Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

Aplicación  de  principios  de  inteligencia  artificial  en  
ingeniería  mecánica.
Ivan  Zajačko1,*,  Tomáš  Gál1 , Zuzana  Ságová1 ,  Vasyl  Mateichyk2 , Dariusz  Wiecek3

1Universidad  de  Žilina,  Facultad  de  Ingeniería  Mecánica,  Departamento  de  Automatización  y  Sistemas  de  
Producción,  Univerzitná  1,  010  26  Žilina,  República  Eslovaca  
2Universidad  Nacional  del  Transporte,  Facultad  de  Ingeniería  Mecánica  y  Automotriz,  01010  Kiev,  1  
Omelianovycha­Pavlenka  str.,  Ucrania  
3ATH  –  Universidad  de  Bielsko  Biala,  Facultad  de  Ingeniería  Mecánica  e  Informática,  43­
309  Bielsko  Biala,  Willowa  2,  Polonia

Abstracto.  El  artículo  trata  sobre  los  métodos  de  Inteligencia  Artificial  y  su  utilización  en  el  
diagnóstico  técnico.  Se  dará  especial  importancia  a  métodos  como  el  aprendizaje  profundo.  El  
método  de  aprendizaje  profundo  parece  ser  un  muy  buen  candidato  para  la  detección  de  
defectos  y  el  reconocimiento  de  patrones.  El  método  se  aplicó  para  el  diagnóstico  técnico  en  
una  fábrica  de  automóviles  y  el  problema  se  describirá  en  el  artículo.

Palabras  clave:  Inteligencia  artificial,  Red  neuronal  convolucional  profunda,  Sistema  de  visión,  
Aprendizaje  automático

1.  Introducción
La  innovación  primaria  es  hoy  uno  de  los  puntos  de  referencia  clave  de  las  empresas  de  éxito.
Los  enfoques  y  métodos  convencionales  aplicados  en  el  entorno  de  producción  se  están  volviendo  
gradualmente  insuficientes  debido  a  la  creciente  presión  competitiva.  Por  esta  razón,  es  necesario  
aplicar  métodos  y  enfoques  innovadores  para  abordar  todo  el  espectro  de  tareas  en  el  entorno  de  
producción.  Al  mismo  tiempo,  la  demanda  del  mercado  de  una  mayor  flexibilidad  en  el  comportamiento  
de  las  empresas  de  producción  hacia  el  cliente  requiere  una  interconexión  muy  estrecha  de  los  
distintos  niveles  de  gestión  de  la  empresa,  y  el  aumento  requerido  de  la  rentabilidad  de  las  empresas  
que  suministran  bienes  o  servicios  requiere  un  conocimiento  más  preciso  de  las  necesidades  del  
cliente.  requisitos.  [1]
Las  condiciones  y  requisitos  antes  mencionados  para  las  empresas  se  han  abordado  
recientemente  mediante  la  penetración  de  las  tecnologías  de  la  información  y  la  automatización  en  
las  tecnologías  y  prácticas  convencionales  existentes  de  las  empresas  productoras.  A  finales  del  
siglo  XX  y  en  la  primera  década  del  siglo  XXI,  asistimos  a  un  aumento  significativo  en  el  uso  de  los  
enfoques  antes  mencionados  en  el  entorno  de  producción,  que  gradualmente  eliminaron  las  
diferencias  entre  los  líderes  de  la  industria,  con  estas  herramientas  incluso  las  pequeñas  Las  
empresas  eliminaron  gradualmente  la  ventaja  competitiva  de  los  grandes  actores  mediante  la  introducción  parcial  gr

* Autor  para  correspondencia:  ivan.zajacko@fstroj.uniza.sk
Revisores:  Jozef  Jurko,  Nicoale  Ungureanu

©  Los  Autores,  publicado  por  EDP  Ciencias.  Este  es  un  artículo  de  acceso  abierto  distribuido  bajo  los  términos  de  la  Licencia  de  
Atribución  Creative  Commons  4.0  (http://creativecommons.org/licenses/by/4.0/).
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

tecnologías  de  sustitución  gradual  de  los  métodos  convencionales  por  otros  más  progresivos.  [2,3]

