Predicción del ángulo de giro para un auto: Implementación de dos áreas de interés
DOI:
https://doi.org/10.29057/icbi.v12iEspecial2.12260Palabras clave:
Aprendizaje supervisado, área de interés, CNN, vehículos inteligentes, sistema de direcciónResumen
La predicción del ángulo de dirección en vehículos inteligentes es un tema ampliamente estudiado en la literatura. Sin embargo, se requiere la intervención de un usuario para operar al vehículo, limitando el grado de autonomía. Este trabajo propone algoritmos basados en redes neuronales artificiales para determinar el ángulo de giro de un vehículo en movimiento, con aplicaciones en tiempo real para vehículos a escala en una pista de dos carriles. Utilizando una cámara frontal centrada en el vehículo se determinan dos áreas de interés: la imagen original y una versión rectificada mediante un cambio de perspectiva. Posteriormente, se emplea la tupla de imágenes para construir dos bases de datos etiquetadas con el ángulo deseado de giro, las cuales, son empleadas para entrenar dos redes neuronales convolucionales. Una vez entrenadas, ambos modelos son implementados en tiempo real para guiar un vehículo a escala en una pista libre de obstáculos, permitiendo su navegación autónoma dentro del carril designado y observando el comportamiento en cada caso.
Descargas
Información de Publicación
Perfiles de revisores N/D
Declaraciones del autor
Indexado en
- Editor y comité editorial
- perfiles
- Sociedad académica
- N/D
Para obtener más información sobre un dato, haga clic 
PF es mantenido por el Public Knowledge Project
Citas
AutoNOMOS. (2017). AutomodelCar. Obtenido de https://github.com/AutoModelCar/AutoModelCarWiki/wiki/Hardware
Bojarski, M., Del Testa, D., Dworakowski, D., Firner, B., Flepp, B., Goyal, P., Zhang, J. (2016). End to end learning for self-driving cars. arXiv:1604.07316.
Bravo, C. (2018). Navegación autónoma de un robot tipo automóvil en pista de carreras con obstáculos. Ciudad de México: Tesis de Maestría en Ciencias e Ingeniería de Cómputo, Instituto Politécnico Nacional.
Broggi, A., Cerri, P., Debattisti, S., Chiara, M., Panciroli, M., y Prioletti, A. (2015). Proud–public road urban driverless-car test. IEEE In Transactions on intelligent transportation systems, volumen 16, 3508-3519.
Brown, B. (2017). The social life of autonomous cars. IEEE In Computer, volumen 50, 92-96.
Calvo, J., Guzmán, M., y Ramos, D. (2018). Machine learning, una pieza clave en la transformación de los modelos de negocio. Management Solutions, 20-22.
Diaz, E. (2020). Generación del mapa métrico de una pista de competencias para la navegación del robot móvil autonomos mini V2. Huajuapan de León: Tesis de maestría en Robótica, Universidad Tecnologica de la Mixteca.
Du, K., Dung, K., y Hai, T. (2020). Vision based steering angle estimation for autonomous vehicles. International Conference on Advanced Technologies for Communications (ATC) (pp. 187-192). IEEE.
Gonzales, R., y Woods, R. (2010). Procesamiento Digital de imágenes, 3ed. Pearson.
Hernández, R., Fernández, C., y Baptista, P. (2014). Metodología de la investigación, 6ta Edición. Mc Graw-Hill.
Martínez, J. (2021). Error cuadrático medio para regresión. Obtenido de https://www.iartificial.net/error-cuadratico-medio-para-regresion/
Moya, R. (2016). jarroba. Obtenido de https://jarroba.com/que-es-el-clustering/
Sandoval, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica, volumen 11, 36–40.
Stöckle, C., Herrmann, S., Dirndorfer, T., y Utschick, W. (2020). Automated Vehicular Safety Systems: Robust function and sensor design. IEEE Signal Processing: Autonomous driving, 24-32.
Thieng, M., Dong, T., y Ha, M. (2018). Navigating Self-Driving Vehicles Using Convolutional Neural Network. 4th International Conference on Green Technology and Sustainable Development (GTSD) (pp. 607-610). IEEE.
Descargas
Publicado
Cómo citar
Número
Sección
