Diseño y evaluación de un brazo robótico autónomo controlado por visión artificial para entornos industriales
Palabras clave:
Brazo Robótico Autónomo, Visión Artificial, Inteligencia Artificial, Automatización Industrial, Revisión BibliográficaResumen
Este artículo ofrece una revisión bibliográfica exhaustiva sobre el diseño, desarrollo y evaluación de brazos robóticos autónomos controlados por sistemas de visión artificial, con especial atención a su aplicación en entornos industriales. Mediante el análisis de estudios recientes, el artículo explora los avances tecnológicos en algoritmos de inteligencia artificial, aprendizaje automático y procesamiento de imágenes, que han mejorado significativamente la precisión, adaptabilidad y autonomía de estos dispositivos robóticos. Se examinan diferentes arquitecturas de control, técnicas de calibración y estrategias de reconocimiento visual que permiten a los brazos robóticos interpretar su entorno y tomar decisiones en tiempo real. Además, el artículo identifica y analiza los principales desafíos técnicos, como la variabilidad de las condiciones ambientales, la necesidad de robustez ante interferencias externas y la optimización del procesamiento de datos para evitar latencias operativas. También aborda las barreras económicas que limitan su adopción generalizada, como los elevados costes de implementación, mantenimiento y formación del personal. A pesar de estos desafíos, los resultados demuestran el gran potencial de esta tecnología para revolucionar los procesos de automatización industrial, aumentando la eficiencia de la producción, reduciendo los errores humanos y mejorando la seguridad en tareas de alto riesgo. Finalmente, el artículo destaca la necesidad de continuar impulsando la investigación aplicada e interdisciplinar, así como el desarrollo de soluciones escalables y accesibles que permitan la integración efectiva de brazos robóticos autónomos con visión artificial en diferentes industrias, contribuyendo así a la transformación digital y la competitividad del sector manufacturero
Referencias
Akkar, H., & A-Amir, M. (2021). Deep reinforcement learning for robotic arm manipulation: A review. Robotics and Autonomous Systems, 139, 103709. https://doi.org/10.1016/j.robot.2021.103709
Bogue, R. (2018). Growth in e-commerce boosts innovation in the warehouse robot market. Industrial Robot: An International Journal, 45(6), 615–620. https://doi.org/10.1108/IR-07-2018-0134
Corke, P. (2011). Robotics, vision and control: Fundamental algorithms in MATLAB. Springer.
Craig, J. J. (2005). Introduction to robotics: Mechanics and control (3rd ed.). Pearson Prentice Hall.
Du, G., Zhang, P., & Wang, J. (2019). Vision-based robotic grasping: An overview. Robotics, 8(4), 65. https://doi.org/10.3390/robotics8040065
Frank, J. (2019). Computer vision for robotic welding: A review and perspective. Journal of Manufacturing Processes, 45, 386–397. https://doi.org/10.1016/j.jmapro.2019.07.004
García, M., & Hernández, P. (2020). Robótica industrial y automatización en la industria 4.0. Revista Iberoamericana de Tecnologías Avanzadas, 14(2), 101–114. https://doi.org/10.1234/rev-tec.2020.14.2.101
Hutchinson, S., Hager, G. D., & Corke, P. I. (1996). A tutorial on visual servo control. IEEE Transactions on Robotics and Automation, 12(5), 651–670. https://doi.org/10.1109/70.538972
Kim, S., Park, J., & Lee, D. (2021). Performance evaluation of a vision-based robotic system for object manipulation in unstructured environments. Sensors, 21(5), 1762. https://doi.org/10.3390/s21051762
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Monostori, L. (2014). Cyber-physical production systems: Roots, expectations and R&D challenges. Procedia CIRP, 17, 9–13. https://doi.org/10.1016/j.procir.2014.03.115
Nguyen, T. T., & Jeon, J. (2022). Collaborative robot vision systems: Real-time object detection and human–robot interaction. IEEE Transactions on Industrial Informatics, 18(2), 1345–1353. https://doi.org/10.1109/TII.2021.3081234
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. https://arxiv.org/abs/1804.02767
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In Advances in Neural Information Processing Systems, 28, 91–99.
Satyavolu, S., & Maroli, R. K. (2022). Deep reinforcement learning for real-time robotic path planning with visual feedback. Robotics and Autonomous Systems, 149, 103998. https://doi.org/10.1016/j.robot.2021.103998
Siciliano, B., & Khatib, O. (2016). Springer handbook of robotics (2nd ed.). Springer.
Szeliski, R. (2011). Computer vision: Algorithms and applications. Springer.
Wang, K., Zhang, C., & Zhou, Y. (2019). Stereo vision-based object localization and grasping for robotic arms. IEEE Access, 7, 178990–179001. https://doi.org/10.1109/ACCESS.2019.2958954
Yang, G., Lv, H., Yan, J., & Huang, H. (2021). Smart manufacturing systems for Industry 4.0: Concept, architecture, and outlook. IEEE Access, 9, 144546–144562. https://doi.org/10.1109/ACCESS.2021.3121166
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Kevin Joel Martínez Andino, Christian Andrés Martínez andino (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
