Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística
Los autos autónomos cada día están tomando mayor importancia y su utilización se ha extendido a varias industrias. Un ejemplo del impacto que se puede lograr por medio de robot automatizados puede observarse en Amazon y la operación automatizada en sus centros de almacenamiento y distribución de mer...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/165157 |
| Aporte de: |
| id |
I19-R120-10915-165157 |
|---|---|
| record_format |
dspace |
| spelling |
I19-R120-10915-1651572024-04-22T20:02:34Z http://sedici.unlp.edu.ar/handle/10915/165157 Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística Altamirano Medina, Débora Denise Tapparelli, Augusto Guillermo Kreder, Matías Inchausti, Pablo Ezequiel 2023-10 2024 2024-04-22T18:48:18Z es Ciencias Informáticas Vehículos Autónomos Machine Learning Reinforce Learning Los autos autónomos cada día están tomando mayor importancia y su utilización se ha extendido a varias industrias. Un ejemplo del impacto que se puede lograr por medio de robot automatizados puede observarse en Amazon y la operación automatizada en sus centros de almacenamiento y distribución de mercadería. Pero realizar investigaciones asociadas a vehículos autónomos requieres de un ecosistema complejo, con simuladores virtuales, vehículos a escala, entornos controlados y una adecuada configuración de dispositivos que permita la experimentación sobre una versión simplificada de la realidad. En ese contexto, se propone utilizar a la plataforma de AWS DeepRacer con sus entornos físicos y virtuales, como medio de investigación de soluciones para los centros de logística. Se proponen tres objetivos operativos con distinto grado de soporte nativo en la plataforma, estos son en los centros de logística: esquivar obstáculos, desplazar objetos y alertar sobre líquidos. Para el entrenamiento de los modelos de machine learning se propone utilizar aprendizaje por refuerzo. Red de Universidades con Carreras en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 871-875 |
| institution |
Universidad Nacional de La Plata |
| institution_str |
I-19 |
| repository_str |
R-120 |
| collection |
SEDICI (UNLP) |
| language |
Español |
| topic |
Ciencias Informáticas Vehículos Autónomos Machine Learning Reinforce Learning |
| spellingShingle |
Ciencias Informáticas Vehículos Autónomos Machine Learning Reinforce Learning Altamirano Medina, Débora Denise Tapparelli, Augusto Guillermo Kreder, Matías Inchausti, Pablo Ezequiel Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| topic_facet |
Ciencias Informáticas Vehículos Autónomos Machine Learning Reinforce Learning |
| description |
Los autos autónomos cada día están tomando mayor importancia y su utilización se ha extendido a varias industrias. Un ejemplo del impacto que se puede lograr por medio de robot automatizados puede observarse en Amazon y la operación automatizada en sus centros de almacenamiento y distribución de mercadería. Pero realizar investigaciones asociadas a vehículos autónomos requieres de un ecosistema complejo, con simuladores virtuales, vehículos a escala, entornos controlados y una adecuada configuración de dispositivos que permita la experimentación sobre una versión simplificada de la realidad. En ese contexto, se propone utilizar a la plataforma de AWS DeepRacer con sus entornos físicos y virtuales, como medio de investigación de soluciones para los centros de logística. Se proponen tres objetivos operativos con distinto grado de soporte nativo en la plataforma, estos son en los centros de logística: esquivar obstáculos, desplazar objetos y alertar sobre líquidos. Para el entrenamiento de los modelos de machine learning se propone utilizar aprendizaje por refuerzo. |
| format |
Objeto de conferencia Objeto de conferencia |
| author |
Altamirano Medina, Débora Denise Tapparelli, Augusto Guillermo Kreder, Matías Inchausti, Pablo Ezequiel |
| author_facet |
Altamirano Medina, Débora Denise Tapparelli, Augusto Guillermo Kreder, Matías Inchausti, Pablo Ezequiel |
| author_sort |
Altamirano Medina, Débora Denise |
| title |
Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| title_short |
Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| title_full |
Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| title_fullStr |
Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| title_full_unstemmed |
Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| title_sort |
modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística |
| publishDate |
2023 |
| url |
http://sedici.unlp.edu.ar/handle/10915/165157 |
| work_keys_str_mv |
AT altamiranomedinadeboradenise modelosdemachinelearningparavehiculosautonomosaplicadosaladetecciondeobstaculosencentrosdelogistica AT tapparelliaugustoguillermo modelosdemachinelearningparavehiculosautonomosaplicadosaladetecciondeobstaculosencentrosdelogistica AT kredermatias modelosdemachinelearningparavehiculosautonomosaplicadosaladetecciondeobstaculosencentrosdelogistica AT inchaustipabloezequiel modelosdemachinelearningparavehiculosautonomosaplicadosaladetecciondeobstaculosencentrosdelogistica |
| _version_ |
1807222989157040128 |