En esta tesis se propone entrenar una red neuronal para la detección de coches, utilizando sólo puntos de un LIDAR de 32 canales de la base de datos de NuScenes. El objetivo es conseguir el reconocimiento de coches frontales a partir de una nube de puntos de un LIDAR. Para dicho reconocimiento se utiliza una red neuronal basada en VoxelNet, que representa el estado-del-arte de la predicción de objetos en nubes de puntos 3D para LIDARs de 64 canales. Se pretende comparar las diferencias de predicción entre un LIDAR de 32 canales y uno de 64.
En aquesta tesi es proposa entrenar una xarxa neuronal per la detecció de cotxes, utilitzant només punts d'un LIDAR de 32 canals de la base de dades de NuScenes. L'objectiu es aconseguir el reconeixement de cotxes frontals a partir de un núvol de punts d'un LIDAR. Per l'esmentat reconeixement s'utilitza una xarxa neuronal basada en VoxelNet, que representa l'estat-de-l'art de la predicció d'objectes en núvols de punts 3D per LIDAR?s de 64 canals. Es pretén comparar les diferencies de predicció entre un LIDAR de 32 canals i un de 64.
In this thesis it is proposed to train a neural network for the detection of cars, using only points of a 32-channel LIDAR from the NuScenes dataset. The objective is to obtain the recognition of front view cars from a point cloud of a LIDAR. For this recognition, a neural network based on VoxelNet is used, which represents the state-of-the-art prediction of objects in 3D point clouds for LIDAR's 64 channels. It is intended to compare the prediction differences between a 32-channel LIDAR and one of 64.
