Desarrollo e integración de software de alerta y detección de objetos en arquitectura 5G

Abstract

[ES] El avance de la tecnología en el campo de la Inteligencia Artificial ha producido grandes oportunidades y desafíos, específicamente en el campo de Machine Learning, buscando imitar el comportamiento del cerebro humano para incrementar la eficiencia de los procesos y extraer características complejas de las entradas mediante Redes Neuronales Profundas, capaces de descubrir intrincadas estructuras en los datos. La puesta en marcha y el funcionamiento de estas tecnologías requirieren de una alta capacidad funcional. Uno de los principales verticales o mercados que puede beneficiarse del uso de estas es el sector automóvil, en concreto los vehículos con capacidad de detección, alerta y conducción remota que pueden desempeñar todas las funciones críticas de seguridad en la conducción y monitorizar las condiciones para un trayecto determinado. La utilización de redes 5G es también vital para aplicar esta tecnología de manera fiable y eficiente, transmitiendo los datos de forma inalámbrica con ultra baja latencia y gran ancho de banda, entre otras. En este trabajo de fin de grado se plantea integrar un servicio de alertas al vehículo y detección de objetos en carretera en una plataforma desplegada en un servidor en el Edge de una red 5G. El trabajo también se centra en la obtención de resultados, su demostración y validación en el contexto del caso de uso de conducción remota del proyecto europeo 5G-IANA. Con el fin de mantener la complejidad del robot lo más baja posible, se ha descentralizado algunas operaciones fuera del robot, como es el caso del algoritmo de detección, el cual, a partir de un servidor externo, recibe la transmisión del video en tiempo real, ejecuta operaciones y el video en directo con los objetos detectados etiquetados constantemente. Los resultados obtenidos confirman que el algoritmo introduce una latencia despreciable en comparación con la latencia de extremo a extremo que proviene principalmente del proceso de codificación y decodificación que se llevan a cabo para la transmisión del video, lo cual permite contribuir al campo investigativo del vertical automovilístico

[EN] The advancement of technology in the field of Artificial Intelligence has produced great opportunities and challenges, specifically in the field of Machine Learning, seeking to mimic the behavior of the human brain to increase the efficiency of processes and extract complex features from inputs through Deep Neural Networks, capable of discovering intricate structures in the data. The implementation and operation of these technologies require high functional capability. One of the main verticals or markets that can benefit from using these is the automotive sector, specifically vehicles with sensing, alerting, and remote driving capabilities that can perform all safety-critical driving functions and monitor conditions for a given journey. The use of 5G networks is also vital to apply this technology reliably and efficiently, transmitting data wirelessly with ultra-low latency and high bandwidth, among others. In this thesis, we propose integrating a vehicle alert and road object detection service in a platform deployed on a server at the edge of a 5G network. The work also focuses on obtaining results, their demonstration and validation in the context of the remote driving use case of the European 5G-IANA project. In order to keep the complexity of the robot as low as possible, some operations have been decentralized outside the robot, as is the case of the detection algorithm, which, from an external server, receives the real-time video stream, executes operations and live video with the detected objects constantly labeled. The results confirm that the algorithm introduces negligible latency compared to the end-to-end latency that comes mainly from the encoding and decoding process carried out for the transmission of the video, which allows contributing to the research field of the automotive vertical.