• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Mecatrónica
  • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4310
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorIbáñez Bateca, Alejandra.-
    dc.date.accessioned2022-11-08T17:05:04Z-
    dc.date.available2020-09-19-
    dc.date.available2022-11-08T17:05:04Z-
    dc.date.issued2020-
    dc.identifier.citationIbáñez Bateca, A. (2020). Calibración y aprendizaje de parámetros de control para un robot de asistencia de movilidad de pie – QOLO – basado en diferencias fisiológicas aplicado a personas con lesión de Médula Espinal [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4310es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4310-
    dc.descriptionActualmente en la investigación, los dispositivos que son usados para auxiliar en la movilidad a las personas que tienen alguna discapacidad, buscan adaptarse al usuario. Para ello no solo se debe conocer y tener en cuenta el tipo de discapacidad, sino también, el nivel de lesión, la motricidad residual post-lesión y sus características fisiológicas. El dispositivo de movilidad de pie llamado Qolo, es dirigido por el movimiento del torso del usuario y está destinado para personas con lesión de médula espinal, se encuentra en la Escuela politécnica federal de Lausanne en Suiza. La investigación se enfoca en este dispositivo, el cual debe personalizarse para cada usuario, entendiendo que los usuarios tienen diferencias fisiológicas en cuanto a la altura, el peso y el índice de masa corporal, lo cual implica desarrollar una estrategia de calibración de los parámetros de control e inferir la relación existente o no entre dichos parámetros y las diferencias fisiológicas en los usuarios. En el presente documento se expone la interfaz interactiva desarrollada para la captura de datos, la estrategia de calibración y su evaluación, obteniendo como resultado la personalización del dispositivo implementando control y análisis estadístico para el ajuste y modificación de los parámetros de calibración, con el objetivo último de identificar que otros factores pueden influenciar en el dispositivo Qolo para la personalización, y generar conclusiones útiles para posteriores investigaciones.es_CO
    dc.description.abstractCurrently in research, the devices that are used to assist in the mobility of people with disabilities, seek to adapt to the user. To do this, not only must the type of disability be known and taken into account, but also the level of injury, the post-injury residual motor and its physiological characteristics. The foot mobility device called Qolo, which is directed by the movement of the user's torso and is intended for people with spinal cord injury, is located at the Lausanne Federal Polytechnic School, Switzerland. Research focuses on this device, which must be customized for each user, understanding that users have physiological differences in height, weight and body mass index, which involves developing a strategy to calibrate the control parameters and infer the relationship or not between these parameters and the physiological differences in users. This document presents the interactive interface developed for the data capture, the calibration strategy and its evaluation, obtaining as a result the personalization of the device implementing control and statistical analysis for the adjustment and modification of the calibration parameters, with the ultimate goal of identifying what other factors can influence the Qolo device for personalization, and generate useful conclusions for further research.es_CO
    dc.format.extent122es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectCalibración.es_CO
    dc.subjectParámetros de control.es_CO
