000152263 001__ 152263 000152263 005__ 20250401114419.0 000152263 037__ $$aTAZ-TFM-2025-047 000152263 041__ $$aeng 000152263 1001_ $$aPérez González, Eduardo 000152263 24200 $$aRobot grasping with Bayesian optimization informed with foundational models 000152263 24500 $$aRobot grasping with Bayesian optimization informed with foundational models 000152263 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025 000152263 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000152263 520__ $$aEsta tesis de máster investiga técnicas avanzadas de manipulación robótica utilizando una mano robótica humanoide, combinando tecnologías de vanguardia en inteligencia artificial, como el aprendizaje autosupervisado (DINO) y la optimización bayesiana. El objetivo principal es desarrollar una canalización robusta y eficiente capaz de mejorar las estrategias de agarre mediante la integración de datos visuales y contextuales. La investigación se centra en aprovechar las características visuales preentrenadas extraídas por DINO y combinarlas con métricas espaciales dentro de un marco de optimización bayesiana, introduciendo un enfoque consciente del contexto que mejora la adaptabilidad y precisión en tareas de agarre. Este trabajo se centra en desarrollar un proceso de entrenamiento que permita a los robots aprender a agarrar objetos de manera más precisa y eficiente. Para ello, se utiliza un enfoque que combina la extracción de información visual detallada, la evaluación de la calidad del agarre y la integración de estas características en un modelo avanzado de optimización. El método se probó en un entorno simulado con diferentes objetos, y los resultados mostraron que, a medida que el sistema va practicando con más objetos, mejora notablemente su capacidad de agarre. Una de las claves del éxito es el uso de contexto: el sistema aprende de su entorno y utiliza esa información para adaptarse mejor a nuevas situaciones. Esto le permite generar configuraciones de agarre más estables y fiables. En las primeras etapas, cuando el modelo tiene pocos datos, su desempeño es limitado, pero conforme acumula más experiencia, se vuelve más robusto y eficiente. Esto es especialmente útil para tareas complejas, donde el sistema logra un rendimiento superior al utilizar el conocimiento del contexto. En resumen, este trabajo combina técnicas de Optimización Bayesiana, aprendizaje autosupervisado y conocimiento contextual previo para mejorar la capacidad de los robots en la manipulación de objetos. Los resultados son prometedores y marcan un avance importante hacia sistemas robóticos más inteligentes y capaces de trabajar en entornos dinámicos y desafiantes. Este estudio sienta las bases para futuros desarrollos en percepción robótica y manipulación autónoma.<br /> 000152263 521__ $$aMáster Universitario en Robótica, Gráficos y Visión por Computador 000152263 540__ $$aDerechos regulados por licencia Creative Commons 000152263 691__ $$a3 8 9 000152263 692__ $$aPromover el acceso asequible a medicamentos esenciales, utilizando la robótica para mejorar la entrega médica y la asistencia. Incrementar la productividad económica mediante la innovación y la tecnología. Mejorar la infraestructura sostenible y las prácticas industriales ecológicas. 000152263 700__ $$aMartínez Cantín, Rubén$$edir. 000152263 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cIngeniería de Sistemas y Automática 000152263 8560_ $$f776580@unizar.es 000152263 8564_ $$s2846135$$uhttps://zaguan.unizar.es/record/152263/files/TAZ-TFM-2025-047.pdf$$yMemoria (eng) 000152263 909CO $$ooai:zaguan.unizar.es:152263$$pdriver$$ptrabajos-fin-master 000152263 950__ $$a 000152263 951__ $$adeposita:2025-04-01 000152263 980__ $$aTAZ$$bTFM$$cEINA 000152263 999__ $$a20250127125057.CREATION_DATE