El  desarrollo  natural  es  la  mejora  de  las  tecnologías  y  métodos  establecidos.  Además  de  implementar  
optimizaciones  en  diferentes  niveles,  se  pueden  realizar  mejoras  introduciendo  innovaciones  en  tareas  
individuales  o  grupos  de  tareas  complejos.  Una  idea  innovadora  que  une  la  automatización  convencional  
y  la  tecnología  TI  es  la  introducción  de  un  mayor  grado  de  automatización.  [4]  Con  mayor  grado  de  
automatización  entendemos  la  automatización  que  no  sólo  se  aplica  para  automatizar  el  trabajo  rutinario,  
sino  que  tiene  la  capacidad  de  toma  de  decisiones  en  un  nivel  definido.  [5]  En  este  ámbito,  el  mayor  
grado  de  automatización  podría  lograrse  aplicando  inteligencia  artificial  al  entorno  de  producción.  En  
nuestro  contexto,  podemos  entender  la  aplicación  de  la  Inteligencia  Artificial  de  la  siguiente  manera:  La  
Inteligencia  Artificial  aplicada  en  un  entorno  de  producción  es  un  programa  (o  parte  de  él)  que  puede  
resolver  una  tarea  sin  introducir  reglas  para  su  solución  en  el  programa.  [6,7]

Al  aplicar  la  inteligencia  artificial  en  su  totalidad,  lograríamos  unidades  autoactuantes  y  autónomas  
en  el  entorno  de  producción.  Al  lograr  un  grado  absoluto  de  automatización  a  través  de  dispositivos  con  
un  alto  grado  de  inteligencia  artificial,  podríamos  lograr  una  empresa  de  producción  autoorganizada  que  
tendría  el  control  total  de  los  insumos  necesarios  para  la  producción,  la  producción  misma,  así  como  el  
control  de  calidad  y  la  expedición.  [8,9]  En  el  mundo  real,  lograr  este  objetivo  es  simplemente  utópico  
en  este  momento.  [4]  Nuestra  tarea  es  garantizar  la  innovación  mediante  la  aplicación  parcial  de  técnicas  
de  inteligencia  artificial  y  la  consecución  de  un  grado  que  podemos  caracterizar  como  Inteligencia  
Avanzada.
En  el  marco  de  la  cooperación  con  la  industria,  se  propuso  una  tarea  de  investigación  para  
automatizar  completamente  el  proceso  de  control  de  calidad  de  los  neumáticos  producidos  por  el  
fabricante.  Actualmente,  esta  tarea  la  realiza  un  operador  que  dispone  de  un  puesto  de  inspección  
compuesto  por  un  mandril  giratorio,  accionamientos  neumáticos,  un  PLC  que  controla  los  accionamientos  
individuales  y  la  iluminación.  El  puesto  de  inspección  (Fig.  1)  sirve  únicamente  como  un  dispositivo  que  
ayuda  al  operador  a  manipular  el  neumático  inspeccionado  (fijándolo  en  el  propulsor  giratorio  y  girando  
el  neumático  en  la  dirección  seleccionada).  Todo  el  proceso  de  evaluación  es  competencia  total  del  
operador  y  se  lleva  a  cabo  únicamente  sobre  la  base  de  una  evaluación  de  calidad  correspondiente  al  
rango  de  conocimientos  del  operador  del  producto.  Nuestro  objetivo  es  garantizar  la  completa  
automatización  del  proceso  de  control.  En  el  análisis  inicial  de  la  tarea  determinamos  que  para  la  
eliminación  de  un  operador  será  necesario  automatizar  tres  tareas  diferentes:
1.  manejo  del  neumático  evaluado  
2.  proceso  automático  de  control  de  
calidad  3.  detección  y  eliminación  automática  de  posibles  residuos  del  proceso  de  moldeo  y  
vulcanización  del  neumático

Fig.  1.  Puesto  de  inspección  utilizado  en  la  actualidad.