    dc.subjectDiferencias fisiológicas.es_CO
    dc.subjectQolo.es_CO
    dc.subjectRobot de asistencia.es_CO
    dc.titleCalibración y aprendizaje de parámetros de control para un robot de asistencia de movilidad de pie – Qolo– basado en diferencias fisiológicas aplicado a personas con lesión de Médula Espinal.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2020-06-19-
    dc.relation.referencesAdafruit. (2020). Resistencia sensible a la fuerza (FSR). Obtenido de https://learn.adafruit.com/force-sensitive-resistor-fsr/overviewes_CO
    dc.relation.referencesAshraf S. Gorgey, R. S. (2019). 44 - Exoskeletal Assisted Rehabilitation After Spinal Cord Injury. (D. P. Editor(s): Joseph B. Webster, Ed.) Atlas of Orthoses and Assistive Devices (Fifth Edition), Pages 440-447.e2. doi:https://doi.org/10.1016/B978-0-323-48323-0.00044-5es_CO
    dc.relation.referencesBionics, E. (2020). Tratando con Ekso. Obtenido de https://eksobionics.com/eksohealth/es_CO
    dc.relation.referencesC. Burbano-López, L. S. (2017). Traumatismo de la médula espinal e incertidumbre desde la teoría de Merle Mishel. Enfermería Universitaria , Pages 176-183es_CO
    dc.relation.referencesC. Papadimitriou, J. N. (2017). The complexity of markov decision processes. Math, 12, pp. 441–450.es_CO
    dc.relation.referencesCampo, P. M. (2017). Robust model predictive control. AmericanControl Conf. (ACC), p. 1021–1026.es_CO
    dc.relation.referencesCasey Kandilakis, P. D.-L. (2019). Exoskeletons for Personal Use After Spinal Cord Injury. American Congress of Rehabilitation Medicine, (In press).es_CO
    dc.relation.referencesChen, H. A. (2016). A quasi-infinite horizon nonlinear model predictivecontrol scheme with guaranteed stability. European Control Conf. (ECC), pp. 1421–1426.es_CO
    dc.relation.referencesCorporation, P. H. (2020). Indego. Obtenido de Conoce el exosqueleto Indego: http://www.indego.com/indego/us/en/homees_CO
    dc.relation.referencesD. A. Cohn, Z. G. (2016). Active learning with statistical models. Journal of Artificial Intelligence Research, 4, pp. 129–145.es_CO
    dc.relation.referencesD. J. Webb, K. L. (2014). Online parameter estimation via real-time replanning of continuous Gaussian POMDPs. IEEE International Conference on Robotics and Automation (ICRA), pp. 5998-6005,. doi:doi: 10.1109/ICRA.2014.6907743.es_CO
    dc.relation.referencesDeepak Gopinath, S. J. (2017). Human-in-the-Loop Optimization of Shared Autonomy in Assistive Robotics. IEEE Robotics and Automation Letters, 1, 247-254.es_CO
    dc.relation.referencesElizondo, J. J. (2012). José Jaime Esqueda Elizondo. Baja California. Mexico.es_CO
    dc.relation.referencesEsquenazi A, T. M. (2012). The ReWalk powered exoskeleton to restore ambulatory function to individuals with thoracic-level motor-complete spinal cord injury.”, . Am J Phys Med Rehabil Assoc Acad Physiatria, 911–921.es_CO
    dc.relation.referencesFetch Robotics, G. T. (2020). Robot Web Toolas. Obtenido de http://robotwebtools.org/index.htmles_CO
    dc.relation.referencesFoundation, O. S. (12 de 03 de 2019). Editores y suscriptores. Obtenido de http://wiki.ros.org/rospy/Overview/Publishers%20and%20Subscriberses_CO
    dc.relation.referencesFoundation, O. S. (20 de 03 de 2019). Múltiples Máquinas. Obtenido de Ejecutar ROS en múltiples máquinas: http://wiki.ros.org/ROS/Tutorials/MultipleMachines#Start_the_masteres_CO
    dc.relation.referencesFoundation, O. S. (28 de 09 de 2019). The Standard ROS JavaScript Library. Obtenido de roslibjs: http://wiki.ros.org/roslibjses_CO
    dc.relation.referencesFoundation, O. S. (2020). Componenetes centrales. Obtenido de Caracteristicas espesificas del robot: https://www.ros.org/core-components/es_CO
