SLAM visual-inercial para un robot móvil en planta automotriz
Visión general
De qué trata este proyecto.
Recibes un conjunto de datos con 600 metros grabados en la planta (imágenes estéreo a 20 fotogramas por segundo, IMU a 200 Hz y la verdad-terreno medida con un sistema de captura de movimiento). Implementa o adapta una pipeline SLAM visual-inercial (recomendamos partir de ORB-SLAM3 o VINS-Fusion), calibra la sincronía cámara-IMU, valida la trayectoria estimada frente a la verdad-terreno y entrega un informe que cuantifique el error de trayectoria (Absolute Trajectory Error, ATE) y el comportamiento en los tres tramos problemáticos del recorrido. El éxito se define como ATE medio por debajo de 25 cm sobre los 600 metros y recuperación sin pérdida en las dos zonas de suelo reflectante.
El Briefing
Lo que harás y lo que demostrarás.
Construir un pipeline SLAM visual-inercial robusto a suelos reflectantes que mantenga el error medio de trayectoria por debajo de 25 cm en un recorrido típico de planta.
Earning criteria — what you'll demonstrate
- Aplicar fusión visual-inercial a un escenario industrial con condiciones adversas
- Calibrar la sincronía temporal y espacial entre cámara estéreo y unidad inercial
- Evaluar trayectorias SLAM con métricas estándar (ATE, RPE) y verdad-terreno
- Diagnosticar modos de fallo en entornos visualmente degradados
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Visión por Computador
Implementar SLAM visual-inercial sobre datos reales, evaluarlo con métricas estándar y comunicar los fallos por tramo es la rutina diaria de una persona junior de visión en cualquier empresa de robótica móvil.
Este proyecto afina
- visual-inertial-slam
- sensor-fusion
- camera-imu-calibration
Ingeniero/a de Aprendizaje Automático
Construir una pipeline reproducible con métricas de error y diagnóstico por tramos es exactamente el patrón con el que las personas MLE entregan pipelines de inferencia: salidas deterministas, presupuestos de error y documentación.
Este proyecto afina
- python
- trajectory-evaluation
- ros2
Científico/a Aplicado/a de IA
Llevar métodos de investigación SLAM al escenario industrial concreto, validar contra verdad-terreno y documentar limitaciones es trabajo cotidiano de investigación aplicada en empresas de robótica.
Este proyecto afina
- sensor-fusion
- trajectory-evaluation
- visual-inertial-slam