2
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

1.  La  manipulación  del  neumático  evaluado  se  implementará  ampliando  el  puesto  de  inspección  con  un  robot  de  
estructura  cinemática  de  serie,  complementado  con  un  correspondiente  efector  optimizado  para  la  
manipulación  del  neumático.  El  robot  se  asegurará  de  que  el  neumático  sea  retirado  de  la  línea  de  
producción  o  del  contenedor  en  servicio,  colocándolo  sobre  un  mandril  giratorio,  y  luego  de  completar  el  
proceso  de  control  de  calidad,  se  asegurará  de  que  el  neumático  sea  almacenado  en  el  contenedor  
correspondiente.

2.  Un  proceso  de  control  de  calidad  automatizado  se  describe  en  detalle  en  la  siguiente  parte  de  nuestro  artículo.

3.  La  detección  y  eliminación  automática  de  cualquier  residuo  del  proceso  de  moldeado  y  vulcanización  del  
neumático  se  realizará  mediante  un  dispositivo  de  manipulación  de  propósito  único  con  capacidad  de  
recorte.  La  coordinación  y  sincronización  del  neumático  y  dispositivo  de  manipulación  se  coordinará  en  
base  al  análisis  de  la  posición,  forma  y  tamaño  de  los  residuos  no  deseados,  esta  información  se  obtendrá  
de  los  datos  obtenidos  en  el  proceso  de  control  de  calidad.

2  Método  de  clasificación
Se  creará  un  proceso  de  control  de  calidad  automático  basándose  en  el  principio  de  similitud  con  la  forma  en  que  este  
proceso  lo  lleva  a  cabo  actualmente  un  operador.  Nuestra  tarea  es  realizar  un  análisis  del  proceso  de  control  después  
de  la  asignación  de  una  tarea  de  investigación  y  transformarlo  para  reemplazar  completamente  la  presencia  de  un  
operador  en  este  proceso.  Con  base  en  el  análisis  se  determinó  que  el  operador  del  equipo  realiza  una  inspección  
visual  del  neumático  durante  su  rotación  y  con  base  en  la  experiencia  y  conocimientos  del  operador  se  evalúa  el  
neumático  probado.  [10,11]

Nuestra  propuesta  para  transformar  este  proceso  consiste  en  diseñar  y  montar  un  sistema  de  cámaras  con  
iluminación  adecuada  para  obtener  la  imagen  del  neumático  probado  con  la  calidad  requerida.
Debido  al  hecho  de  que  la  aparición  y  el  tipo  de  errores  en  los  neumáticos  producidos  son  diferentes,  al  mismo  tiempo  
es  necesario  considerar  la  calidad  del  proceso  de  evaluación  con  respecto  a  la  desviación  de  las  características  del  
neumático  de  los  valores  definidos.  Era  necesario  elegir  el  método  de  procesamiento  de  datos  con  el  rendimiento  
requerido  y  las  funciones  necesarias  que  pudieran  reemplazar  la  evaluación  por  parte  de  humanos.  En  nuestro  caso,  
decidimos  aplicar  métodos  de  aprendizaje  automático,  específicamente  para  la  aplicación  de  redes  neuronales  
convolucionales  profundas  (DCNN)  con  una  alta  probabilidad  de  implementación  exitosa  debido  a  su  carácter  y  
rendimiento  potencial.  [12]

Aprendizaje  automático:  es  un  subcampo  de  la  inteligencia  artificial  que  desarrolla  algoritmos  y  técnicas  que  
permiten  que  el  sistema  informático  (máquina)  "aprenda".  En  este  contexto,  entendemos  el  aprendizaje  como  la  
capacidad  de  cambiar  el  estado  interno  de  un  sistema  de  una  manera  que  mejore  la  capacidad  de  adaptarse  a  los  
cambios  en  el  entorno  circundante  o  permitir  que  el  sistema  informático  después  del  aprendizaje  amplíe  el  contenido  
de  su  base  de  conocimientos  en  función  de  los  resultados  obtenidos  [13].

