SISTEMA AUTÓNOMO DE ATERRIZAJE PARA MICRO VEHÍCULOS AÉREOS BASADO EN YOLOV8 (YOLOV8 BASED AUTONOMOUS LANDING SYSTEM FOR MICRO AERIAL VEHICLES)
Pistas Educativas
Resumen
Resumen La navegación autónoma de micro vehículos aéreos (MAVs) con sensores visuales ha ganado relevancia, particularmente en la etapa de aterrizaje, donde los sensores de ubicación tradicionales pueden fallar. El uso de aprendizaje profundo y visión computacional permite superar estas limitaciones, pues las cámaras brindan más información del entorno, especialmente al aterrizar en plataformas en movimiento. En este trabajo, se utiliza el detector You Only Look Once versión 8 (YOLOv8) para identificar un marcador de aterrizaje tipo Quick Response (QR). Se entrena un Perceptrón Multicapa (MLP) para estimar la altura relativa entre el MAV-plataforma móvil. Un controlador Proporcional-Integral (PI) calcula y envía los comandos de control al MAV para aterrizar, utilizando Robot Operating System (ROS) como interfaz. Se utilizó un dron Tello para probar el sistema, logrando una tasa de aterrizajes exitosos del 90% con una precisión de detección del 97%, demostrando que YOLOv8 es un componente clave. Palabras Clave: Autónomo, Aterrizaje, MAV, MLP, YOLOv8. Abstract Autonomous navigation of micro aerial vehicles (MAVs) using visual sensors has gained relevance, particularly during the landing phase, where traditional positioning sensors may fail. The use of deep learning and computer vision helps overcome these limitations, as cameras provide more environmental information, especially when landing on moving platforms. In this work, the You Only Look Once version 8 (YOLOv8) detector is used to identify a Quick Response (QR) landing marker. A Multilayer Perceptron (MLP) is trained to estimate the relative height between the MAV and the moving platform. A Proportional-Integral (PI) controller calculates and sends control commands to the MAV for landing, using Robot Operating System (ROS) as an interface. A Tello drone was used to test the system, achieving a 90% successful landing rate with a detection accuracy of 97%, demonstrating that YOLOv8 is a key component. Keywords: Autonomous, Landing, MAV, MLP, YOLOv8.
Datos de publicación
Cita esta publicación
Comprueba el estilo que requiere tu institución o revista.
Fuentes y trazabilidad
Se conserva la procedencia de los datos y se da prioridad a la revista cuando existe información editorial.
Licencias declaradas por las fuentes
Licencia en el registro de origen