Una Arquitectura de Agente Robótico Móvil para la Navegación y Mapeo de Entornos de Trabajo

1 Una Arquitectura de Agente Robótico Móvil para la Navegación y Mapeo de Entornos de Trabajo Gustavo A. Acosta A. MSc.(c), Luis F. Rodríguez G. Esp.

0 downloads 92 Views 243KB Size

Story Transcript

1

Una Arquitectura de Agente Robótico Móvil para la Navegación y Mapeo de Entornos de Trabajo Gustavo A. Acosta A. MSc.(c), Luis F. Rodríguez G. Esp.(c), Leonardo Serna G. Esp.(c), Luis A. Girón M. Esp.(c), William Molina J., Carmen Y. Palacios P. Universidad de San Buenaventura seccional Medellín, Colombia

Resumen—La autonomía de un agente móvil robótico depende de su habilidad de poder ubicarse de forma rápida y precisa en su entorno de trabajo, así como también, de su capacidad para elaborar y actualizar representaciones de dicho entorno a medida que lo explora. En este artículo se describe el diseño y desarrollo de una arquitectura robótica para la implementación de algoritmos de localización y mapeo en ambientes estructurados. La plataforma robótica emplea un sistema propioceptivo de estimación odométrica que permite determinar distancias recorridas y ángulos de orientación y un sistema ultrasónico extereoceptivo para medidas de rango a objetos presentes en el entorno próximo del robot1. Esta información es transferida a un computador que elabora una representación del entorno correspondiente a un mapa de celdas de ocupación. Palabras clave— Mapping, Sonar.

Robótica

Móvil,

Navegación,

SLAM,

I. INTRODUCCIÓN

A

plicaciones de la robótica móvil en áreas tan diversas como exploración planetaria, exploración oceanográfica, búsqueda y rescate, asistencia personal, aplicaciones militares y de seguridad, agricultura, robótica industrial, robótica de servicios y robótica educativa, requieren de altos niveles de autonomía en los cuales la intervención humana es muy poca o resulta ser prácticamente nula. Todas estas aplicaciones integran una gran variedad de conocimientos en electrónica, computación, mecánica, neumática, hidráulica, etc., y frecuentemente involucran también disciplinas cuyos objetos de conocimiento abordan procesos de cognición, aprendizaje, razonamiento, comportamiento e interacción social humana y animal, todo esto con la finalidad de construir sistemas robóticos capaces de realizar tareas útiles para el ser humano. La navegación autónoma de agentes móviles robóticos 1

Proyecto de Investigación desarrollado por el Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia.

AMR), requiere de la solución de problemas complejos altamente interrelacionados como la planeación de trayectorias, la localización, la evasión de obstáculos y la representación de entornos. La exploración de ambientes de trabajo desconocidos, estructurados o no, constituye en la actualidad uno de los retos más desafiantes de la investigación en el campo de la robótica móvil e implica la solución adicional de los problemas de localización robótica y el mapeo de entornos de trabajo [1]. Un requerimiento primordial para la navegación tiene que ver con el conocimiento del entorno, ya sea aquel que se puede obtener cuando se dispone de un mapa o representación a priori o bien el que se obtiene mediante la percepción directa que el robot realice de su entorno a partir de los sistemas sensoriales y de percepción de que dispone. Esta aproximación le permite al sistema robótico solucionar el problema de la localización y el de la elaboración de representaciones (mapping) del entorno físico que se explora. La solución simultánea de estos dos problemas se conoce en la literatura como SLAM (Simultaneous Localization and Mapping) o CML (Concurrent Mapping and Localization) y se refiere a la elaboración y actualización de mapas y la localización relativa del robot en su entorno a partir de estas representaciones [2], [3]. Las tareas de exploración le permiten al AMR no solamente obtener nueva información, sino que también posibilita la adquisición de información complementaria de lugares ya visitados con el objetivo mejorar la representación del entorno. A su vez la incorporación de nueva información y el mejoramiento permanente de los mapas constituyen el soporte de todas aquellas estrategias de navegación que le permitirán al robot explorar completamente su entorno. Los sistemas de percepción ultrasónicos tienen un uso extendido en el campo de la robótica móvil. Se emplean en la detección y evasión de obstáculos y en la adquisición de información cuantitativa y/o cualitativa para la representación de entornos [4]. Entre las ventajas comparativas de los dispositivos de transducción ultrasónicos con respecto a otros