Una  forma  de  interpretar  el  conocimiento  necesario  para  el  aprendizaje  automático  es  adquirir  y  posteriormente  
analizar  las  imágenes  obtenidas  a  través  de  la  cámara.  Las  formas  clásicas  de  detección  de  datos  visuales  utilizan  
técnicas  basadas  en  gradientes,  como  el  histograma  orientado  a  gradientes  (HoG),  la  transformación  de  características  
invariantes  de  escala  (SIFT),  las  pirámides  espaciales  y,  cuando  corresponda,  la  representación  de  funciones  básicas  
como  los  filtros  de  Gabor.  Sin  embargo,  en  los  últimos  años,  contamos  con  herramientas  más  potentes  para  extraer  y  
analizar  información  específica  de  aplicaciones  ampliando  los  sistemas  de  aprendizaje  profundo  y,  específicamente,  
creando  e  implementando  redes  neuronales  convolucionales  profundas.[14]

En  nuestro  caso,  planeamos  utilizar  una  red  neuronal  convolucional  profunda  para  detectar  y  clasificar  los  diversos  
errores  encontrados  en  la  superficie  de  los  neumáticos  controlados.  Al  aplicar  este  tipo  de

3
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

red  neuronal,  asumimos  que  habrá  un  aumento  significativo  en  el  rendimiento  del  sistema  de  aprendizaje  
automático,  sobre  la  base  de  cuyos  resultados  se  construirá  el  sistema  de  control  de  calidad.[14]

Circunvolución Totalmente  
Imagen  de  entrada Agrupación  máxima
Circunvolución conectado

Fig.  2.  Red  neuronal  convolucional  con  max­poolig

Fig.  3.  Principios  de  agrupación  máxima  (Sukrit  Shankar,  Universidad  de  Cambridge)

La  red  neuronal  convolucional  profunda  (DCNN)  basada  en  la  convolucional  clásica
La  red  neuronal,  según  LeCun,  consta  de  tres  componentes  principales:
•  la  capa  convolucional:  está  conectada  con  la  siguiente  capa  de  manera  similar  a  una  red  neuronal  
multicapa  bipartita  tradicional  con  la  diferencia  clave  de  que  las  escalas  se  comparten  entre  los  
conjuntos  de  conexiones.  Cada  conjunto  de  enlaces  para  compartir  pesos  es  un  filtro  que  está  
vinculado  a  los  datos  de  entrada.  Normalmente,  hay  varios  filtros  de  este  tipo  entrenados  en  
paralelo  en  cada  capa.  Los  filtros  de  convolución  se  mueven  a  través  de  pequeñas  secciones  
locales  creadas  a  partir  de  datos  de  imagen  de  entrada  en  el  proceso  de  entrenamiento  de  
imágenes.  Cada  filtro  actúa  como  un  detector  de  elementos.  El  resultado  de  la  aplicación  de  filtros  
y  la  convolución  entre  imágenes  creará  un  mapa  de  elementos  (Fig.  2);
•  función  de  activación:  se  utiliza  para  discriminar  entre  clases  de  imágenes  al  almacenarlas  en  la  salida  
de  un  filtro  convolucional  y  realizar  una  transformación  no  lineal  de  la

4
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

espacio  de  datos.  Algunos  ejemplos  de  funciones  de  activación  son  la  función  tangente  hiperbólica  (Tanh),  la  función  
sigmoidea  y  la  unidad  lineal  rectificada  (ReLU);

•  max­pooling:  es  un  proceso  de  discretización  basado  en  muestras  (Fig.  3).  El  objetivo  es  reducir  la  muestra  de  una  
representación  de  entrada,  reduciendo  su  dimensionalidad  y  permitiendo  hacer  suposiciones  sobre  las  características  
contenidas  en  las  subregiones.  Se  crean  con  éxito  una  capa  convolucional  y  capas  de  agrupación  máxima  para  crear  la  
arquitectura  DCNN.  En  comparación  con  las  arquitecturas  poco  profundas,  DCNN  tiene  varias  capas  que  pueden  
representar  funciones  complejas  con  mayor  eficiencia  y  precisión  de  generalización.  [13]

