Escudo Universidad de Pamplona

Repositorio Institucional

Universidad de Pamplona

Preservamos, organizamos y difundimos la producción académica, científica, investigativa y cultural de la Universidad de Pamplona, garantizando el acceso abierto al conocimiento generado por nuestra comunidad universitaria.

Explorar colecciones

Por favor, use este identificador para citar o enlazar este ítem: https://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.