Publicación:
Comparación de algoritmos de control tradicionales con control por medio de IA en un entorno simulado 2D

Vista sencilla de ítem
dc.contributor.advisorPuerta Echandía, Alejandro
dc.contributor.authorPenagos Ramírez, Mateo Fernando
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.creator.emailmateofer_2@hotmail.com
dc.date.accessioned2025-11-11T21:53:10Z
dc.date.available2025-11-11T21:53:10Z
dc.date.issued2025
dc.descriptionEn la tecnología de automatización y control, la eficiencia de los algoritmos de control es crucial para el desempeño y la seguridad de sistemas complejos. Tradicionalmente, los controladores Proporcional-Integral-Derivativo (PID) han sido la piedra angular en la regulación de estos sistemas debido a su simplicidad y robustez, siendo utilizados en más del 90% de las aplicaciones industriales. Métodos como el PID funcionan muy bien en entornos de fácil modelado matemático y poca variabilidad, este tipo de sistemas se puede encontrar en plantas industriales y equipos de producción, sin embargo, para ambientes dinámicos y no lineales pueden presentarse problemas en su desempeño o dificultades en la sintonización de sus parámetros. Este proyecto tiene como objetivo comparar el desempeño de los algoritmos de control tradicionales, específicamente los PID, con aquellos basados en redes neuronales entrenadas mediante técnicas de aprendizaje por refuerzo. Para ello, se desarrollará un ambiente simulado en 2D que replicará el comportamiento dinámico de un sistema no lineal, para este caso se eligió un dron en vuelo. Este ambiente no lineal permitirá evaluar ambos tipos de controladores bajo una serie de condiciones y desafíos operativos, incluyendo la estabilización, el seguimiento de trayectorias y la respuesta ante perturbaciones externas. La investigación se enfocará en medir la precisión, la eficiencia y la capacidad de adaptación de cada algoritmo, proporcionando una base de comparación objetiva que considerará métricas clave de desempeño. Además, se analizarán las ventajas y limitaciones inherentes a cada enfoque, incluyendo la complejidad de implementación, los requisitos computacionales y la escalabilidad.
dc.description.abstractIn automation and control technology, the efficiency of control algorithms is crucial for the performance and safety of complex systems. Traditionally, Proportional–Integral–Derivative (PID) controllers have been the cornerstone of regulating these systems due to their simplicity and robustness, being used in more than 90% of industrial applications. Methods such as PID work very well in environments that are easy to model mathematically and have little variability; such systems can be found in industrial plants and production equipment. However, in dynamic and nonlinear environments, performance issues or difficulties in tuning their parameters may arise. This project aims to compare the performance of traditional control algorithms—specifically PID—with those based on neural networks trained using reinforcement learning techniques. To this end, a simulated 2D environment will be developed to replicate the dynamic behavior of a nonlinear system; in this case, a drone in flight was chosen. This nonlinear environment will allow evaluation of both types of controllers under a series of conditions and operational challenges, including stabilization, trajectory tracking, and response to external disturbances. The research will focus on measuring the accuracy, efficiency, and adaptability of each algorithm, providing an objective basis for comparison that considers key performance metrics. In addition, the inherent advantages and limitations of each approach will be analyzed, including implementation complexity, computational requirements, and scalability.
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ciencias de Datos y Analíticaspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad EAFIT
dc.identifier.reponamereponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourlrepourl:https://repository.eafit.edu.co
dc.identifier.urihttps://hdl.handle.net/10784/36792
dc.language.isospa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentÁrea Computación y Analíticaspa
dc.publisher.facultyEscuela de Ciencias Aplicadas e Ingenieríaspa
dc.publisher.placeMedellín
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAcceso abierto
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/deed.es
dc.subjectControl PID vs redes neuronales
dc.subjectControladores con aprendizaje por refuerzo
dc.subjectSistemas de control no lineales
dc.subjectSimulación de control de vuelo de drones
dc.subjectComparación de algoritmos de control tradicionales y basados en IA
dc.subjectMétricas de desempeño en control adaptativo
dc.subjectTecnología de automatización y control
dc.subject.keywordPID control vs neural networks
dc.subject.keywordReinforcement learning controllers
dc.subject.keywordNonlinear control systems
dc.subject.keywordDrone flight control simulation
dc.subject.keywordComparison of traditional and AI-based control algorithms
dc.subject.keywordAdaptive control performance metrics
dc.subject.keywordAutomation and control technology
dc.subject.lembREDES NEURALES (COMPUTADORES)
dc.subject.lembCONTROL AUTOMÁTICO
dc.subject.lembAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lembSISTEMAS NO LINEALES
dc.titleComparación de algoritmos de control tradicionales con control por medio de IA en un entorno simulado 2D
dc.typeinfo:eu-repo/semantics/masterThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.localTesis de Maestríaspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
428.67 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
No hay miniatura disponible
Nombre:
MateoFernando_PenagosRamirez_2025
Tamaño:
1.43 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
96.43 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)