3  Implementación
En  nuestra  solución,  planeamos  aplicar  métodos  de  capacitación  que  son  ligeramente  diferentes  de  los  métodos  aplicados  
convencionalmente.  El  método  de  descenso  de  gradiente  estándar  implica  optimizar  el  error  en  todo  el  conjunto  de  entrenamiento.  
Debido  a  que  este  procedimiento  puede  ser  costoso  desde  el  punto  de  vista  computacional  y  costoso  para  una  red  grande,  a  
menudo  se  utiliza  un  método  de  aproximación  llamado  descenso  de  gradiente  estocástico  minibatch  para  el  entrenamiento  de  
DCNN.  [15]  Una  diferencia  significativa  radica  en  el  hecho  de  que  en  lugar  de  calcular  el  gradiente  de  error  en  todo  el  conjunto  de  
entrenamiento,  cada  iteración  calcula  el  gradiente  de  error  para  una  pequeña  porción  de  las  muestras.  Denotamos  byn  el  tamaño  
del  minibatch  y  el  número  total  de  muestras  de  entrenamiento.  Para  el  número  de  gradientes  de  minibatch,  total  T  =  n /  b

iteraciones  durante  el  entrenamiento.  Por  tanto,  los  parámetros  w  se  obtienen  optimizando  el  valor  esperado  aproximado  de  la  
función  de  error  f  definida  como:

∑   ( )
  = ) (1)

es  la  i­ésima  muestra  
1,…     es  el  índice  de  iteración  y  Where  
de  entrenamiento.
En  cada  iteración,  el  peso  se  ajustará  mediante  la  regla  de  descenso  de  gradiente:

( )
= − (  )
(2)
¿Dónde  está  la  tasa  de  aprendizaje?

Mientras  que  el  descenso  de  gradiente  estándar  cae  en  todas  las  muestras  del  conjunto  de  entrenamiento  para  obtener  una  
única  actualización  del  valor  de  w  para  cada  iteración,  el  descenso  de  gradiente  estocástico  usa  solo  una  muestra  de  entrenamiento  
y  el  método  de  descenso  de  gradiente  estocástico  minibatch  usa  cada  iteración  de  muestra  b  (es  decir  tamaño  de  minilote).  El  
método  de  descenso  de  gradiente  estocástico  es  computacionalmente  mucho  más  económico  que  el  descenso  de  gradiente  
estándar.  Un  método  de  descenso  de  gradiente  de  minibatch  a  menudo  puede  ser  tan  rápido  como  un  descenso  de  gradiente  
estocástico  si  se  utiliza  la  vectorización  adecuada  para  calcular  los  términos  derivados.  [15]

Los  problemas  con  funciones  de  objetos  no  convexos  a  veces  han  demostrado  que  un  valor  de  gradiente  estocástico  puede  
escapar  del  mínimo  local  que  a  menudo  forma  una  trampa  para  un  gradiente  por  lotes.
Por  lo  tanto,  el  descenso  de  gradiente  estocástico  se  puede  implementar  mejor  en  aplicaciones  como  el  entrenamiento  DCNN.  [14]

Nuestros  datos  para  la  evaluación  automática  de  la  calidad  de  los  neumáticos  producidos  se  generarán  mediante  conjuntos  
de  imágenes  que  serán  capturadas  por  un  sistema  de  cámara  de  alta  resolución.  El  puesto  de  inspección  se  ampliará  con  el  citado  
sistema  de  cámaras.  Al  mismo  tiempo,  el  puesto  de  inspección  se  ampliará  con  un  sistema  de  iluminación  local  adicional  para  
lograr  la  calidad  de  imagen  requerida  (Fig.  4).

5
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

Una  vez  finalizadas  las  modificaciones  de  construcción  y  montaje  del  puesto  de  inspección,  será  necesario  llevar  a  
cabo  la  llamada  "fase  previa  a  la  implementación",  que  nos  permitirá  recopilar  una  definición  inequívoca  de  las  imágenes  
adquiridas  para  el  proceso  de  definición  de  todos  los  posibles  errores  que  surjan.  de  la  producción  de  neumáticos.  
Además,  en  esta  etapa  será  necesario  definir  los  rangos  de  desviaciones  aceptables  del  estado  ideal  del  producto.  
Todos  los  ejemplos  de  imágenes  capturados  y  definidos  deberán  dividirse  en  clases.  Un  requisito  previo  para  agrupar  
ejemplos  en  clases  con  éxito  es  crear  clases  de  acuerdo  con  la  aparente  similitud  de  sus  miembros  (geométrica,  
tecnológica,  espacial,...).

