APRÈN. Portal de la producció docent del professorat de la UPC

Detalle del proceso de desarrollo de un entorno de simulación para conducción autónoma en Isaac Sim (NVidia Omniverse) y la interfaz a un Controlador mediante ROS2. Incluyendo información sobre el software utilizado, modelo de movimiento del coche, implementación preliminar, así como desarrollo futuro del proyecto en el contexto de UPC EcoRacing.

La gestió de les xarxes de distribució d'aigua dolça és, actualment, un aspecte crucial en termes econòmics i de sostenibilitat, donada l'escassetat d'aigua potable a causa del canvi climàtic i l'augment de la demanda degut al creixement de la població mundial. L'aigua distribuïda es perd a causa de xarxes de distribució ineficients i trencaments de la infraestructura. L'augment en la recopilació i l'ús de dades és de vital importància per prevenir avaries i millorar les estratègies de manteniment de les canonades. L'anàlisi d'informació històrica d'avaries és clau per identificar els factors que contribueixen als trencaments de les canonades. Es realitza un anàlisi exhaustiu de les dades subministrades per determinar les característiques de la xarxa de distribució. Per a la fabricació de canonades, s'utilitza, principalment, tres materials corresponents a polietilè, fibrociment i fosa dúctil. Les dades proporcionades per part de l'empresa Aigües de Manresa són carregades en la base de dades que es desenvolupa a l'estudi i, després de la seva neteja i tractament, són la font d'informació per a l'entrenament de models d'anàlisi predictiu que calculen les probabilitats de trencament de cada canonada. Es desenvolupen models d'anàlisi predictiu, en concret, la regressió logística i el backpropagation, per predir les probabilitats de fallada. Es construeix diferents models d'avaries segons els materials especificats anteriorment i segons diverses tècniques aplicades als conjunts de dades d'entrenament dels algorismes. També es desenvolupa una xarxa neuronal del tipus backpropagation. Es genera informació en referència als minisectors afectats i la longitud de xarxa compromesa segons cada algoritme desenvolupat. Les probabilitats generades per cadascun dels models són carregades a la base de dades desenvolupada per a la posterior predicció d'avaries per part de l'empresa Aigües de Manresa

This dissertation applies an experimental methodology to study and identify a quadrotor mounted on a gyroscopic test bench. Its aim is to find suitable data-driven linear timeinvariant (LTI) models in both continuous and discrete time for pitching, rolling and yawing motions separately and to validate them. A literature review is done to assess the significance of UAVs in general, the interest in them, and their impact. The work also studies the current methodologies utilized in research to study, identify and control UAVs. Prior documentation and knowledge of the chosen drone is assessed to understand the building foundations of the dissertation. An experimental, drone-independent methodology is developed for the work. New userfriendly interfaces and tools for experimentation and control of the drones at UPC ESEIAAT are developed in the MathWorks' framework, which are independent of the selected approach. Guidelines for them are written for future use. In accordance with it, basic physical parameters (i.e., friction coefficient and inertia) are estimated based on an equation that explains the motion of the drone-gyroscope system without the actuations of the motors. Thereafter, data is collected in a system identification framework, and model structures are chosen. The models are then estimated for pitch, roll and yaw separately. Based on them, Proportional-Integral-Derivative (PID) controllers are tuned using the pole placement method and iterative algorithms. Moreover, the models are successfully validated in the platform with the help of the attitude controllers. The platform demonstrates to be a useful tool for both educational and research purposes. It allows the implementation of the proposed methodology in a controlled environment. Also, the system shows signs of nonlinear behaviour, such as nonlinear proportional gains and dead zones. The first two angles linear dynamics were identified to be of second order, while the yaw proved to have a natural integrator, together with a first order dynamic. In accordance with the influence of the gyroscope's inertia on the drone, the roll was the fastest, and the pitch was in a middle point. Both proved to have one equilibrium point, while the yaw had an infinite amount. Additionally, the rotational friction was pinpointed as the cause of its dead zone, which provoked an offset during the validation phase