    dc.relation.referencesFoundation, O. S. (2020). Services. Obtenido de http://wiki.ros.org/Serviceses_CO
    dc.relation.referencesFoundation, O. S. (2020). Topis. Obtenido de http://wiki.ros.org/Topicses_CO
    dc.relation.referencesGandul, Á. Á. (2014). Integracion de ROS con Arduino y Rasberry PI. Sevilla Españaes_CO
    dc.relation.referencesGarcía, J. M. (2016). Diseño e implementación de una interfaz gráfica de usuario para mapeado de entornos y navegación en ROS. Valencia.es_CO
    dc.relation.referencesH. Bai, D. H. (2013). Planning how to learn. IEEE Conf. on Robotics and Automation.es_CO
    dc.relation.referencesIndego. (2020). Obtenido de http://www.indego.com/indego/us/en/homees_CO
    dc.relation.referencesJ. Van Den Berg, S. P. (2012). Motion planning under uncertainty using iterative local optimization in belief space. The International Journal of Robotics Research, 31, pp.1263-1278.es_CO
    dc.relation.referencesJ. van den Berg, S. P. (2017). Efficient approximate value iteration for continuous gaussian pomdps. AAAI.es_CO
    dc.relation.referencesJ.Windebank, N. N. (2020). Chapter 58 - Spinal cord injury. Principles of Tissue Engineering (Fifth Edition), 1027 - 1091.es_CO
    dc.relation.referencesJames E. Wilberger, G. M. (Noviembre de 2017). MSD y los Manuales MSD. Obtenido de https://www.msdmanuals.com/es-co/hogar/traumatismos-y envenenamientos/lesiones-medulares/lesiones-de-la-m%C3%A9dula espinal-y-de-las-v%C3%A9rtebrases_CO
    dc.relation.referencesJoseph, L. (2018). Robot Operating System for Absolute Beginners: Robotics Programming Made Easy. Aluva, Kerala, India: Apress.es_CO
    dc.relation.referencesKeith Bridwell, M. (31 de 03 de 16). Spineuniverse. (C. vertebral, Productor) Obtenido de https://www.spineuniverse.com/espanol/anatomia/columna vertebraes_CO
    dc.relation.referencesKouvaritakis, B. C. (2015). Model predictive control: classical, robustand stochastic. Springer.es_CO
    dc.relation.referencesL. P. Kaelbling, M. L. (2016). Reinforcement learning: A survey. Journal of Artificial Intelligence Research, 4, pp. 237–285.es_CO
    dc.relation.referencesLtd, R. B. (2020). Fisioterapia asistida por robot. (D. N. Signal, Editor) Obtenido de https://www.rexbionics.com/rex-for-clinical-use/es_CO
    dc.relation.referencesM. Wiering and M. van Otterlo, e. (2012). Reinforcement Learning: State of the Art. Springer.es_CO
    dc.relation.referencesM.N. Mahyuddin, S. K. (2014). A novel robust adaptive control algorithm with finite-time online parameter estimation of a humanoid robot arm. Robotics and Autonomous Systems, 204-305es_CO
    dc.relation.referencesMarco, V. D. (15 de 11 de 2015). Conociendo WebSocket. Obtenido de https://v0ctor.me/websocketes_CO
    dc.relation.referencesMesbah, A. (2017). Stochastic model predictive control with active uncertaintylearning: a survey on dual control. Annu. Rev. Control, pp. 107–117.es_CO
    dc.relation.referencesMnih, V. K. (2015). Human-level control through deep reinforcement learning. Nature.es_CO
    dc.relation.referencesMobility, T. (2019). Qolo - Quality of life with locomotion. Obtenido de Mobility Unlimited Challenge: https://mobilityunlimited.org/user/185es_CO
    dc.relation.referencesN. R. Kristensen, H. M. (2014). Parameter estimation in stochastic grey-box models. Automatica, 40, pp. 225–237.es_CO
    dc.relation.referencesOliver Jansen, D. G. (2017). Hybrid Assistive Limb Exoskeleton HAL in the Rehabilitation of Chronic Spinal Cord. WORLDNEUROSURGERYes_CO
    dc.relation.referencesPaez, D. K. (2018). Unpowered Lower-Body Exoskeleton with Torso Lifting Mechanism for Supporting Sit-to-Stand Transitions. IEEE/RSJ International Conference on Intelligent Robots and Systems.es_CO