Después  de  completar  con  éxito  la  fase  previa  a  la  implementación  asociada  con  la  creación  de  un  conjunto  de  
datos  de  entrenamiento,  realizaremos  pruebas  de  implementación  para  revelar  una  variación  adecuada  del  modelo  
DCNN.  Los  diferentes  modelos  de  prueba  serán  diferentes  en  las  combinaciones  de  parámetros  básicos  (número  de  
mapas  de  elementos,  tamaño  de  los  filtros  aplicados,  número  de  capas  de  red,  número  de  capas  completamente  
interconectadas).  Después  de  realizar  estas  pruebas,  se  seleccionarán  los  parámetros  que  permitan  la  mayor  precisión  
de  clasificación  a  través  de  DCNN.

Fig.  4.  Nuestra  propuesta  de  ampliación  del  puesto  de  inspección.

4.  Conclusión
Suponemos  que  la  aplicación  DCNN  en  un  proceso  de  control  de  calidad  automatizado  mediante  la  implementación  de  
un  sistema  automatizado  de  detección  de  errores  en  neumáticos  inspeccionados  resolverá  el  conjunto  más  complejo  de  
tareas  asociadas  con  el  desarrollo  de  un  dispositivo  de  inspección  automatizado,  excluyendo  la  inspección  manual.  
Nuestra  suposición  se  basa  en  el  hecho  de  que  el  puesto  de  inspección  se  ampliará  con  el  sistema  de  cámara  propuesto,  
que  generará  una  gran  cantidad  de  datos  de  entrada  (representados  por  grandes  conjuntos  de  imágenes),  se  utilizará  
DCNN  para  extraer  y  reconocer  elementos  de  imagen  de  manera  efectiva,  y  para  detectar  automáticamente  la  presencia  
de  errores  y  desviaciones  en  el  producto  controlado.  Hemos  explorado  el  uso  de  DCNN  para  omitir  procedimientos  
complicados  para  extraer  características  requeridas  en  un  enfoque  de  aprendizaje  clásico;  en  su  lugar,  utilizaremos  
imágenes  sin  procesar  como  única  entrada  para  el  modelo  de  clasificación  y  luego  optimizaremos  la  red  utilizando  el  
método  de  descenso  de  gradiente  minibatch.

La  solución  presentada  en  este  artículo  es  un  concepto  basado  en  la  cooperación  con  la  práctica.  Predecimos  las  
exigencias  muy  altas  por  parte  de  la  práctica  para  una  solución  dada.  Por  lo  tanto,  en  la  próxima  investigación  
desarrollaremos  otros  métodos  de  procesamiento  de  los  datos  adquiridos  mediante  métodos  de  aprendizaje  automático.

La  aplicación  de  principios  de  aprendizaje  automático  tiene  el  potencial  de  crear  sistemas  de  detección  automática  
que  sean  lo  suficientemente  genéricos  como  para  permitirnos  abordar  fallas  y  errores  actualmente  muy  difíciles  de  
detectar  en  la  evaluación  de  diferentes  tareas  en  el  entorno  de  producción.

6
Machine Translated by Google

MATEC  Web  de  Conferencias  244,  01027  (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18

Los  resultados  del  artículo  fueron  financiados  por  la  subvención  VEGA  1/0504/17  "Investigación  y  desarrollo  de  
métodos  para  el  diagnóstico  de  precisión  multicriterio  de  máquinas  CNC.