Aquest treball té com a finalitat aconseguir l'autonomia de robot AutoNOMOS, un robot mòbil amb estructura de cotxe utilitzat al laboratori de Control Avançat de l'ESEIAAT. Per tal d'assolir aquest propòsit, s'han definit dos objectius. El primer consta en generar una representació gràfica precisa en dues dimensions de l'entorn en el qual el robot opera, mitjançant la creació d'un mapa estàtic exhaustiu. Un cop s'ha obtingut aquesta representació, es du a terme el segon objectiu, on es procedeix a desenvolupar un algorisme capaç de calcular i seguir trajectòries des d'un punt inicial fins a un punt final, dins d'un entorn potencialment dinàmic. Aquesta característica implica que l'algorisme ha de considerar tant els obstacles com els possibles canvis que puguin aparèixer a l'entorn, a temps real, i aparèixer en un segon mapa dinàmic generat durant el moviment del robot. En l'àmbit de la navegació autònoma, es destaquen quatre temes principals: percepció, localització i mapatge, planificació de la ruta i control de moviment. En aquest projecte s'ha seguit l'ordre corresponent, començant amb l'ús de les dades del LiDAR i del sistema GPS del laboratori per localitzar el robot i obtenir informació sobre l'entorn. A continuació, s'ha utilitzat una tècnica SLAM (Simultaneous Localization and Mapping), concretament la SLAM Gmapping, per generar el mapa del laboratori i aconseguir el mapa estàtic de l'entorn. Posteriorment, s'ha desenvolupat un algorisme RRT (Rapidly-exploring Random Tree) per planificar la trajectòria adequada que ha de seguir el vehicle. Per evitar obstacles i generar el mapa dinàmic del laboratori, també s'ha fet servir la tècnica de SLAM Gmapping i conjuntament amb l'algorisme RRT ha permès que el robot sigui capaç d'identificar objectes que no estaven presents en el mapa estàtic i evitar-los. Finalment, s'ha aplicat un algorisme de control, prèviament existent, per moure el robot i fer-lo seguir la trajectòria calculada pel RRT. A través d'aquest treball, s'ha demostrat amb èxit la capacitat autònoma del robot per calcular i seguir trajectòries en un entorn dinàmic utilitzant les tècniques de SLAM i RRT. S'ha aconseguit una representació adequada de l'entorn desconegut, tant estàtic com dinàmic, i s'ha validat l'eficàcia dels algorismes emprats

La industria del automóvil se adapta constantemente a los requisitos demandados por la sociedad. Es por ello, que en los últimos años se ha puesto la seguridad como pilar fundamental en el desarrollo de los automóviles. Por lo tanto, en este trabajo se desarrolla una etapa supervisora mediante conjuntos invariantes para un escenario de estacionamiento vertical, con el objetivo de garantizar que el vehículo se encuentra siempre dentro de un escenario predeterminado. A partir del análisis de modelos simplificados que simulan la cinemática de un vehículo, específicamente la cinemática del modelo biciclo, se encuentran rangos de la acción de control, que permiten en iteraciones futuras que el vehículo se mantenga dentro del escenario. Estas acciones de control representan la orientación de la rueda delantera. Por lo que, el rango de acción de control válido asegura que el vehículo se mantendrá en todo momento dentro del conjunto y/o escenario preestablecido. Además, del análisis teórico, se realiza la implementación en entorno real a través del prototipo AutoNOMOS. Este es un vehículo a escala 1:10 diseñado en Dahlem Center for Machine Learning and Robotics perteneciente a la universidad Freie Universität Berlin. Las funciones que describen la etapa supervisora desarrollada se implementan en el software Robot Operating System (ROS) integrado en el prototipo. Para finalizar, los resultados encontrados en el estudio teórico se validan mediante diferentes pruebas en entorno real dentro del marco del proyecto GNC. Este proyecto se encuentra desarrollado bajo el trabajo Safe and Secure Coordination of Autonomous Vehicles (SaCoAV). El cual se desarrolla por el departamento de Ingeniería de Sistemas, Automática e Informática Industrial de la UPC.

El propósito de este trabajo es el de realizar un planificador de trayectorias para un vehículo autónomo. En concreto, el estudio se focaliza en el desarrollo de un supervisor, subsistema que forma parte del planificador. El supervisor es un sistema dentro del módulo de planificación del coche encargado de generar los puntos de paso dada una trayectoria y de supervisar que tales puntos han sido alcanzados para así proveer al controlador del vehículo de la información necesaria para mover el automóvil a través de la ruta. La meta es programar el subsistema e implementarlo en el programa de un robot móvil autónomo de cuatro ruedas. Se ha realizado un análisis del estado actual del vehículo, que cuenta ya con un programa base implementado del cuál partir, para estudiar y entender el comportamiento. Esto posibilita conocer qué parte del código se debe modificar, eliminar, reestructurar o añadir. Se ha llevado a cabo una fase de programación y de experimentación en paralelo. Un aula con el suficiente espacio libre ha permitido la realización de los experimentos. Los ensayos han sido fundamentales para la demostración veraz de los objetivos alcanzados. En el final de la memoria, unas conclusiones en las que constan los objetivos alcanzados, el nivel de satisfacción respecto a lo logrado y características que también pudieron haberse llevado a cabo

