Sistema integral de percepción y control en tiempo real para la manipulación flexible con robots industriales
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13705Palabras clave:
Percepción y detección, Tecnología robótica, Manipuladores robóticos, Sistemas robóticos autónomosResumen
Este trabajo presenta un sistema de manipulación robótica flexible orientado a aplicaciones industriales. El entorno propuesto consiste en un sistema de visión capaz de identificar objetos, localizarlos mediante la segmentación de instancias y estimar automáticamente la pose (posición y orientación) de la herramienta. Su arquitectura modular en ROS 2 integra componentes de percepción y de control del manipulador, así como una interfaz de usuario. El sistema de visión se basa en una cámara estereoscópica para capturar imágenes RGB-D desde la herramienta del manipulador y en un modelo YOLO de segmentación de instancias para identificar objetos y generar sus correspondientes máscaras, que, junto con la información de profundidad, permiten calcular de forma robusta un punto de agarre adecuado. además de incorporar un mecanismo de verificación posagarre. Los resultados obtenidos muestran un comportamiento robusto en tiempo real, validando el uso de técnicas de visión avanzada en entornos industriales no estructurados. El código está públicamente disponible en el repositorio (https://github.com/PedroMM03/semantic-segmentation-adaptive-manipulation).
Referencias
Hartley, R., Zisserman, A., 2004. Multiple View Geometry in Computer Vision, 2nd Edition. Cambridge University Press.
Khanam, R., Hussain, M., 2024. YOLOv11: An overview of the key architectural enhancements. arXiv preprint arXiv:2408.00714.
Liu, Y., Graf, C., Spies, M., Keuper, M., 2025. Segment any repeated object. In: International Conference on Robotics and Automation. pp. 16042–16049. DOI: 10.1109/ICRA55743.2025.11128131
Redmon, J., Divvala, S., Girshick, R., Farhadi, A., 2016. You only look once: Unified, real-time object detection. In: IEEE Conference on Computer Visión and Pattern Recognition. pp. 779–788. DOI: 10.1109/CVPR.2016.91
ten Pas, A., Gualtieri, M., Saenko, K., Platt, R., 2017. Grasp pose detection in point clouds. The International Journal of Robotics Research 36 (13-14), 1455–1473. DOI: 10.1177/0278364917735594
Utomo, T. W., Cahyadi, A. I., Ardiyanto, I., 2021. Suction-based grasp point estimation in cluttered environment for robotic manipulator using Deep learning-based affordance map. International Journal of Automation and Computing 18 (2), 277–287. DOI: https://doi.org/10.1007/s11633-020-1260-1
Zapata-Impata, B. S., Gil, P., Pomares, J., Torres, F., 2019. Fast geometrybased computation of grasping points on three-dimensional point clouds. International Journal of Advanced Robotic Systems 16 (1), 1729881419831846. DOI: 10.1177/1729881419831846
Zhao, M., Zuo, G., Yu, S., Luo, Y., Liu, C., Gong, D., 2025. Language-guided category push–grasp synergy learning in clutter by efficiently perceiving object manipulation space. IEEE Transactions on Industrial Informatics 21 (2), 1783–1792. DOI: 10.1109/TII.2024.3488774
Zhong, X., Gong, T., Zhong, X., Liu, Q., Hu, H., 2025. Region-aware 6D grasping for industrial bin-picking: A Sim2Real label self-generation and hybrid evaluation framework. In: International Conference on Intelligent Robots and Systems. pp. 9448–9455. DOI: 10.1109/IROS60139.2025.11247129
Zhuang, C., Wang, Z., Zhao, H., Ding, H., 2021. Semantic part segmentation method based 3D object pose estimation with RGB-D images for binpicking. Robotics and Computer-Integrated Manufacturing 68, 102086. DOI: https://doi.org/10.1016/j.rcim.2020.102086
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Pedro Martín-Martos, Ricardo Vázquez-Martín
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