2 tipos de sensores se pueden mencionar su bajo costo, bajo consumo, simplicidad, robustez, y el hecho de que no son dependientes de la luz. Como cualquier otro sistema de percepción, los sensores ultrasónicos también presentan desventajas como son su alta sensibilidad al grado de inclinación de la superficie de los objetos con respecto al eje acústico del sensor, amplia apertura angular del haz ultrasónico que da origen a la incertidumbre angular, susceptibilidad a fluctuaciones en el medio de transmisión y el bajo ancho de banda de la señal acústica. Esta última característica es la causante de la baja resolución a cortas distancias, lo que se traduce en el hecho de que objetos muy cercanos al sensor son indistinguibles. Sin embargo también constituye una de las principales ventajas puesto que señales con bajos anchos de banda resultan ser fácil de procesar tanto análoga como digitalmente [5], [6], [7], [8]. Resulta interesante el hecho de que un buen número de publicaciones reportan desarrollos en los que se emplean plataformas robóticas equipadas con sistemas ultrasónicos de percepción para la elaboración de modelos espaciales de entornos físicos [8], [9], [10]. Los mapas métricos y topológicos constituyen las dos aproximaciones tradicionalmente usadas en la representación de entornos de trabajo. Las representaciones métricas se basan en la medición precisa de distancias a intersecciones, longitudes de corredores, tramos de paredes y ángulos de orientación entre otros. Un método ampliamente usado y propuesto inicialmente por Elfes y Moravec en [11] consiste en dividir del espacio de trabajo en celdas cartesianas o polares uniformes y asignarle a cada una un valor con el que se indica la probabilidad de ocupación de la región que representa [12], [13]. En [1], [8] y [9] se describen diferentes métodos para la elaboración de mapas métricos por celdas de ocupación mediante el uso de sensores ultrasónicos. Por otro lado, en las representaciones basadas en mapas topológicos se busca identificar y localizar aquellas características (Landmarks) del entorno que se pueden catalogar como relevantes. No se requiere determinar las distancias que separan aquellas Lanmarks identificadas puesto que las representaciones topológicas son cualitativas, a diferencia de las métricas que son representaciones cuantitativas [12]. Tradicionalmente los sistemas ultrasónicos han sido empleados en la elaboración de mapas de celdas de ocupación ya que proporcionan medidas confiables de distancia en entornos interiores estructurados. Recientemente algunos investigadores han desarrollado técnicas y sistemas que permiten extraer información cualitativa del entorno a partir de sensores ultrasónicos [4], [15], [16], [17]. En [14] se presenta un método que permite construir representaciones topológicas globales a partir de representaciones locales basadas en características del entorno, en este trabajo se les denomina a estos mapas locales Absolute Space Representation (ASR). Cada ASR corresponde a un nodo en la