Estudi de la organització d'una competició on equips d'alumnes de cicles formatius (CF) de diferents especialitats, de Batxillerat, ESO i d'acadèmies d'activitats extraescolars relacionades amb la robòtica, realitzaran una sèrie de proves amb un vehicle autònom preparat per ells mateixos.

In this work we intend to improve the performance of the library Pytorch 1.13.1 in HighPerformance Computing (HPC) applications for Central Processing Units (CPUs). The Pytorch framework is an open-source library that is intended to ease the burden of programming neural networks for Machine Learning (ML) purposes. Since its creation by Facebook, Pytorch has offered parallelism features. However, these options are fixed, meaning that they can't be changed during the training and inference processes of neural networks. In these processes, some sections of a network have more tasks that can be parallelized than others. Therefore, if the parallelism parameters offered by Pytorch can only be selected in a fixed way, the program won't run at its best efficiency for the most part. A solution to that problem would be to dynamically change the parallelism features in Pytorch, according to the nature of the neural network architecture at a certain layer. To showcase this, we selected a type of neural network called Long Short-Term Memory (LSTM), which has varying widths. In other words, we chose a neural network containing sections where many operations can run in parallel, and sections where only a few operations can run in parallel, or none. The network we've used is currently the state-ofthe-art for NLP (Natural Language Processing), making it the perfect network to study for HPC applications. Such applications contain tasks like machine translation, text generation and next-word prediction. In the present study, we've developed a use case where an LSTM network is used in an inference process. In the use case, the network ran using three different settings: without any parallelism configurations, with fixed parallelism configurations and by dynamically tuning the parallelism configurations. The objective of this work is to show that by approaching parallelism in a dynamic way, many Pytorch applications can see a huge improvement in terms of performance. Because of that, many companies that currently use these technologies for their products, such as Google, Facebook or Tesla, could see their costs reduced by a large margin. Moreover, by improving the performance of Pytorch 1.13.1 in inference, we could deploy deep learning models in other devices that previously couldn't run them, such as mobile and edge devices. In addition, not only there's a substantial economic interest behind our work, but also an environmental side to it: by improving the performance of deep learning frameworks in training and inference, we can reduce the carbon footprints generated during these processes. This is especially important for HPC applications, where the environmental cost of computing is very high. To showcase these results, we programmed several use cases with Python, in a HPC environment offered by the Barcelona Supercomputing Center (BSC). In the end, we achieved a 10% improvement in performance, and created simple guidelines to outperform 78% of Pytorch's configurations

En este proyecto, se estudia, diseña y simula agentes de aprendizaje profundo por refuerzo para controlar el clima interior de un invernadero en un modelo de invernadero de lechugas que tiene incertidumbre en la predicción del clima externo futuro. El objetivo del proyecto es diseñar y entrenar un agente que pueda controlar de forma estable y robusta el clima interior y maximizar el uso de los recursos aportados por clima exterior, encontrando así un equilibrio que permita el crecimiento saludable de las lechugas sin consumir demasiada energía. Para ello, en este trabajo se hablará del algoritmo de aprendizaje profundo por refuerzo, el proceso de diseño y ajuste del agente, la evaluación del agente entrenado y la comparación de los resultados con el control predictivo por modelo

