Metodología de posicionamiento robusto de UAVs en interiores utilizando técnicas de inteligencia computacional para supervisión y vigilancia

Román Franco, Julián Andrés

View/Open

Date

2018

Author

Román Franco, Julián Andrés

Advisor

Velázquez Vélez, Ricardo Andrés

Marquez Viloria, David Andrés

TY - GEN T1 - Metodología de posicionamiento robusto de UAVs en interiores utilizando técnicas de inteligencia computacional para supervisión y vigilancia AU - Román Franco, Julián Andrés Y1 - 2018 UR - http://hdl.handle.net/20.500.12622/1390 PB - Instituto Tecnológico Metropolitano AB - Cuando un espacio cerrado como un edificio, una fábrica, una bodega, un escenario deportivo o algún otro tipo de lugar de índole similar, se encuentra en emergencia ante alguna catástrofe humana o natural como avalanchas, inundaciones, incendios o derrumbes, el personal de rescate pone en riesgo su vida, mientras buscan mitigar y evitar al máximo posible las pérdidas humanas. La utilización de vehículos aéreos no tripulados UAVs puede propiciar la disminución del tipo de riesgos anteriormente mencionados, pero para que la intervención de estos sea efectiva se deben solucionar antes diversos problemas que el entorno presenta para su correcto funcionamiento. Uno de estos problemas es el posicionamiento en interiores, el cual ha sido abordado a través de diversas técnicas como Pseudolites, Ultra-sonido, Visión, Magnéticas, entre otras. Sin embargo, las anteriores alternativas cuentan con la dificultad de requerir una infraestructura o equipos especiales propios en el sitio de la aplicación, lo que puede conllevar a que, si en medio de una catástrofe alguno de los equipos es afectado, el posicionamiento será afectado también. Para dar solución a este problema hemos propuesto a través de este trabajo tres metodologías de posicionamiento en interiores utilizando la información de estaciones radiales AM y FM, las cuales están disponibles en cualquier ciudad del planeta y no requieren de ningún tipo de intervención o adecuación para su uso. Las metodologías propuestas utilizan algoritmos de aprendizaje profundo y su desempeño fue comparado con el del algoritmo de posicionamiento KNN Regresivo, el cual es comúnmente utilizado para posicionamiento en interiores. Por último, las técnicas fueron llevadas a un sistema embebido en donde se puso a prueba su respuesta en tiempo real. Obteniendo resultados para posicionamiento en interiores con un error inferior al que presentan los dispositivos GPS en exteriores ER - @misc{20.500.12622_1390, author = {Román Franco Julián Andrés}, title = {Metodología de posicionamiento robusto de UAVs en interiores utilizando técnicas de inteligencia computacional para supervisión y vigilancia}, year = {2018}, abstract = {Cuando un espacio cerrado como un edificio, una fábrica, una bodega, un escenario deportivo o algún otro tipo de lugar de índole similar, se encuentra en emergencia ante alguna catástrofe humana o natural como avalanchas, inundaciones, incendios o derrumbes, el personal de rescate pone en riesgo su vida, mientras buscan mitigar y evitar al máximo posible las pérdidas humanas. La utilización de vehículos aéreos no tripulados UAVs puede propiciar la disminución del tipo de riesgos anteriormente mencionados, pero para que la intervención de estos sea efectiva se deben solucionar antes diversos problemas que el entorno presenta para su correcto funcionamiento. Uno de estos problemas es el posicionamiento en interiores, el cual ha sido abordado a través de diversas técnicas como Pseudolites, Ultra-sonido, Visión, Magnéticas, entre otras. Sin embargo, las anteriores alternativas cuentan con la dificultad de requerir una infraestructura o equipos especiales propios en el sitio de la aplicación, lo que puede conllevar a que, si en medio de una catástrofe alguno de los equipos es afectado, el posicionamiento será afectado también. Para dar solución a este problema hemos propuesto a través de este trabajo tres metodologías de posicionamiento en interiores utilizando la información de estaciones radiales AM y FM, las cuales están disponibles en cualquier ciudad del planeta y no requieren de ningún tipo de intervención o adecuación para su uso. Las metodologías propuestas utilizan algoritmos de aprendizaje profundo y su desempeño fue comparado con el del algoritmo de posicionamiento KNN Regresivo, el cual es comúnmente utilizado para posicionamiento en interiores. Por último, las técnicas fueron llevadas a un sistema embebido en donde se puso a prueba su respuesta en tiempo real. Obteniendo resultados para posicionamiento en interiores con un error inferior al que presentan los dispositivos GPS en exteriores}, url = {http://hdl.handle.net/20.500.12622/1390} }RT Generic T1 Metodología de posicionamiento robusto de UAVs en interiores utilizando técnicas de inteligencia computacional para supervisión y vigilancia A1 Román Franco, Julián Andrés YR 2018 LK http://hdl.handle.net/20.500.12622/1390 PB Instituto Tecnológico Metropolitano AB Cuando un espacio cerrado como un edificio, una fábrica, una bodega, un escenario deportivo o algún otro tipo de lugar de índole similar, se encuentra en emergencia ante alguna catástrofe humana o natural como avalanchas, inundaciones, incendios o derrumbes, el personal de rescate pone en riesgo su vida, mientras buscan mitigar y evitar al máximo posible las pérdidas humanas. La utilización de vehículos aéreos no tripulados UAVs puede propiciar la disminución del tipo de riesgos anteriormente mencionados, pero para que la intervención de estos sea efectiva se deben solucionar antes diversos problemas que el entorno presenta para su correcto funcionamiento. Uno de estos problemas es el posicionamiento en interiores, el cual ha sido abordado a través de diversas técnicas como Pseudolites, Ultra-sonido, Visión, Magnéticas, entre otras. Sin embargo, las anteriores alternativas cuentan con la dificultad de requerir una infraestructura o equipos especiales propios en el sitio de la aplicación, lo que puede conllevar a que, si en medio de una catástrofe alguno de los equipos es afectado, el posicionamiento será afectado también. Para dar solución a este problema hemos propuesto a través de este trabajo tres metodologías de posicionamiento en interiores utilizando la información de estaciones radiales AM y FM, las cuales están disponibles en cualquier ciudad del planeta y no requieren de ningún tipo de intervención o adecuación para su uso. Las metodologías propuestas utilizan algoritmos de aprendizaje profundo y su desempeño fue comparado con el del algoritmo de posicionamiento KNN Regresivo, el cual es comúnmente utilizado para posicionamiento en interiores. Por último, las técnicas fueron llevadas a un sistema embebido en donde se puso a prueba su respuesta en tiempo real. Obteniendo resultados para posicionamiento en interiores con un error inferior al que presentan los dispositivos GPS en exteriores OL Spanish (121)

