Examinando por Autor "Fidalgo Astorquia, Ignacio"

Mostrando 1 - 4 de 4
  • Miniatura
    Ítem
    Comparative benchmark of sampling-based and DRL motion planning methods for industrial robotic arms
    (Multidisciplinary Digital Publishing Institute (MDPI), 2025-08-25) Fidalgo Astorquia, Ignacio; Villate Castillo, Guillermo; Tellaeche Iglesias, Alberto; Vazquez, Juan-Ignacio
    This study presents a comprehensive comparison between classical sampling-based motion planners from the Open Motion Planning Library (OMPL) and a learning-based planner based on Soft Actor–Critic (SAC) for motion planning in industrial robotic arms. Using a UR3e robot equipped with an RG2 gripper, we constructed a large-scale dataset of over 100,000 collision-free trajectories generated with MoveIt-integrated OMPL planners. These trajectories were used to train a DRL agent via curriculum learning and expert demonstrations. Both approaches were evaluated on key metrics such as planning time, success rate, and trajectory smoothness. Results show that the DRL-based planner achieves higher success rates and significantly lower planning times, producing more compact and deterministic trajectories. Time-optimal parameterization using TOPPRA ensured the dynamic feasibility of all trajectories. While classical planners retain advantages in zero-shot adaptability and environmental generality, our findings highlight the potential of DRL for real-time and high-throughput motion planning in industrial contexts. This work provides practical insights into the trade-offs between traditional and learning-based planning paradigms, paving the way for hybrid architectures that combine their strengths.
  • Miniatura
    Ítem
    Estudio de la planificación de trayectorias en entornos dinámicos para manipuladores industriales mediante aprendizaje por refuerzo
    (Universidad de Deusto, 2025-12-19) Fidalgo Astorquia, Ignacio; Tellaeche Iglesias, Alberto; Vazquez, Juan-Ignacio; Facultad de Ingeniería
    Esta tesis estudia cómo los robots industriales pueden aprender a planificar sus movimientos de manera más autónoma y eficiente. El trabajo se centra en los manipuladores, que son brazos robóticos diseñados para realizar tareas de precisión en entornos industriales, y explora nuevas formas de generar trayectorias de movimiento que les permitan alcanzar objetivos de manera segura y flexible. A lo largo de la investigación se revisan primero las bases del problema: cómo se describen los movimientos de un robot, qué limitaciones físicas y geométricas condicionan su comportamiento, y qué métodos se han utilizado tradicionalmente para calcular trayectorias. Estos métodos clásicos, aunque probados y fiables, muestran limitaciones cuando se aplican en entornos dinámicos, cambiantes o poco estructurados, como ocurre en la industria moderna. La propuesta de la tesis consiste en aprovechar técnicas de aprendizaje automático que permiten a los robots adquirir experiencia en simulaciones antes de enfrentarse a situaciones reales. De este modo, el robot no depende únicamente de algoritmos programados de antemano, sino que puede aprender a moverse a partir de la práctica acumulada. Para lograrlo, se ha diseñado un proceso que combina entrenamiento en entornos virtuales, incorporación de ejemplos provenientes de métodos tradicionales y una estrategia de aprendizaje progresivo, en la que el robot comienza con tareas sencillas y avanza hacia retos más complejos. Los resultados muestran que este enfoque permite obtener movimientos más consistentes y seguros, que además pueden ejecutarse en robots reales sin necesidad de largos tiempos de ajuste. En las pruebas realizadas, el sistema ha demostrado no solo ser capaz de alcanzar los objetivos planteados, sino también de adaptarse mejor que los métodos clásicos cuando se introducen restricciones adicionales o cuando los objetivos cambian de posición. Las principales aportaciones de la tesis incluyen: una metodología de aprendizaje que acelera la adquisición de habilidades de planificación, un proceso de validación que asegura que las trayectorias aprendidas son seguras y viables en robots reales, y una comparación detallada que evidencia las ventajas de este enfoque frente a los planificadores más utilizados en la industria. Finalmente, se plantean posibles líneas de investigación futura. Entre ellas destacan la posibilidad de transferir el conocimiento adquirido a diferentes robots y entornos sin necesidad de volver a entrenar desde cero, la integración con técnicas de optimización que permitan movimientos aún más precisos, y la exploración de sistemas multimodales en los que convivan distintas estrategias de planificación para aprovechar lo mejor de cada una.
  • Miniatura
    Ítem
    Fractional-order system identification: efficient reduced-order modeling with particle swarm optimization and AI-based algorithms for edge computing applications
    (Multidisciplinary Digital Publishing Institute (MDPI), 2025-04-16) Fidalgo Astorquia, Ignacio; Gomez Larrakoetxea, Nerea; Gude, Juan José; Pastor López, Iker
    Fractional-order systems capture complex dynamic behaviors more accurately than integer-order models, yet their real-time identification remains challenging, particularly in resource-constrained environments. This work proposes a hybrid framework that combines Particle Swarm Optimization (PSO) with various artificial intelligence (AI) techniques to estimate reduced-order models of fractional systems. First, PSO optimizes model parameters by minimizing the discrepancy between the high-order system response and the reduced model output. These optimized parameters then serve as training data for several AI-based algorithms—including neural networks, support vector regression (SVR), and extreme gradient boosting (XGBoost)—to evaluate their inference speed and accuracy. Experimental validation on a custom-built heating system demonstrates that both PSO and the AI techniques yield precise reduced-order models. While PSO achieves slightly lower error metrics, its iterative nature leads to higher and more variable computation times compared to the deterministic and rapid inference of AI approaches. These findings highlight a trade-off between estimation accuracy and computational efficiency, providing a robust solution for real-time fractional-order system identification on edge devices.
  • Miniatura
    Ítem
    Gesture-based human machine interaction using RCNNs in limited computation power devices
    (NLM (Medline), 2021-12-08) Tellaeche Iglesias, Alberto ; Fidalgo Astorquia, Ignacio ; Vazquez, Juan-Ignacio ; Saikia, Surajit
    The use of gestures is one of the main forms of human machine interaction (HMI) in many fields, from advanced robotics industrial setups, to multimedia devices at home. Almost every gesture detection system uses computer vision as the fundamental technology, with the already well-known problems of image processing: changes in lighting conditions, partial occlusions, variations in color, among others. To solve all these potential issues, deep learning techniques have been proven to be very effective. This research proposes a hand gesture recognition system based on convolutional neural networks and color images that is robust against environmental variations, has a real time performance in embedded systems, and solves the principal problems presented in the previous paragraph. A new CNN network has been specifically designed with a small architecture in terms of number of layers and total number of neurons to be used in computationally limited devices. The obtained results achieve a percentage of success of 96.92% on average, a better score than those obtained by previous algorithms discussed in the state of the art.