El clor és el desinfectant més popular a l'hora d'eliminar els bacteris a les xarxes de distribució d'aigua. La seva alta efectivitat i el seu baix preu fan que sigui el millor aliat per desinfectar la xarxa, però un ús excessiu del mateix pot provocar que és generin Trihalometans(THM), que són un subproducte cancerigen del clor. Els perjudicis que genera la producció d'aquest element als voltants de les fàbriques fa que qualsevol eina que és pugui crear que ajudi a la gestió efectiva d'aquest producte sigui un avanç en el camp. Aquest TFE busca crear un agent via Aprenentatge per Reforç que sigui capaç de controlar la qualitat d'aigua d'una xarxa real. Aquest agent seria útil per donar reforç a l'hora de prendre decisions per part del personal responsable de la xarxa. El projecte està estructurat en 3 parts principals: - La Prova de Concepte: On és busca comprovar si és possible controlar la xarxa de manera correcta amb Aprenentatge per Reforç. - La Prova de Xarxa Real: Que busca replicar els resultats de la Prova de concepte en una xarxa real operada per Aigües de Manresa i afegim l'opció de que l'agent controli les vàlvules de la xarxa per fer passar l'aigua per un camí o per l'altre i així reduir el temps de residència de l'aigua. - Ajust fi de la Xarxa Real: En aquest apartat s'ajusta l'agent específicament per a la xarxa real i és compara amb Dades Reals obtingudes durant un any del control de la xarxa. S'ha desenvolupat l'agent per dues xarxes diferents que sense cap informació prèvia per part d'experts, pren decisions coherents amb el que fan els experts actualment arribant a reduir lleugerament el consum de clor dins de les simulacions

The recent growth of Unmanned Aerial Vehicles has brought them to a wide variety of industries, from construction to film production or emergency services. These vehicles still depend on some part of human intervention and can only operate comfortably in very wide and open spaces. This is mainly due to the limited surrounding awareness that the UAVs have as they are equipped with very simple sensing equipment. In this research work, this issue will be tackled. This project focuses on the use of a solid-state LIDAR sensor module to perform obstacle avoidance. The integration is done in a Hummingbird multirotor platform where a path following algorithm has already been tested. The objective will be to integrate the system into the existing platform and validated it in real flight conditions. The Hummingbird UAV at the end of the project will be capable of autonomously navigating while at the same time being capable of performing obstacle avoidance manoeuvres around non-planned and static objects.

The aim of the project is to develop a control system to allow the DJI Tello programmable drone to follow a land vehicle. This project is expected to be the basis for a subject called Advanced Control Systems at the ESEIAAT, where a drone is programmed to follow a line on the floor, and that now is imparted using a bigger and expensive drone. The drone has to be controlled using ROS and a cascade control structure, where some image processing must be implemented

Driving a car autonomously is an important goal that many scientists and engineers are currently working on. One of the control techniques that is widely used in various fields of control, robotics and in particular also in autonomous driving is that which is based on invariant sets. In this project it is proposed to study the Invariant Set Theory and to apply some basic equations in the field of motion control for this autonomous driving model. The goal of the project is to create a full-integrated script on MATLAB that uses this method and to validate its efficiency by simulation. In order to reach this objective, a scale-closed circuit and a vehicle are proposed. Additionally, due to the complexity of the designing part starting from zero, some simplifications and assumptions have been considered. All these aspects are explained and detailed in this report. Finally, once the designing part is done, the simulation is executed and the results obtained are presented and evaluated. This report is one out of four documents related to this final thesis project. The document is structured in 5 different chapters that comprehend theory, designing and simulation parts of the project. Firstly, there is a theoretical framework included in Chapter 2 and Chapter 3. It contextualizes and describes the basic concepts in the field of kinematics and provides a brief introduction of the required motion equations as well as the Invariant Set Theory. Afterwards, the second part of the report is focused on the designing process. This second framework is located in Chapter 4 and details the working conditions and the steps required to perform the design of the script. After that, simulations are executed and their results are evaluated. Finally, at the end of the report a wide and large section of conclusions based on the analysis of the results obtained is introduced

Aquest projecte neix dins del marc de l'apartat de control d'un altre projecte. Aquest treball de fi de grau té com a finalitat desenvolupar un controlador capaç de dirigir un model de cotxe autònom. Inicialment s'havia pensat que la senyal d'entrada d'aquest controlador arribés a partir d'uns sensors magnètics, però degut a un seguit de problemes tècnics amb ells, fora de l'abast d'aquest projecte, es va haver d'adaptar la senyal. A més, s'haurà de crear un supervisor, que a partir d'uns sensors puntuals faci variar el comportament del cotxe en funció del valor rebut com a entrada. Aquest supervisor farà variar la direcció o la velocitat del model de cotxe autònom. Un cop desenvolupat tots dos sistemes es farà un seguit de proves al laboratori per determinar el seu funcionament. Els resultats obtinguts en aquestes proves s'estudiaran en detall en aquesta memòria.