Traditional Visual SLAM systems, like ORB-SLAM3, often lose accuracy in dynamic environments. This work presents YOLO11-ORB-SLAM3, an enhancement to ORB-SLAM3 for dynamic scenarios, which integrates a YOLO11-based instance segmentation module to detect and exclude dynamic features from the tracking process. The system is designed to work with stereo and RGB-D cameras, and its performance was evaluated on challenging dynamic sequences of the public TUM RGB-D dataset, and also through real-world experiments on a mobile robot using a stereo camera to highlight its robustness and viability for real robotic applications. Experimental results demonstrate that the proposed system outperforms the original ORB-SLAM3, reducing the error by 93% in the public TUM dataset while preserving computational efficiency.

En los sistemas de actuación neumática, el uso de presiones de suministro fijas y métodos de dimensionamiento empíricos suele generar un consumo elevado de aire comprimido, especialmente en aplicaciones con variación de carga. En este trabajo se analiza la influencia de la carga sobre el consumo de aire y la eficiencia energética del sistema, comparando el método empírico tradicional con el método del punto de operación. Los ensayos experimentales fueron realizados en una bancada neumática automatizada representativa de un proceso industrial, considerando tres condiciones de carga obtenidas mediante bloques de igual volumen y diferentes materiales: madera, aluminio y acero. Para cada caso se evaluaron el consumo de aire por ciclo, la presión de suministro del sistema y el cumplimiento de los tiempos de operación preestablecidos. Los resultados obtenidos demuestran que el método empírico presenta baja sensibilidad a la variación de carga, manteniendo presiones elevadas que derivan en sobreconsumo de aire. En contraste, el método del punto de operación permite ajustar la presión de suministro según la carga, reduciendo el consumo de aire sin comprometer el desempeño dinámico del sistema. Se concluye que la adaptación de la presión de suministro a las condiciones reales de carga constituye una estrategia efectiva para mejorar la eficiencia energética en sistemas neumáticos.

This paper employs deep learning algorithms to address the classification of optical fiber cables through image processing techniques. The VGG-16 and Res-Net50 neural network architectures are utilized, and their performance is evaluated in comparison. The experiments were developed in an optical fiber dataset composed of optical fiber images and increased with synthetic data using the data augmentation technique; the dataset has optical fiber images in different states of preservation and colors. The neural networks will classify the images into two classes ("good" or "bad").