representación global, para cada espacio local visitado se identifican y localizan las salidas, que se consideran la principal característica en el método propuesto. Así mismo se plantea una técnica simple de bajo costo computacional para identificar las salidas potenciales en cada ASR. La técnica consiste en hacer que el robot móvil gire 24 grados sobre su eje en pasos de 6o, las salidas potenciales se identifican a partir de cambios abruptos en las medidas de rango. El sistema de percepción empleado para identificar las salidas esta constituido por 16 sensores dispuestos en una configuración estándar en anillo. Si bien son notables los progresos que se han realizado en un campo relativamente nuevo de la investigación como lo es el mapeo autónomo de entornos mediante el empleo de robots móviles, aún quedan cuestiones que los investigadores en este campo deberán resolver como son la elaboración de representaciones confiables con bajos costos computacionales de entornos no estructurados, altamente dinámicos y de grandes dimensiones [3]. En este artículo se presenta un sistema robótico cuyas características permiten abordar los problemas de localización y mapeo (SLAM) en entornos estructurados de trabajo. El sistema esta constituido por un robot móvil cuyas funciones principales son: - La exploración autónoma y sistemática del entorno con base en diferentes estrategias de navegación. - La adquisición de información propioceptiva de distancias recorridas y ángulos de orientación (Dead Reckoning) mediante un sistema de estimación odométrica. - La adquisición de información extereoceptiva representada por las medidas de rango en el entorno próximo al robot. - Transmisión inalámbrica de datos a un computador. El sistema cuenta con un computador en el que se capta la información transmitida por el robot y se elabora la representación del entorno con base en un algoritmo de celdas de ocupación. El artículo se organiza de la siguiente manera: en la sección 2 se presenta la arquitectura del sistema; en la sección 3 se describen los subsistemas de control y actuación; en la sección 4 se describe el sistema de estimación odométrica, el sistema percepción ultrasónico multizonal con reducción de distancias muertas propuesto en este trabajo y adicionalmente se establece su grado de contribución; en la sección 5 se presenta el algoritmo de mapeo empleado, y finalmente en la sección 6 se presentan las conclusiones y desarrollos futuros. II. ARQUITECTURA DEL SISTEMA ROBÓTICO Conceptual y metodológicamente la arquitectura del Agente Móvil Robótico (AMR) desarrollado se fundamenta en el paradigma reactivo-deliberativo basado en comportamientos, modelo propuesto originalmente por Matarić [12] y que corresponde a una arquitectura basada en niveles. Una descomposición por capas o niveles, permite incorporar

3 fácilmente en el AMR comportamientos reactivos y proactivos. En una disposición horizontal, cada capa de software se conecta de forma directa a las entradas sensoriales y a las salidas actuadoras. Por sí misma cada capa corresponde a un agente que sugiere comportamientos y acciones. En la figura 1 se presenta la arquitectura de diseño del AMR por descomposición en capas horizontales.

Figura 1. Arquitectura del Agente Móvil Robótico por Descomposición en Capas Horizontales.

La selección de un esquema de diseño en capas horizontales se debe a que presenta una mayor simplicidad conceptual que los esquemas de capas verticales. En una descomposición horizontal cada capa compite con las demás por generar la acción sugerida. Este hecho puede dar origen a un comportamiento no “coherente” del robot en su entorno de trabajo. Se hace necesario establecer una función de mediación responsable de designar la capa que asume el control del AMR en un instante dado.

 Comportamientos perceptuales: reflexión ultrasónica, odometría.

Figura 2. Arquitectura Híbrida Reactiva-Deliberativa del Sistema Multi-Agente Robótico para la solución SLAM.

En la caracterización del nivel deliberativo se establecen los pasos requeridos para el cumplimiento de los objetivos a largo plazo, como son la localización del agente robótico y la elaboración de representaciones del entorno. Los pasos definidos son:  Procesamiento de medidas odométricas y medidas de rango ultrasónicas.  Estimación de la probabilidad de ocupación para aquellas celdas ubicadas en el entorno próximo al robot.  Estimación de la localización del robot en su entorno: distancia y orientación respecto a un punto de referencia.

Por otro lado, la arquitectura del sistema multi-agente que permite dar solución al problema del SLAM se muestra en la figura 2, se puede observar la naturaleza distribuida del sistema propuesto en este trabajo. Este modelo permite establecer las relaciones entre los agentes de software y los agentes físicos propios de las arquitecturas robóticas [17].

En la figura 3 se presenta el modelo de control reactivo y deliberativo definidos para el sistema robótico.

