Show simple item record

dc.contributorSoria Pérez, José Antonio
dc.contributorLópez Martínez, Antonio Miguel
dc.contributor.authorDelgado De La Iglesia, Sonia
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica
dc.date.accessioned2022-10-18T15:59:15Z
dc.date.available2022-10-18T15:59:15Z
dc.date.issued2022-07-12
dc.identifier.urihttp://hdl.handle.net/2117/374595
dc.description.abstractHoy en día se puede encontrar la Inteligencia Artificial (IA) en gran cantidad de campos, desde asistentes virtuales hasta en las finanzas. La IA está integrada en el día a día de las personas, incluso en sus propios vehículos que, a pesar de no ser plenamente autónomos, disponen de esta tecnología en gran parte de sus funciones. La IA y, en particular, el Deep Learning (DL) ha permitido un avance significativo hacia el desarrollo de vehículos totalmente autónomos en la última década, convirtiéndose en uno de los campos de investigación con más recorrido y que concierne a la prevención de accidentes y seguridad. Pese a ello, aún existen limitaciones para llegar a la conducción autónoma total (nivel 5). El objetivo de este trabajo consiste en la programación de la unidad hardware del prototipo JetBot, el entrenamiento del modelo de IA de una red neuronal que utiliza el modelo MRCNN y la verificación del funcionamiento (test) en un circuito indoor cerrado que dispone de marcas viales. El trabajo se desarrollará en el subcampo de los sistemas de percepción y fusión de datos y el análisis se realizará mediante las imágenes obtenidas con una cámara video integrada en el Jetbot. Para poder llevar a cabo los objetivos se ejecutarán diversos experimentos cuya dificultad se irá incrementando a medida que se logren los diferentes objetivos planteados: Detección de líneas continuas, líneas discontinuas, pasos peatonales y carriles. A partir de los resultados obtenidos se expondrá el nivel de precisión del programa partiendo del porcentaje de error en la detección de las diferentes clases en las imágenes de test. Como conclusión principal, se extrae que el nivel de la precisión del programa depende directamente de la calidad, el tipo de imágenes, (por lo que el tratamiento de estas luz, contrastes, etc., previo al entrenamiento, es altamente necesario para el prototipo) y de la cantidad de horas de entrenamiento.
dc.language.isospa
dc.publisherUniversitat Politècnica de Catalunya
dc.subjectÀrees temàtiques de la UPC::Informàtica::Intel·ligència artificial
dc.subjectÀrees temàtiques de la UPC::Enginyeria electrònica
dc.subject.lcshArtificial intelligence
dc.subject.lcshAutomated vehicles
dc.titleAplicación de inteligencia artificial para la detección de marcas viales en la conducción autónoma
dc.typeMaster thesis
dc.subject.lemacAprenentatge profund
dc.subject.lemacIntel·ligència artificial
dc.subject.lemacVehicles autònoms
dc.identifier.slugPRISMA-169442
dc.rights.accessOpen Access
dc.date.updated2022-08-17T18:37:57Z
dc.audience.educationlevelMàster
dc.audience.mediatorEscola Superior d'Enginyeries Industrial, Aeroespacial i Audiovisual de Terrassa
dc.audience.degreeMÀSTER UNIVERSITARI EN ENGINYERIA AERONÀUTICA (Pla 2014)


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record