Examinando por Autor "Varon Munera, Kevin"

Mostrando 1 - 2 de 2
  • Miniatura
    ÍtemAcceso abierto
    Semillero Dinámica y Control 2023-1
    Giraldo Vásquez, Mario; Manrique Espíndola, Tatiana; Calle, Mariana; García Pérez, Michelle Vanessa; Jaramillo Bedoya, María Camila; Jaramillo Gaviria, Diego Alejandro; Marquez Diaz, Jose Heriberto; Ochoa Cañas, Sebastián; Rojas Gallego, Juan Pablo; Urrutia Gómez, Andres Jose; Varon Munera, Kevin; Sánchez Gómez, Ricardo
    Los estudiantes del Semillero Dinámica y Control desarrollaron actividades de investigación formativa en control automático de sistemas dinámicos y ciberfísicos, mediante la aplicación de técnicas de bibliometría a partir del manejo de bases de datos, la construcción del estado del arte de modelos dinámicos y sus aplicaciones, la cuantificación de modelos con datos experimental con gráficas y tablas, evaluación en simulación y de forma experimental de estrategias de control, diseño de experimentos y aplicación de la teoría del error, la elaboración de texto científico y la socialización de resultados obtenidos. Todas estas actividades para la formación investigativa de los estudiantes de pregrado de la Universidad EIA.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de retroalimentación en el espacio de trabajo del Robot ABB por medio de tecnologías de visión artificial
    (Universidad EIA, 2024) Gomez Urrutia, Andres Jose; Varon Munera, Kevin; Rozo Osorio, David
    RESUMEN: El proyecto desarrolla un sistema de retroalimentación para el robot ABB IRB 140 del laboratorio de la Universidad EIA, utilizando tecnologías de visión artificial para mejorar su interacción con el entorno de trabajo. La metodología incluyó la recopilación de información técnica del robot, la selección de la cámara OAK-D y el modelo YOLOv8 por su precisión y velocidad en detección de objetos, y la implementación de algoritmos de deep learning para reconocimiento y seguimiento. Se estableció comunicación entre el sistema de visión y el robot mediante protocolos TCP/IP y OPC, integrando lenguajes Python, MATLAB y RAPID. Las pruebas realizadas mostraron una mejora significativa en la precisión del robot, con errores reducidos a 2.41 cm en el eje X y 1.88 cm en el eje Y tras correcciones, logrando así un sistema eficiente para tareas dinámicas, aunque se recomienda optimizar aún más para aplicaciones de alta precisión.