date.created2025-07-31
dc.date.issued2025-07-31
dc.description.abstractLa creciente demanda de producción de alimentos impulsa el interés en la agricultura de precisión y la agro-robótica como medios efectivos para aumentar la productividad de los cultivos y optimizar el uso de recursos. Uno de los retos más importantes en este ámbito es lograr una navegación autónoma robusta y confiable para robots en entornos de invernadero, caracterizados por ser espacios reducidos, dinámicos y sin señal GPS. Este estudio se centra en el diseño e implementación de un sistema de navegación para un vehículo terrestre no tripulado (UGV) operando en un invernadero de tomates simulado. La metodología emplea una red neuronal de tipo Double Deep Q-Network (DDQN), entrenada completamente en simulación, para abordar tareas de navegación mientras se evitan colisiones con estructuras y hileras de cultivo. El sistema propuesto integra percepción basada en LiDAR, seguimiento de la posición objetivo y selección de comandos de velocidad discretos dentro de un marco de aprendizaje por refuerzo. La evaluación se realizó en 30 episodios de prueba con distintas posiciones iniciales y de destino para medir su adaptabilidad. Los resultados muestran una tasa de éxito del 90\% en alcanzar los objetivos sin colisiones, con una planificación de trayectoria consistente y una evasión eficaz de obstáculos, incluso en pasillos estrechos. La incorporación de memoria de repetición priorizada mejoró notablemente el rendimiento, incrementando los episodios exitosos y reduciendo las colisiones. Estos hallazgos respaldan el potencial de los enfoques basados en DRL para la automatización de invernaderos y sientan las bases para su futura aplicación en entornos agrícolas reales.
dc.description.abstractenglishThe demand for increased food production continues to rise, driving interest in precision agriculture and agro-robotics as effective means to enhance crop productivity and resource efficiency. One of the critical challenges in this domain is enabling robust and reliable autonomous navigation for robots in greenhouse environments, which are typically constrained, dynamic, and GPS-denied. This study focuses on the design and implementation of a navigation system for an unmanned ground vehicle (UGV) operating in a simulated tomato greenhouse. The methodology employs a Double Deep Q-Network (DDQN) trained entirely in simulation to address navigation tasks while avoiding collisions with structural elements and crop rows. The proposed system integrates LiDAR-based perception, goal position tracking, and discrete velocity command selection within a reinforcement learning framework. Evaluation was conducted through 30 test episodes using varied starting and goal positions to assess adaptability. Results indicate a 90\% success rate in reaching goals without collisions, with the robot demonstrating consistent path planning and effective obstacle avoidance, even in narrow corridors. The integration of prioritized replay memory significantly improved performance by increasing successful episodes and reducing collisions. These findings highlight the potential of DRL-based approaches for greenhouse automation and pave the way for future deployment in real-world agricultural environments.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Mecánica
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/20.500.14071/45905
dc.language.isoeng
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.subjectDRL
dc.subjectAgro-Robótica
dc.subjectNavegación
dc.subject.keywordDRL
dc.subject.keywordAgro-Robotics
dc.subject.keywordNavigation
dc.titleNavigation Of A UGV For Tomato Crops In Greenhouses Using Reinforcement Learning
dc.title.englishNavigation Of A UGV For Tomato Crops In Greenhouses Using 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 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
1015 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
178.41 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.16 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