2. Maestría
Permanent URI for this communityhttp://98.81.228.127/handle/20.500.12404/2
Tesis de la Escuela de Posgrado
Browse
3 results
Search Results
Item Control de aprendizaje profundo basado en un control predictivo por modelo no lineal para un vehículo submarino no tripulado(Pontificia Universidad Católica del Perú, 2024-11-29) Gallardo Rodríguez, Manuel Enrique; Portella Delgado, Jhon ManuelLa presente tesis propone un algoritmo para el entrenamiento de una red neuronal con algoritmos de Redes Neuronales Profundas (Deep Learning) en combinación con un control predictivo basado en modelos no lineal (NLMPC - Non Linear Model Predictive Control) para el entrenamiento de vehículos submarinos. El interés por el desarrollo de sistemas autónomos se incrementó considerablemente en los últimos años. Sectores como el industrial y militar han desarrollado esta tecnología con la finalidad de implementar futuros proyectos vinculados especialmente a la navegación autónoma. Este tipo de navegación se basa en sistemas de control en tiempo real que identifican el entorno que rodea al vehículo con la finalidad de tomar decisiones de desplazamiento en función de las restricciones mecánicas del vehículo y físicas del entorno. Los sistemas de Control Predictivo en Base a Modelos o MPC por sus siglas en inglés Model Predictive Control, han sido usados de manera satisfactoria para el control de vehículos submarinos. Sin embargo, su aplicación requiere estimar los estados del sistema en todo momento, lo cual tiene un coste computacional muy alto en entornos complejos como el medio submarino. Por otro lado, los sistemas de control con Redes Neuronales, no necesitan estimar de manera explícita la dinámica del modelo, pues obtienen una política que relaciona las entradas del sistema con las acciones finales, mejorando de esta manera el control de sistemas complejos a través de Redes Neuronales constituidas por muchas capas ocultas, sin caer en el error de acumulación de error durante la etapa de entrenamiento. En este escenario, el presente trabajo tiene como objetivo el control de un robot submarino no tripulado, basado en una combinación del sistema de control no lineal MPC y una Red Neuronal entrenada con algoritmos de aprendizaje profundo (Deep Learning). El control no lineal MPC suministraría la información necesaria a la Red Neuronal durante la etapa de entrenamiento, posteriormente la Red Neuronal podría controlar el movimiento del robot submarino sin la necesidad de conocer todos los estados del vehículo y a un coste computacional mucho menor.Item Modelo prolab: servicio tecnológico de monitoreo, supervisión y asistencia de condiciones de manejo para usuarios de vehículos particulares – Cleverdriver(Pontificia Universidad Católica del Perú, 2024-03-07) Coyllo Solis, Claudia Stefanny; Rodríguez Medina, Fabiola Ivonne; Pinto Valdivia, Christian Arturo; Sotomayor Gago, Rubén Darío; Núñez Morales, Nicolás AndrésSegún la Oficina General de Defensa Nacional (2019), los accidentes de tránsito son la principal causa de discapacidad y muerte prematura en el Perú, representando un problema social a resolver. Perú se encuentra entre los países con mayor número de muertos por cantidad de vehículos en Latinoamérica, sin embargo, pese a ser una problemática relevante existen pocas alternativas de solución impulsadas desde el sector privado y los ciudadanos perciben que las soluciones deben generarse a través del estado con inversión en infraestructura y educación vial. En este documento se aborda una propuesta de solución que; usando herramientas como entrevistas a profundidad, focus group, análisis e investigación de mercado; ha identificado las carencias y principales dolores de los potenciales usuarios para brindar una propuesta de alto impacto que cubra las expectativas del público objetivo. Actualmente, el avance de la tecnología permite disponer de herramientas que reducen la probabilidad de un accidente hasta en un 40% de acuerdo con la Fundación para el Tráfico Seguro (2018). En base a ello, se ha desarrollado la propuesta de un servicio de monitoreo preventivo y proactivo que funciona a través de dispositivos de seguridad instalados en los vehículos que reducen la probabilidad de accidentes de tránsito alertando al contratante del servicio y/o el conductor sobre posibles riesgos que podrían ocasionar un accidente. Finalmente, esta propuesta se ha determinado viable económicamente con un VAN de $ 1,108,773.92, TIR de 44.77% e IR de 1.55. Así mismo a nivel social, la propuesta está alineada a al objetivo de desarrollo sostenible 3 que busca garantizar una vida saludable y promover el bienestar obteniendo un VAN Social en dólares de $959,162.36, que representa la diferencia entre los beneficios sociales esperados y los costos sociales asociados al proyecto.Item Reliable autonomous vehicle control - a chance constrained stochastic MPC approach(Pontificia Universidad Católica del Perú, 2017-06-19) Poma Aliaga, Luis Felipe; Selassie, Abebe Geletu W.; Tafur, Julio C.In recent years, there is a growing interest in the development of systems capable of performing tasks with a high level of autonomy without human supervision. This kind of systems are known as autonomous systems and have been studied in many industrial applications such as automotive, aerospace and industries. Autonomous vehicle have gained a lot of interest in recent years and have been considered as a viable solution to minimize the number of road accidents. Due to the complexity of dynamic calculation and the physical restrictions in autonomous vehicle, for example, deterministic model predictive control is an attractive control technique to solve the problem of path planning and obstacle avoidance. However, an autonomous vehicle should be capable of driving adaptively facing deterministic and stochastic events on the road. Therefore, control design for the safe, reliable and autonomous driving should consider vehicle model uncertainty as well uncertain external influences. The stochastic model predictive control scheme provides the most convenient scheme for the control of autonomous vehicles on moving horizons, where chance constraints are to be used to guarantee the reliable fulfillment of trajectory constraints and safety against static and random obstacles. To solve this kind of problems is known as chance constrained model predictive control. Thus, requires the solution of a chance constrained optimization on moving horizon. According to the literature, the major challenge for solving chance constrained optimization is to calculate the value of probability. As a result, approximation methods have been proposed for solving this task. In the present thesis, the chance constrained optimization for the autonomous vehicle is solved through approximation method, where the probability constraint is approximated by using a smooth parametric function. This methodology presents two approaches that allow the solution of chance constrained optimization problems in inner approximation and outer approximation. The aim of this approximation methods is to reformulate the chance constrained optimizations problems as a sequence of nonlinear programs. Finally, three case studies of autonomous vehicle for tracking and obstacle avoidance are presented in this work, in which three levels probability of reliability are considered for the optimal solution.