Publicación:
HACIA EL AGARRE DE OBJETOS UTILIZANDO APRENDIZAJE ROBÓTICO POR IMITACIÓN Y DATOS DE FUERZA

Vista sencilla de ítem
dc.contributor.authorPeña-Solórzano, Carlos Andrésspa
dc.contributor.authorHoyos-Gutiérrez, José Gabrielspa
dc.contributor.authorPrieto-Ortiz, Flavio Augustospa
dc.date.accessioned2015-07-12 00:00:00
dc.date.accessioned2022-06-17T20:18:40Z
dc.date.available2015-07-12 00:00:00
dc.date.available2022-06-17T20:18:40Z
dc.date.issued2015-07-12
dc.description.abstractResumenEn este artículo se trata el agarre de objetos en robótica. Específicamente, agarres de precisión y la fuerza requerida en los puntos de contacto entre la mano y el objeto para realizar una buena sujeción. Se propone adquirir los datos de sensores de fuerza utilizando un guante de datos y codificándolos mediante aprendizaje por imitación. Se utilizan imágenes RGB y de profundidad para determinar la ubicación y orientación de los objetos. Se prueban varias configuraciones mano-objeto en simulación, comparando la calidad del agarre al utilizar las fuerzas máximas, mínimas y promedio truncado. La variación de la calidad obtenida es pequeña y en algunos casos despreciable, permitiendo concluir que al seleccionar siempre las fuerzas máximas, se obtiene un agarre que se ajusta bien a múltiples configuraciones. Además, se presenta un sistema de adquisición de datos de fuerza de bajo costo y una etapa de procesamiento de imágenes que permite determinar la ubicación y orientación de los objetos.AbstractThis article deals with robotic object grasping. Specifically, precision grasps and the strength required in the contact points between the hand and the object to obtain a good grip. We propose to acquire the data of force sensors us- ing a data glove and learning by imitation to encode it. RGB and depth images are used to determine objects location and orientation. Several hand-object configurations are simulated, comparing the grasp quality when maximum, minimum and truncated mean are used. The variation of grasp quality obtained is small and in some cases negligible, so we can conclude that by selecting the maximum grasping strength, we achieve a well-adjusted grasp to multiple configurations. Besides, we present a low cost strength acquisition system and an image processing stage which allows calculating the location and orientation of an object. ResumoEm este artigo, se fala sobre os objetos de aderência em robótica é. Especificamente, apertos de precisão e a força necessária nos pontos de contato entre a mão e o objeto para um ajuste perfeito. Propõe-se a aquisição de dados de sensores de força, usando uma luva de dados e codificando-os por aprendizagem de imitação. São utilizadas imagens RGB e de profundidade para determinar a localização e a orientação de objetos. São testadas várias configurações de mão-objeto em simulação através da comparação da qualidade de aderência ao usar a força máxima, média, e mínimo. A variação na qualidade obtida é pequena e, em alguns casos negligenciável, levando à conclusão de que selecionando sempre as forças máximas, é obtido um aperto que se encaixa bem com várias configurações. Além disso, um sistema de aquisição de dados de força de baixo custo e uma etapa de processamento de imagem para determinar a posição e orientação de objetos. spa
dc.description.abstractResumenEn este artículo se trata el agarre de objetos en robótica. Específicamente, agarres de precisión y la fuerza requerida en los puntos de contacto entre la mano y el objeto para realizar una buena sujeción. Se propone adquirir los datos de sensores de fuerza utilizando un guante de datos y codificándolos mediante aprendizaje por imitación. Se utilizan imágenes RGB y de profundidad para determinar la ubicación y orientación de los objetos. Se prueban varias configuraciones mano-objeto en simulación, comparando la calidad del agarre al utilizar las fuerzas máximas, mínimas y promedio truncado. La variación de la calidad obtenida es pequeña y en algunos casos despreciable, permitiendo concluir que al seleccionar siempre las fuerzas máximas, se obtiene un agarre que se ajusta bien a múltiples configuraciones. Además, se presenta un sistema de adquisición de datos de fuerza de bajo costo y una etapa de procesamiento de imágenes que permite determinar la ubicación y orientación de los objetos.AbstractThis article deals with robotic object grasping. Specifically, precision grasps and the strength required in the contact points between the hand and the object to obtain a good grip. We propose to acquire the data of force sensors us- ing a data glove and learning by imitation to encode it. RGB and depth images are used to determine objects location and orientation. Several hand-object configurations are simulated, comparing the grasp quality when maximum, minimum and truncated mean are used. The variation of grasp quality obtained is small and in some cases negligible, so we can conclude that by selecting the maximum grasping strength, we achieve a well-adjusted grasp to multiple configurations. Besides, we present a low cost strength acquisition system and an image processing stage which allows calculating the location and orientation of an object. ResumoEm este artigo, se fala sobre os objetos de aderência em robótica é. Especificamente, apertos de precisão e a força necessária nos pontos de contato entre a mão e o objeto para um ajuste perfeito. Propõe-se a aquisição de dados de sensores de força, usando uma luva de dados e codificando-os por aprendizagem de imitação. São utilizadas imagens RGB e de profundidade para determinar a localização e a orientação de objetos. São testadas várias configurações de mão-objeto em simulação através da comparação da qualidade de aderência ao usar a força máxima, média, e mínimo. A variação na qualidade obtida é pequena e, em alguns casos negligenciável, levando à conclusão de que selecionando sempre as forças máximas, é obtido um aperto que se encaixa bem com várias configurações. Além disso, um sistema de aquisição de dados de força de baixo custo e uma etapa de processamento de imagem para determinar a posição e orientação de objetos. eng
dc.format.mimetypeapplication/pdfspa
dc.identifier.eissn2463-0950
dc.identifier.issn1794-1237
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/4930
dc.identifier.urlhttps://revistas.eia.edu.co/index.php/reveia/article/view/722
dc.language.isospaspa
dc.publisherFondo Editorial EIA - Universidad EIAspa
dc.relation.bitstreamhttps://revistas.eia.edu.co/index.php/reveia/article/download/722/690
dc.relation.citationeditionNúm. 23 , Año 2015spa
dc.relation.citationendpage82
dc.relation.citationissue23spa
dc.relation.citationstartpage71
dc.relation.citationvolume12spa
dc.relation.ispartofjournalRevista EIAspa
dc.rightsRevista EIA - 2015spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0spa
dc.sourcehttps://revistas.eia.edu.co/index.php/reveia/article/view/722spa
dc.subjectagarrespa
dc.subjectrobóticaspa
dc.subjectaprendizaje por imitaciónspa
dc.subjectprogramación por demostraciónspa
dc.subjectfuerzaspa
dc.subjectprocesamiento de imágenes.spa
dc.titleHACIA EL AGARRE DE OBJETOS UTILIZANDO APRENDIZAJE ROBÓTICO POR IMITACIÓN Y DATOS DE FUERZAspa
dc.title.translatedHACIA EL AGARRE DE OBJETOS UTILIZANDO APRENDIZAJE ROBÓTICO POR IMITACIÓN Y DATOS DE FUERZAeng
dc.typeArtículo de revistaspa
dc.typeJournal articleeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREFspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Colecciones
Revista EIA (Portal de Revistas)