Sistema de control para prótesis de mano mediante algoritmos de aprendizaje y sistema de monitoreo en ambiente controlado

Abstract

En este trabajo se desarrolla un sistema semiautónomo que decide el cierre de la garra mediante visión monocular y aprendizaje profundo. Los resultados muestran que el sistema propuesto es viable y efectivo: el modelo entrenado alcanzó aproximadamente un 95%de éxito en simulaciones, y logró alrededor de un 85%de acierto en las pruebas con el prototipo físico en laboratorio. El detectorYOLOdemostró una precisión superior al 90% en la identificación de los elementos. En las pruebas experimentales, el sistema nunca omitió un objeto presente, aunque presentó algunas activaciones erróneas en torno al 15 %. Este desempeño confirma la relevancia de la metodología, lo que sienta un precedente para mejorar la autonomía y confiabilidad de las prótesis de mano en el futuro.

This thesis presents a semi-autonomous control system for a prosthetic hand that employs monocular vision and deep learning to determine grip closure. The model was trained in simulation (PyBullet) and subsequently validated on a physical prototype outfitted with a YOLOv4 object detector (>90% precision) and an RGB-based depth estimator (Depth Anything). In simulation, the system achieved approximately 95% success, and in laboratory trials it reached around 85% accuracy. Throughout physical testing, no graspable object was ever missed, and erroneous activations occurred in about 15%of cases. These results confirmthe viability and effectiveness of the proposed methodology, paving the way for enhanced autonomy and reliability in hand prostheses.