III. SISTEMAS DE CONTROL Y ACTUACIÓN DEL AGENTE MÓVIL

IV. SISTEMAS DE PERCEPCIÓN DEL AGENTE MÓVIL ROBÓTICO

ROBÓTICO

Y DESCRIPCIÓN DE LA PLATAFORMA ROBÓTICA

La caracterización del nivel reactivo permite definir las habilidades o comportamientos requeridos para la implementación de las estrategias de control reactivo requeridas por la aplicación. Para el AMR se definieron los siguientes comportamientos:  Comportamientos de exploración: wander (vagabundeo).  Comportamientos aversivos: evitación de obstáculos.

A. Percepción Ultrasónica El ultrasonido se utiliza frecuentemente como principio de transducción de no-contacto para la medición activa de distancias en el entorno próximo de un robot. Las técnicas empleadas para obtener medidas de rango con base en el empleo de señales acústicas se conocen como técnicas de ecodetección o eco-localización [18], [19].

4 B. Estimación Odométrica Desde el punto de vista mecánico, la plataforma móvil cuenta con dos motores dispuestos en una configuración diferencial que facilita el control de tracción y dirección. Sobre los ejes de los motores, entre el chasis y las ruedas del robot se ubican los encoders incrementales del sistema de percepción odométrico. El módulo propioceptivo de estimación odométrica permite determinar los desplazamientos lineales y angulares del robot.

Figura 3. Caracterización de los Niveles Reactivo y Deliberativo del Agente Móvil Robótico.

Midiendo el tiempo transcurrido entre la emisión del pulso ultrasónico y la recepción de su eco, se puede establecer la distancia a la que se encuentra el obstáculo que ha provocado la reflexión de la onda sonora, esta técnica se conoce como medida de rango por tiempo-de-vuelo o ToF por sus siglas en inglés, el principio activo de transducción se ilustra en la figura 4. Usualmente las medidas de rango se obtienen a partir del primer eco o primera reflexión acústica [20].

SEÑAL DE EXCITACIÓN (P.ej.Tren de Pulsos)

C. Descripción de la Plataforma Robótica Originalmente el control del sistema de sonar contaba con un microcontrolador MC68HC908GP32 para el control y la transferencia de datos. La comunicación de datos se llevaba a cabo mediante un puerto serial asíncrono de comunicaciones (Serial Communication Interface SCI). La arquitectura de navegación y mapeo requiere de la incorporación de un módulo de percepción odométrica como complemento al módulo de rango ultrasónico. La solución planteada consistió en cambiar el microprocesador original por uno con una arquitectura interna más poderosa, versátil y de mayor desempeño computacional. La migración al nuevo dispositivo no presentó dificultades de hardware debido al diseño modular del sistema de medida ultrasónico. Las rutinas de control y medida del TOF fueron re-escritas y adaptadas al nuevo procesador y su arquitectura; adicionalmente se incorporaron las nuevas rutinas de control y medida del módulo de odométrico de estimación.

CIRCUITO DE EXCITACIÓN TRANSDUCTOR DE EMISIÓN

Ultrasonido Emitido Medida del tiempo de vuelo desde la emisión de los pulsos hasta la recepción del eco (TOF)

OBJETO

Ultrasonido Reflejado

TRANSDUCTOR DE RECEPCIÓN ECO RECIBIDO

CIRCUITO DE RECEPCIÓN

Figura 4. Medida de Rango por ToF (Time of Fly) en un SONAR.

En el AMR se emplea el sistema de sonar multi-zona de doble umbral desarrollado por Acosta et al. en [5]. El módulo es controlado por un microcontrolador que genera los pulsos de excitación a los transductores de emisión, calcula la distancia promedio de los obstáculos en el entorno próximo al robot y transfiere la información al procesador principal del robot móvil.

Figura 5. Diagrama de Bloques del Sistema Multi-Agente Robótico para la Navegación y Mapeo de Entornos.