    dc.relation.referencesPatrick Slade, P. C. (2017). Simultaneous active parameter estimation and control using sampling-based Bayesian reinforcement learning. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 804-810.es_CO
    dc.relation.referencesPatrick Slade, Z. N. (2019). Estimation and control using sampling basedBayesian reinforcement learning. Patrick Slade1, Zachary N. Sunberg2, Mykel J. Kochenderfer, pp. 127-136.es_CO
    dc.relation.referencesProfanter, S. (2014). Implementation and Evaluation of multimodal input/output channels for task-based industrial robot programming.es_CO
    dc.relation.referencesRebiotex. (2020). EksoNR. Ekso Bionics. Obtenido de https://rebiotex.com/ekso gt/es_CO
    dc.relation.referencesRequez, J. P. (2020). Matlab, EL lenguaje del cáculo técnico. Obtenido de ¿Que es Matlab?: http://acapmi.com/blog/2017/09/18/que-es-matlab/es_CO
    dc.relation.referencesResearch, M. F. (19 de Septiembre de 2019). MAYOCLINIC. Obtenido de Lesiones de la médula espinal.es_CO
    dc.relation.referencesRobotics, O. S. (20 de 12 de 2018). Bibliotecas de clientes. Obtenido de http://wiki.ros.org/Client%20Librarieses_CO
    dc.relation.referencesRobotics, R. (2020). What is the ReWalk exoskeleton? Obtenido de https://rewalk.com/es_CO
    dc.relation.referencesROS, O. R. (2020). Componentes centrales de ROS. Obtenido de Infraestructura de comunicaciones, Caracteristicas especificas del robot y Herramientas: https://www.ros.org/core-components/es_CO
    dc.relation.referencesROS, O. R. (2020). Componentes centrales en ROS. Obtenido de Caracteristicas especificas del robot: https://www.ros.org/core-components/es_CO
    dc.relation.referencesSadowski, M. (25 de 06 de 2019). Tutorial web de ROS parte 1 - servidor rosbridge y roslibjs. Obtenido de https://msadowski.github.io/ros-web tutorial-pt1es_CO
    dc.relation.referencesShervin Javdani, S. S. (2015). Shared autonomy via hindsight optimization. Robotics: Science and Systems Conference, 11.es_CO
    dc.relation.referencesShilpa Gulati, C. J. (2009). A Framework for Planning Comfortable and Customizable Motion of an Assistive Mobile Robot. IEEE/RSJ International Conference on Intelligent Robots and Systems, 4253-4260.es_CO
    dc.relation.referencesSimonetta Papa, P. E. (2020). Chapter 1 - Introduction to spinal cordinjury as clinical pathology. En F. R. Giuseppe Perale, Spinal Cord Injury (SCI) Repair Strategies (págs. 1-12). Woodhead Publishing.es_CO
    dc.relation.referencesTsitsiklis, D. P. (2015). Neuro-dynamic programming: An overview. Proceedings of the 34th IEEE Conference on, 560–564.es_CO
    dc.relation.referencesUğur Demir, S. K. (2016). Human impedance parameter estimation using artificial neural network for modelling physiotherapist motion. Biocybernetics and Biomedical Engineering, 36, Pages 318-326.es_CO
    dc.relation.referencesUnbehaue, N. M. (2018). Survey of adaptive dual control methods. IEEE Proceedings-Control Theory and Applications, 147, pp. 118–12.es_CO
    dc.relation.referencesYang Chen, D. P.-G. (2019). Torso Control System with A Sensory Safety Bar for a Standing Mobility Device.es_CO
    dc.relation.referencesYang Chen, D. P.-G. (s.f.). Torso Control System with A Sensory Safety Bar for a Standing Mobility Device.es_CO
    dc.relation.referencesYoonSeok Pyo, H. C. (2017). ROS, Robot Programing. Seoul, Republic of Korea : ROBOTIS Co.,Ltd.es_CO
    dc.relation.referencesYosuke Eguchi, H. K. (2013). Standing Mobility Vehicle with Passive Exoskeleton. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería Mecatrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Ibánez_2020_TG.pdfIbánez_2020_TG3,67 MBAdobe PDFVisualizar/Abrir


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.