Análisis de un control crucero adaptable en condiciones de poca visibilidad

Gabriel Alejandro Bañuelos-Peña; Allan Christopher Coronado-Andrade; Juan Eduardo Velázquez-Velázquez; Josué Daniel Rivera-Fernández; Diego Adrián Fabila-Bustos

doi:10.29057/icbi.v11iEspecial4.11428

Gabriel Alejandro Bañuelos-Peña Instituto Politécnico Nacional, UPIIH https://orcid.org/0009-0004-6344-0924
Allan Christopher Coronado-Andrade Instituto Politécnico Nacional, UPIIH https://orcid.org/0009-0005-3362-8659
Juan Eduardo Velázquez-Velázquez Instituto Politécnico Nacional, UPIIH https://orcid.org/0000-0001-9660-1182
Josué Daniel Rivera-Fernández Instituto Politécnico Nacional, UPIIH https://orcid.org/0000-0003-2967-6736
Diego Adrián Fabila-Bustos Instituto Politécnico Nacional, UPIIH https://orcid.org/0000-0002-6383-1675

DOI: https://doi.org/10.29057/icbi.v11iEspecial4.11428

Palabras clave: Modelo de referencia, Control crucero adaptable, visión artificial, vehículo robot

Resumen

Este trabajo se presenta el análisis de un sistema de control crucero adaptable para vehículos robots. El sistema de control crucero adaptable propuesto ayuda a evitar choques por alcance en escenarios de poca visibilidad. La colisión se previene con el ajuste de velocidad, que está en función de la distancia del vehículo que se encuentre enfrente del vehículo robot. Se implementa con el uso de la visión artificial, el control adaptable, los sistemas embebidos, y el diseño asistido por computadora. Se analiza el funcionamiento del sistema propuesto mediante pruebas en terrenos a distintas inclinaciones, así como en escenarios controlados con visión favorable, y con visión deficiente. La visión deficiente es escenario clave para este trabajo, ya que, en caso de poca visibilidad en el ambiente, el sistema de visión artificial dejara de detectar vehículos. Entonces los sensores LiDAR y radar pasarán a medir distancia y velocidad del vehículo circulando al frente, y con estos datos, reducir o mantener la velocidad del vehículo.

Descargas

La descarga de datos todavía no está disponible.

Citas

Aboujja, S., Chu, D., & Bean, D. (2022). Multi-junction long-wavelength laser diode in long range LiDAR for high speed autonomous vehicles. En Laser Radar Technology and Applications (págs. 23-24). Orlando: SPIE. doi:10.1117/12.2618326

Andan, S., & Ohol, S. S. (Octubre de 2022). Modelling and simulation of adaptive cruise control and overtake assist system. Materials Today: Proceedings. ScienceDirect, 72, 1353-1360. doi:10.1016/j.matpr.2022.09.330

Barton, D. K. (2005). Radar System Analysis and Modeling. Norwood: ARTECH HOUSE, INC.

Bochkovskiy, A., Wang, C. Y., & Liao, H. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint. doi:10.48550/arXiv.2004.10934

Chandan, G., Jain, A., & Jain, H. (Julio de 2018). Real time object detection and tracking using deep learning and OpenCV. En 2018 (ICIRCA), (págs. 1305-1306). Coimbatore: IEEE. doi:0.1109/ICIRCA.2018.8597266

Cognex Corporation. (2016). Introducción a la visión artificial.

Faisal, I. A., Purboyo, T. W., & Ansori, A. S. (2020). A Review of Accelerometer Sensor and Gyroscope Sensor in IMU Sensors on Motion Capture. J. Eng. Appl. Sci, 15(3), 826-829. doi:10.36478/jeasci.2020.826.829

I. Serrano, A. S., & López Peña, A. M. (2017). YOLO Object detection for onboard driving images. ddd. uab. cat.

Jain, R., Kasturi, R., & Schunck, B. G. (1995). Machine Vision (Vol. 5). New York: McGraw-hill.

Khader, M., & Cherian, S. (2020). An Introduction to Automotive lidar. Texas instruments.

Malle, N. H., Nyboe, F. F., & Ebeid, E. (2022). Onboard Powerline Perception System for UAVs Using mmWave Radar and FPGA-Accelerated Vision. IEEE Access, 10, 113543-113559. doi:0.1109/ACCESS.2022.3217537

Rajamani, R. (2011). Vehicle Dynamics and Control. Minneapolis: Springer Science & Business Media. doi:10.1007/978-1-4614-1433-9

Rajamani, R., & Zhu, C. (Septiembre de 2002). Semi-autonomous adaptive cruise control systems. IEEE Traansactions on Vehicular Technology, 51(5), 1186-1192. doi:10.1109/TVT.2002.800617

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-time object detection. En 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (págs. 779-788). Las Vegas: IEEE. doi:10.1109/CVPR.2016.91

Rubio, F. R., & López Sánchez, M. J. (1996). Control adaptativo. En Control adaptativo y robusto (Vol. 9, págs. 10-16). Sevilla: Secretariado de publicaciones de la universidad de Sevilla.

Sanabria S, J. J., & Archila D, J. F. (Diciembre de 2011). Detección y análisis de movimiento usando visión artificial. Scientia Et Technica, 16(49), 180-188.

Santiago Cruz, J. A. (2016). Radar detector de objetos. Instituto Politécnico Nacional, Tesis de licenciatura. ESIME Zacatenco. Ciudad de México: IPN. Obtenido de https://tesis.ipn.mx/handle/123456789/22009

Saxena, M. R., Pathak, A., Singh, A. P., & Shukla, I. (2019). Real time object detection using machine learning and OpenCV. Int J Inform Sci Appl (IJISA), 11(1), 0974-225.

Shakouri, P., Czeczot, J., & Ordys, A. (2015). Simulation Validation of Three Nonlinear Model-Based Controllers in the Adaptive Cruise Control System. J Intell Robot Syst, 80, 207-229. doi:10.1007/s10846-014-0128-4