El diagrama de bloques del sistema se aprecia en la figura 5. Se observa el empleo de dos microcontroladores ColdFire V1 MCF51QE128. Uno de ellos se ocupa del control del sistema sensorial del robot y el otro del control de efectores, comportamientos y comunicaciones inalámbricas con el

5 servidor de mapeo y localización. Las comunicaciones inalámbricas se implementaron mediante un par de módulos ZigBee. La transferencia de datos entre los microcontroladores de la plataforma móvil se hace a través uno de los dos buses de comunicaciones I2C disponibles en los microcontroladores QE128. El bus I2C altas velocidades de intercambio de información entre los dos subsistemas. En la figura 6 se puede apreciar el prototipo final del robot móvil llevando a cabo tareas de exploración, navegación y recopilación de datos en el laboratorio de Sistemas Electrónicos Avanzados en el Campus de la Universidad de San Buenaventura en la ciudad de Medellín.

Donde: PEC : Valor de probabilidad de que la celda actual se encuentre vacía (empty cell ). PENC : Valor de probabilidad de que la nueva celda se encuentre vacía (empty cell). POC : Valor de probabilidad de que la celda actual se encuentre ocupada (ocupied cell ). PONC : Valor de probabilidad de que la nueva celda se encuentre ocupada (ocupied cell ).

Para determinar la probabilidad de ocupación de las celdas se ha empleado la fórmula de probabilidad condicional de Bayes y para el sistema de sonar se ha empleado el modelo bidimensional gausiano. VI. CONCLUSIONES Y TRABAJO FUTURO

Figura 6. Agente Móvil Robótico explorando, navegando y recopilando datos en un entorno de laboratorio.

V. ALGORITMO DE MAPEO En [21] se describe un método para la construcción de mapas de celdas de ocupación. El modelo almacena los valores de probabilidad de ocupación de las celdas junto con los valores de probabilidad de vacuidad. El proceso de elaboración del mapa involucra los siguientes pasos:  Procesamiento de medidas.  Cálculo de probabilidad de ocupación de celdas.  Fusión de la información de múltiples medidas. El algoritmo empleado para la elaboración del mapa de celdas de ocupación es el siguiente [21]: 1. Inicialización del mapa en estado “desconocido”. 2. Fusión de áreas vacías mediante la expresión: PEC = PEC + PENC – [PEC x PENC] 3. Fusión de áreas ocupadas: PONC = PONC [1 – PEC] Normalización de valores de probabilidad de ocupación. POC = POC + PONC - [POC x PONC] 4. Umbralización: el valor final de ocupación de una celda se determina por comparación de los valores relativos de vacuidad y ocupación.

Las técnicas de análisis y diseño propuestas por la inteligencia artificial (IA) para la solución de problemas complejos ha cambiado significativamente la forma en que se conciben y diseñan los sistemas robóticos. Nuevas metodologías, como la teoría de sistemas multi-agente, no sólo han permitido mejorar el desempeño de los robots en el cumplimiento de aquellas tareas que típicamente se les han asignado, sino que también potencian nuevas y más complejas aplicaciones. Se ha logrado construir un sistema robótico autónomo para la navegación y mapeo de entornos estructurados con base en desarrollos conceptuales y metodológicos propios de la teoría de agentes de software, estas han sido adaptadas al caso específico de los sistemas robóticos. Las representaciones o mapas obtenidos de los diferentes entornos explorados se ajustan en buena medida a los espacios físicos en los que el sistema ha podido desempeñarse. Se cuenta con una plataforma robótica funcional y operativa en la que se espera, en el corto plazo, poder probar nuevos algoritmos de mapeo y navegación de entornos estructurados de trabajo. REFERENCIAS [1]

[2]

[3] [4]

[5]

[6]