Referencias
1. J.  Brethé,  D.Lefebvre,  Elipsoides  de  riesgo  y  relación  de  granularidad  para  robots  industriales.  Revista  
Internacional  de  Robótica  y  Computación  Suave  de  Automatización  de  Fábricas,  2,  93­101  (2007)
2.  I.  Kuric,  V.  Bulej,  M.  Sága,  P.  Pokorný,  Desarrollo  de  software  de  simulación  para  la  planificación  de  rutas  
de  robots  móviles  dentro  de  un  sistema  de  mapas  multicapa  basado  en  mapas  métricos  y  topológicos.
Revista  internacional  de  sistemas  robóticos  avanzados,  14,  (2017)
3.  B.  Mičieta,  M.  Edl,  M.  Krajčovič,  Ľ.  Dulina,  P.  Bubeník,  L.  Ďurica,  V.  Biňasová,  MAS  delegados  para  la  
coordinación  y  control  de  sistemas  AGV  unidireccionales:  una  prueba  de  concepto.  Revista  internacional  
de  fabricación  avanzada.  tecnología,  94,  415­431  (2018)
4.  WS  Newman,  CE  Birkhimer,  RJ  Horning,  AT  Wilkey,  Calibración  de  un  robot  Motoman  P8  basado  en  
seguimiento  láser.  Robótica  y  Automatización,  2000.  Actas.
ICRA'00.  Conferencia  Internacional  IEEE  sobre.  4,  3597­3602  (2000)
5.  M.  Císar,  I.  Zajačko,  I.  Kuric,  Diagnóstico  basado  en  el  desempeño  de  posicionamiento  durante  el  
movimiento  circular.  Inżynier  XXI  wieku:  projektujemy  przyszłość.  536­542  (2016)
6.  A.  Sapietová,  M.  Sága,  I.  Kuric,  Š.  Václav,  Aplicación  de  algoritmos  de  optimización  para  el  diseño  de  
sistemas  robóticos.  Revista  Internacional  de  Sistemas  Robóticos  Avanzados,  15  (2018)
7.  V.  Tlach,  M.  Císar,  I.  Kuric,  Zajačko,  Determinación  del  rendimiento  de  posicionamiento  del  robot  industrial.  
MATEC  Web  de  Conferencias.  137  (EDP  Ciencias,  2017)
8.  A.  Nubiola,  IA  Bonev,  Calibración  absoluta  de  un  robot  ABB  IRB  1600  mediante  un  rastreador  láser.  
Robótica  y  fabricación  integrada  por  computadora,  29,  236­245  (2013)
9.  M.  Abderrahim,  A.  Khamis,  S.  Garrido,  L.  Moreno,  Cuestiones  de  precisión  y  calibración  de  manipuladores  
industriales.  Robótica  Industrial­Programación,  Simulación  y  Aplicaciones,  131­146  (2007)

10.  J.  Józwik,  D.  Ostrowski,  P.  Jarosz,  D.  Mika,  Pruebas  de  repetibilidad  de  robots  industriales  con  cámara  
de  alta  velocidad  Phantom  v2511.  Revista  de  investigación  de  avances  en  ciencia  y  tecnología,  10,  
86­96  (2016)
11.  D.  Kumičakova,  V.  Tlach,  M.  Cisar.  Prueba  de  las  características  de  rendimiento  de  la  manipulación  de  
robots  industriales.  Transacciones  de  la  VŠB  ­  Universidad  Técnica  de  Ostrava:  serie  mecánica,  62,  
39­50  (2016)
12.  A.  Şirinterlikçi,  M.  Tiryakioğlu,  A.  Bird,  A.  Harris,  K.  Kweder,  Repetibilidad  y  precisión  de  un  robot  
industrial:  experiencia  de  laboratorio  para  un  curso  de  diseño  de  experimentos.  Revista  de  interfaz  
tecnológica,  9  (2009)
13.  Charu  C  Aggarwal,  Redes  neuronales  y  aprendizaje  profundo.  Springer,  2018  14.  
Ragav  V.,  Baoxin  L.,  Redes  neuronales  convolucionales  en  informática  visual.  prensa  crc,
2017

15.  A.  Nubiola,  M.  Slamani,  IA  Bonev,  Un  nuevo  método  para  medir  un  gran  conjunto  de  poses  con  una  sola  
barra  telescópica.  Ingeniería  de  precisión,  37,  451­460  (2013)