SLAM visual-inercial para un robot móvil en planta automotriz
Visión general
De qué trata este proyecto.
Implementa SLAM visual-inercial en planta automotriz, calibra cámara-IMU y valida el error de trayectoria. Obtén un certificado verificable.
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.
Robot Perception and Autonomy
Master · Ai Ml
Fit score: 1
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