Lee, Y.-Ch.; Nah, S.-I.; Ahn, H.-S.; Yu, W. (2006) Sonar Map Construction for a Mobile Robot Using a Tethered-Robot Guiding System. En: The 3rd International Conference on Ubiquitous Robots and Ambient Intelligence URAI 2006. Thrun, S.; Koller, D.; Ghahmarani, Z.; Durrant-Whyte, H. (2002) SLAM Updates Require Constant Time. En: School of Computer Science, Carnegie Mellon University 2002. Thrun, S. (2002) Robotic mapping: A Survey. En: Exploring Artificial Intelligence in the New Millenium, Editorial Morgan Kaufmann. Martínez, M.; Benet, G.; Blanes, F.; Pérez, P.; Simó, J. (2003) Using the Amplitude of Ultrasonic Echoes to Classify Detected Objects in a Scene. En: Proceedings of ICAR 2003. The 11th International Conference on Advanced Robotics. Acosta, G.; Flórez, C.; González, J.; Bonilla, J. (2007) Sonar Multi-Zona de Doble Umbral con Reducción de Zona Muerta. En: 6ta. Conferencia Iberoamericana en Sistemas, Cibernética e Informática CISCI 2007. Orlando~FL, Estados Unidos. Toledo, F.; Luis, J.; Tomás, L.; Zamora, M.; Matínez, H. (2000) Map Building with Ultrasonic Sensors of Indoor Environments Using Neural

6

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18] [19]

[20]

[21]

[22]

Networks. En: IEEE International Conference on Systems, Man, and Cybernetics 2000. Meier, R.; Fong, T.; Thorpe, C.; Baur, C. (1999) A Sensor Fusion Based User Interface for Vehicle Teleoperation. En: Proceedings of the IEEE FSR, 1999 - infoscience.epfl.ch Monteiro, S.; Nakamoto, H.; Ogawa, H.; Matsuhira, N. (2005) Robust Mobile Robot Map Building Using Sonar and Vision: Evolving the Navigation Abilities of the ApriAlphaTM Home Robot. En: Nippon Kikai Gakkai Robotikusu, Mekatoronikusu Koenkai Koen 2005 Longega, L.; Panzieri, S.; Pascucci, F.; Ulivi, G. (2004) Indoor Robot Navigation Using Log-Polar Local Maps. En: World Automation Congress, 2004. Proceedings. Seville Aekaterinidis, J.; Kostoulakis, K.; Doitsidis, L.; Valvanis, K.; Tsourveloudis, N. (2003) An Interface System for Real-Time Mobile Robot Environment Mapping using Sonar Sensors. En: Issue 4, Volume 2, October 2003 Moravec, H.; Elfes, A. (1985) High Resolution Maps for Wide Angle Sonar. En: Proceedings of the IEEE International Conference on Robotics and Automation, pp. 116-121. Bekey, G. (2005) Autonomous Robots: From Biological Inspiration to Implementation and Control. The MIT Press, Cambridge~Massachusetts, Estados Unidos, 2005. Yamauchi, B. (1997) A Frontier-Based Approach for Autonomous Exploration. En: (Proceedings of the IEEE International Symposium on 1997). Jefferies, M.; Yeap, W.; Smith, L.; Ferguson, D. (2001) Building a Map for Robot Navigation Using a Theory of Cognitive Maps. En: IASTED International Conference on Artificial Intelligence Applications. 2001 Martínez, M.; Benet, G.; Blanes, F.; Simó, J.; Pérez, P.; Poza, J. (2004) Wall/Corner Classification: A New Ultrasonic Amplitude-Based Approach. En: 5th IFAC Symposium on Intelligent Autonomous Vehicles. July 5-7. 2004 (IIAV'04). Institute for Systems and Robotics. Instituto Superior Técnico. Lisboa. PORTUGAL. Innocenti, B. (2000) Representación de la Dinámica del Cuerpo Físico de Agentes Físicos en Capacidades Atómicas. Tesis Doctoral. Universitat de Girona, España. Posadas, J.; Poza, J.; Simó, J. (2004) Criterio de Movilidad para Agentes de Software en una Arquitectura Híbrida de Control de Robots Móviles. En: Memorias de las XXV Jornadas de Automática 2004. Khamis, A.; (2003) Interacción Remota con Robots Móviles Basada en Internet. Tesis Doctoral. Universidad Carlos III. Madrid, España. Navarro, D.; Ríos L.; Parra, H.; (2004) Sensores de Ultrasonido Usados en Robótica Móvil para la Medición de Distancias.; Scientia et Technica.; Año X, No. 25. COL. Jörg, K.; Berg, M.; (1996) First Results in Eliminating Crosstalk & Noise by Applying Pseudo-Random Sequences to Mobile Robot Sonar Sensing. En: IEEE/RSJ International Conference on Intelligent Robots and systems, IROS ´96, November 4-8, 1996, Osaka, Japan. Martínez, M. (1997) Algoritmos de Construcción de Mapas para la Navegación de Robots, Basada en Información Procedente de Sensores de Ultrasonidos. Informe de Curso Doctoral. Universidad Politécnica de Valencia, España. O´Sollivan, M.; Collins, J.; Mansfield, M.; Haskett, D.; Eaton, M. (1995) A Quantitative Evaluation of Sonar Models and Mathematical Update Methods for Map Building. En: (Image Processing, 1995. Proceedings., International Conference)