Bibliographic managers

Refworks

Zotero

BibTeX

CiteULike

Metadata

Show full item record

PDF Documents

Abstract

Cuando un espacio cerrado como un edificio, una fábrica, una bodega, un escenario deportivo o algún otro tipo de lugar de índole similar, se encuentra en emergencia ante alguna catástrofe humana o natural como avalanchas, inundaciones, incendios o derrumbes, el personal de rescate pone en riesgo su vida, mientras buscan mitigar y evitar al máximo posible las pérdidas humanas. La utilización de vehículos aéreos no tripulados UAVs puede propiciar la disminución del tipo de riesgos anteriormente mencionados, pero para que la intervención de estos sea efectiva se deben solucionar antes diversos problemas que el entorno presenta para su correcto funcionamiento. Uno de estos problemas es el posicionamiento en interiores, el cual ha sido abordado a través de diversas técnicas como Pseudolites, Ultra-sonido, Visión, Magnéticas, entre otras. Sin embargo, las anteriores alternativas cuentan con la dificultad de requerir una infraestructura o equipos especiales propios en el sitio de la aplicación, lo que puede conllevar a que, si en medio de una catástrofe alguno de los equipos es afectado, el posicionamiento será afectado también. Para dar solución a este problema hemos propuesto a través de este trabajo tres metodologías de posicionamiento en interiores utilizando la información de estaciones radiales AM y FM, las cuales están disponibles en cualquier ciudad del planeta y no requieren de ningún tipo de intervención o adecuación para su uso. Las metodologías propuestas utilizan algoritmos de aprendizaje profundo y su desempeño fue comparado con el del algoritmo de posicionamiento KNN Regresivo, el cual es comúnmente utilizado para posicionamiento en interiores. Por último, las técnicas fueron llevadas a un sistema embebido en donde se puso a prueba su respuesta en tiempo real. Obteniendo resultados para posicionamiento en interiores con un error inferior al que presentan los dispositivos GPS en exteriores

Abstract

When a closed space such as a factory, a warehouse, a sports arena or some other similar place, is in emergency due to some kind of natural catastrophes such as avalanches, floods, fires or landslides, the rescue personnel puts their lives in risk, while they seek to mitigate and avoid human losses as much as possible. The use of unmanned aerial vehicles UAVs, may decrease the risk mentioned above, but for the intervention of these to be effective, it is necessary to solve before the various problems that the environment presents for its correct functioning. One of these problems is indoor positioning, which has been addressed through various techniques such as Pseudolitos, Ultra-sound, Vision, Magnetic, among others. However, these techniques have the difficulty of requiring an infrastructure or special equipment at the application site, this means that if one of the equipment is affected during the catastrophe, positioning is also affected. To obtain a solution to this problem, we have proposed through this work three indoor positioning methods using the information of AM and FM radio stations, which are available anywhere in the world and do not require any type of intervention or adaptation to be used. The proposed methodologies use deep learning algorithms, the performance of these was compared with that of a positioning algorithm that uses a regressive KNN, which is commonly used for indoor positioning. Finally, the techniques were taken to an embedded system where their response was tested in real time, reaching results for indoor positioning with an error lower than that presented by GPS devices outdoors

Statistics Google Analytics

Collections

Maestría en Automatización y Control Industrial [52]

Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by-nc-nd/4.0/