Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística

Autores
Altamirano Medina, Débora Denise; Tapparelli, Augusto Guillermo; Kreder, Matías; Inchausti, Pablo Ezequiel
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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
Materia
Ciencias Informáticas
Vehículos Autónomos
Machine Learning
Reinforce Learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165157
Acceder
id SEDICI_4c7a15cc431a90859b1c1db6dd8111ad
oai_identifier_str oai:sedici.unlp.edu.ar:10915/165157
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logísticaAltamirano Medina, Débora DeniseTapparelli, Augusto GuillermoKreder, MatíasInchausti, Pablo EzequielCiencias InformáticasVehículos AutónomosMachine LearningReinforce LearningLos 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 Informática2023-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf871-875http://sedici.unlp.edu.ar/handle/10915/165157spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-9285-51-0info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/163107info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:46Zoai:sedici.unlp.edu.ar:10915/165157Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:47.006SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística
title Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística
spellingShingle Modelos de machine learning para vehículos autónomos aplicados a la detección de obstáculos en centros de logística
Altamirano Medina, Débora Denise
Ciencias Informáticas
Vehículos Autónomos
Machine Learning
Reinforce Learning
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
dc.creator.none.fl_str_mv Altamirano Medina, Débora Denise
Tapparelli, Augusto Guillermo
Kreder, Matías
Inchausti, Pablo Ezequiel
author Altamirano Medina, Débora Denise
author_facet Altamirano Medina, Débora Denise
Tapparelli, Augusto Guillermo
Kreder, Matías
Inchausti, Pablo Ezequiel
author_role author
author2 Tapparelli, Augusto Guillermo
Kreder, Matías
Inchausti, Pablo Ezequiel
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Vehículos Autónomos
Machine Learning
Reinforce Learning
topic Ciencias Informáticas
Vehículos Autónomos
Machine Learning
Reinforce Learning
dc.description.none.fl_txt_mv 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
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.
publishDate 2023
dc.date.none.fl_str_mv 2023-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/165157
url http://sedici.unlp.edu.ar/handle/10915/165157
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-9285-51-0
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/163107
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
871-875
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616305793040384
score 13.070432

Publicaciones similares