Resumen:
|
[ES] Los sistemas de asistencia a la conducción son cada vez más empleados en todos
los medios de transporte actuales, dispositivos encargados de mejorar el desempeño
de los vehículos en aspectos como la seguridad, la ...[+]
[ES] Los sistemas de asistencia a la conducción son cada vez más empleados en todos
los medios de transporte actuales, dispositivos encargados de mejorar el desempeño
de los vehículos en aspectos como la seguridad, la fiabilidad, el consumo eficiente de
carburantes, entre muchos otros. Desde sistemas más sencillos como el control de
velocidad de crucero de los automóviles hasta los complejos sistemas de navegación
de las aeronaves. El avance en la tecnología de los sistemas de monitorización ha
logrado ofrecer una gran variedad de métodos para el análisis del entorno por parte de
los sistemas de asistencia a la conducción, se incluyen aquí sensores térmicos,
tecnología RADAR y SONAR, geolocalización satélite, etc. De entre todas estas
opciones las que mejor se asemejan a la forma que tienen los humanos de interpretar
el entorno son las que se basan en la visión artificial.
La motivación de este proyecto es la aplicación de los sistemas de asistencia a la
conducción basados en la visión artificial para el reconocimiento de señales de tráfico
en carretera. Este sistema deberá ser entrenado para identificar los distintos patrones
que caracterizan cada una de las señales de tráfico dispuestas en la simulación. Es por
ello que se necesitará recopilar los datos tomados por el vehículo simulado en forma de
imágenes, imágenes que serán entregadas al algoritmo del programa para su
entrenamiento.
El proyecto por lo tanto ha conllevado, en primer lugar, el modelado 3D de un
entorno simulado que cuenta con el vehículo a asistir, la cámara de captación de
imágenes, las señales de tráfico y distintos elementos ambientales que buscan
reproducir algunos de los obstáculos reales a los que se ven expuestos estos sistemas,
véase vegetación, gradientes lumínicos, posicionamiento variable del vehículo en el
carril entre otros. En segundo lugar, se han recogido las imágenes tomadas por la
cámara de captación y se han clasificado en clases codificadas, una por cada señal a
reconocer. A continuación, se realizó el programa que debía tomar las imágenes,
procesarlas y utilizarlas para crear un modelo entrenado. Por último, se puso a prueba
el modelo en el mismo entorno simulado utilizado para la captación de imágenes. En
esta fase era el modelo el que debía clasificar las diferentes señales. Con los resultados
obtenidos se pudo finalmente evaluar el programa.
[-]
[CA] Els sistemes d'assistència a la conducció cada vegada són més emprats en tots
els mitjans de transport actuals, dispositius encarregats de millorar l'acompliment dels
vehicles en aspectes com la seguretat, la ...[+]
[CA] Els sistemes d'assistència a la conducció cada vegada són més emprats en tots
els mitjans de transport actuals, dispositius encarregats de millorar l'acompliment dels
vehicles en aspectes com la seguretat, la fiabilitat, el consum eficient de carburants,
entre molts d'altres. Des de sistemes més senzills com el control de velocitat de creuer
dels automòbils fins als complexos sistemes de navegació de les aeronaus.
L'avançament en la tecnologia dels sistemes de monitoratge ha aconseguit oferir una
gran varietat de mètodes per a l'anàlisi de l'entorn per part dels sistemes d'assistència a
la conducció, açí s'inclouen sensors tèrmics, tecnologia RADAR i SONAR,
geolocalització satèl·lit, etc. D'entre totes aquestes opcions, les que s'assemblen millor
a la forma que tenen els humans d'interpretar l'entorn són les que es basen en la visió
artificial.
La motivació daquest projecte és l’aplicació dels sistemes d’assistència a la
conducció basats en la visió artificial per al reconeixement de senyals de trànsit a la
carretera. Aquest sistema haurà de ser entrenat per identificar els diferents patrons que
caracteritzen cadascun dels senyals de trànsit disposats a la simulació. És per això que
9
caldrà recopilar les dades preses pel vehicle simulat en forma d'imatges, imatges que
seran lliurades a l'algoritme del programa per al seu entrenament.
El projecte ha comportat, en primer lloc, el modelatge 3D d'un entorn simulat que
compta amb el vehicle a assistir, la càmera de captació d'imatges, els senyals de trànsit
i diferents elements ambientals que busquen reproduir alguns dels obstacles reals als
que es veuen exposats aquests sistemes, vegeu vegetació, gradients lumínics,
posicionament variable del vehicle al carril entre altres. En segon lloc, s'han recollit les
imatges preses per la càmera de captació i s'han classificat a classes codificades, una
per cada senyal a reconèixer. A continuació, es va fer el programa que havia de prendre
les imatges, processar-les i utilitzar-les per crear un model entrenat. Finalment, es va
posar a prova el model al mateix entorn simulat utilitzat per a la captació d'imatges. En
aquesta fase era el model el que havia de classificar els diferents senyals. Amb els
resultats obtinguts finalment es va poder avaluar el programa.
[-]
[EN] The aim is to develop an artificial intelligence that is able to recognise traffic signs in a simulation environment and take measures accordingly, which can affect speed limits, brakes, lights, etc. To develop this ...[+]
[EN] The aim is to develop an artificial intelligence that is able to recognise traffic signs in a simulation environment and take measures accordingly, which can affect speed limits, brakes, lights, etc. To develop this project it will be important to apply and develop concepts such as, for example, the states and conditions of change for the different modes in which the vehicle will operate (normal driving, braking, etc.), and their transition conditions (speed limits, sections with sharp curves, etc.), the application of technology to real-world needs, and especially pattern recognition and the evaluation of artificial vision systems. This knowledge is largely drawn from subjects such as Industrial Automation, Industrial Production Systems and Machine Vision. A robotics simulation environment such as Coppelia or Unity will also be used, as well as object detection techniques through Deep Learning and a state machine that uses artificial vision to automatically control the vehicle. These types of systems implemented in the automotive world aim to bring us closer to intelligent vehicles with their own autonomy.
[-]
|