Gustavo Acosta Amaya, MSc.(c) [email protected] Candidato a Magíster en Ingeniería de Sistemas, Universidad Nacional de Colombia. Área de énfasis investigativo en inteligencia artificial y robótica. Especialista en Redes Corporativas e Integración de Tecnologías, Universidad de San Buenaventura seccional Medellín. Ingeniero Electricista, Universidad Nacional de Colombia. Coordinador del Programa de Ingeniería Electrónica, integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC y Coordinador del Semillero de Investigación en Robótica Móvil GIRMO, todos de la Universidad de San Buenaventura seccional Medellín, Colombia.

Luís Fernando Rodríguez Giraldo, Esp.(c) [email protected] Candidato a Especialista en Redes Corporativas e Integración de Tecnologías de la Universidad de San Buenaventura seccional Medellín Colombia. Ingeniero Electrónico de la Universidad de Antioquia. Decano del Programa de Tecnología en Telecomunicaciones del Instituto Tecnológico Metropolitano ITM, Medellín-Colombia. Docente del programa Tecnología en Telecomunicaciones del Politécnico Colombiano Jaime Isaza Cadavid, Medellín-Colombia. Integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia. Leonardo Serna Guarín, Esp.(c) [email protected] Candidato a Especialista en Redes Corporativas e Integración de Tecnologías de la Universidad de San Buenaventura seccional Medellín Colombia. Integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia. Tecnólogo Electrónico del Instituto Tecnológico Pascual Bravo, Medellín-Colombia. Ingeniero de Sistemas de la Fundación Universitaria María Cano, Medellín, Colombia. Docente del Programa de Tecnología en Telecomunicaciones del Instituto Tecnológico Metropolitano ITM, Medellín-Colombia. Luís Alberto Girón, Esp.(c) [email protected] Candidato a Especialista en Redes Corporativas e Integración de Tecnologías de la Universidad de San Buenaventura seccional Medellín Colombia. Tecnólogo de la Corporación Universitaria Centro Superior Cali-Colombia. Ingeniero de Sistemas de la Universidad Nacional Abierta y a Distancia. Docente de los programas de Tecnología en Telecomunicaciones y Tecnología en sistemas de Información del Instituto Tecnológico Metropolitano ITM, Medellín-Colombia. Integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia. William Molina Jaramillo Estudiante de décimo semestre del Programa Ingeniería Electrónica e integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia. Tecnólogo Electrónico del Instituto Tecnológico Pascual Bravo, Medellín-Colombia. Carmen Yuleivy Palacios Estudiante de décimo semestre del Programa Ingeniería Electrónica e integrante del Grupo de Investigación en Modelamiento y Simulación Computacional GIMSC de la Universidad de San Buenaventura seccional Medellín, Colombia.

Get in touch

Social

© Copyright 2013 - 2024 MYDOKUMENT.COM - All rights reserved.