Diseño de un robot móvil para almacenamiento y recolección de cajas utilizando Deep Learning en almacenes de abarrotes

• Autores: Hernández Valladares, Mario Rodolfo, Ortega Chaparrea, Edward Saul
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/7074
• Enlace del recurso: https://hdl.handle.net/20.500.14138/7074
• Nivel de acceso: acceso abierto
• Materia: Robot móvil, almacenamiento, cajas de abarrotes, Deep Learning; https://purl.org/pe-repo/ocde/ford#2.11.02

La presente tesis tiene como objetivo el diseño de un robot móvil para almacenamiento y recolección de cajas utilizando Deep Learning en almacenes de abarrotes. Es una solución tecnológica para automatizar el proceso de almacenamiento y recolección de cajas requerido por las empresas del rubro de alimentación en la categoría de abarrotes. El robot móvil fue diseñado para desenvolverse en un almacén de piso liso sin inclinación y elevarse con un mecanismo tipo tijera. La estructura mecánica se diseñó utilizando el aluminio 7075 y la fibra de carbono, como componentes estructurales para soportar una carga total de 97.9 kg y una carga útil de 15 kg. Mediante los cálculos desarrollados, se determinó emplear 2 motorreductores de 5 Nm para el subsistema de desplazamiento, 1 actuador lineal de 2000 N para el subsistema de elevación, otro actuador lineal y un servomotor para el subsistema de manipulación. Además, se integró 2 modelos de Deep Learning, uno para la detección de las cajas y otro para la identificación de las etiquetas. Se diseñó una aplicación web para el envío de las órdenes. Se utilizó una Raspberry Pi 4 B para ejecutar los modelos de Deep Learning y los algoritmos empleados para las tareas de recolección o almacenamiento en conjunto con 2 Arduino Mega como interfaz para interactuar con los actuadores. Se calculó un consumo promedio de 211.4 W, por lo que se escogió una batería de 1200 Wh y un sistema de carga por cable. En las cuatro pruebas llevadas a cabo, se logró garantizar el correcto funcionamiento del robot móvil. El subsistema mecánico se sometió a una fuerza de 147.15 N, generando una deformación mínima en las diferentes piezas, no siendo crítico para el diseño. Los modelos de Deep Learning tuvieron una precisión del 95 % para la detección de cajas y 64.98 % para la identificación de las etiquetas. El subsistema electrónico interconectó los demás sistemas satisfactoriamente. Y la capacidad de almacenamiento de la batería de 100 Ah fue suficiente para mantener la autonomía del robot por 2 horas.