Grupo GUDA - Difusión Científica - Trabajos Presentados en Congresos
Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/6856
Browse
4 results
Search Results
Item Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning(2024-09-10) Vázquez, Raimundo; Gramajo, Sergio; Mariguetti, Jorge Omar; Torres, Carlos; Robledo Sanchez, AlbertoEl desarrollo de sistemas de detección de peatones para vehículos representa un avance crucial en la seguridad vial y la integración de tecnologías de vanguardia en la industria automotriz. Este trabajo propone una solución innovadora que combina la capacidad del sensor LIDAR con archivos del tipo bag, con el objetivo de detectar peatones y diferenciar entre zonas de peligro y no peligro para el vehículo. La integración de datos obtenidos del sensor LIDAR con archivos bag abre nuevas posibilidades para mejorar la precisión y eficacia de los sistemas de detección de peatones. La utilización de archivos bag permite capturar datos en tiempo real en diversas condiciones de conducción, lo que facilita la recopilación de información relevante para el desarrollo y entrenamiento de modelos de detección. Mediante una serie de mediciones, se establecen situaciones de peligro y no peligro, donde se demuestra que los peatones en la vereda no representan una amenaza para el vehículo en movimiento, mientras que aquellos que cruzan la trayectoria del automóvil sí lo son. Los datos recopilados se transforman en archivos csv y se utilizan para entrenar un modelo de clasificación basado en redes neuronales del tipo Deep Learning. La evaluación de la efectividad del predictor se realiza mediante el análisis de la curva ROC, lo que proporciona una medida objetiva del rendimiento del sistema de detección propuesto. Los resultados obtenidos demuestran la viabilidad y eficacia del enfoque propuesto, destacando su potencial para mejorar la seguridad vial y reducir los accidentes relacionados con peatones.Item Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial(Sociedad Argentina de Informática (SADIO), 2024-10-24) Vázquez, Raimundo; Torres, Carlos; Mariguetti, Jorge Omar; Gramajo, Sergio; Robledo Sanchez, AlbertoLas causas principales de los accidentes de tráfico se pueden atribuir principalmente a errores humanos como la falta de atención, mal comportamiento o distracción. Para abordar este problema, muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducir los siniestros viales. Este trabajo presenta un procedimiento para detectar carriles en vías no señalizadas utilizando un sensor LIDAR montado en la parte superior de un vehículo. El escáner láser captura imágenes del entorno del conductor, que luego se procesan para identificar tres regiones dentro de la distancia de frenado del vehículo: izquierda, central y derecha de la calle. Los datos recopilados se utilizan para crear conjuntos de entrenamiento y test, que se analizan mediante bibliotecas de Deep Learning para extraer patrones y construir un modelo de detección de carriles. La efectividad de este modelo se evalúa utilizando la curva ROC. Esta propuesta ofrece una solución integral para estimar la ubicación del carril del vehículo, integrando tecnología LIDAR y técnicas de Deep Learning.Item Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial(Sociedad Argentina de Informática (SADIO), 2023-12-01) Vázquez, Raimundo; Torres, Carlos; Mariguetti, Jorge Omar; Gramajo, Sergio; Robledo Sanchez, AlbertoLos accidentes de tráfico son causados principalmente por errores humanos como la falta de atención, mal comportamiento o distracción. Muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducción de siniestros viales. El contexto del tráfico es el principal estímulo para la intención del conductor y puede ser utilizado para predecir una acción futura. Este trabajo desarrolla un procedimiento que permite detectar el carril en vías no señalizadas empleando visión artificial. Se utiliza una cámara de video en un vehículo para obtener imágenes del campo visual del conductor. En los fotogramas obtenidos se establecen cinco regiones comprendidas dentro de la distancia de frenado del vehículo. La primera región se encuentra a la izquierda del automóvil. Las tres siguientes en el centro y la última a la derecha. Luego, se incorporan librerías de deep learning encargadas de analizar estas imágenes. Se utiliza el operador de divergencia en histogramas para cuantificar texturas entre regiones. Los valores obtenidos permitieron clasificar semejanzas entre regiones. Por ejemplo, en el caso donde el automóvil viaja en el carril central se obtienen cinco texturas semejantes. En los casos de traslado en el carril derecho o izquierdo la divergencia aumentaba respecto a las regiones centrales. De esta manera se propone estimar la ubicación del carril del vehículo utilizando como base de comparación los valores de la divergencia entre regiones. Este trabajo realiza un aporte a las tecnologías relacionadas a la percepción del tráfico donde se incluyen la detección de obstáculos, estructura viales y detección de carril.Item Predicción de intención de giro de un conductor en la entrada de una rotonda utilizando un GPS y una red neuronal tipo LSTM(2022-12-01) Vázquez, Raimundo; Gramajo, Sergio; Mariguetti, Jorge Omar; Torres, Carlos; Robledo Sanchez, AlbertoSe presenta un procedimiento para estimar la intención del sentido de giro de un conductor segundos antes de ingresar a una rotonda. En situaciones reales, la detección de que un conductor va a girar en una determinada dirección al ingresar a la rotonda no es suficiente para implementar estrategias de reducción de riesgos, por lo que es relevante reconocer una posible acción futura momentos antes de que ocurra. El método propuesto utiliza datos de posición asociados a tres rectas paralelas a una avenida cercana a la rotonda. De esta forma, fue posible obtener información relevante para alimentar una red neuronal con el fin de predecir la intención de giro de un vehículo en metros antes de ingresar a la rotonda. El entrenamiento y prueba se basó en una red tipo Long Short Term Memory, que permitió predecir la probabilidad de que el vehículo gire a la derecha, a la izquierda o siga derecho. Se logró construir un modelo con resultados prácticos, dando una importante ventana de predicción de 40 metros antes de llegar a la rotonda. Se consiguió construir un modelo con una exactitud aproximación de 0,80 y una pérdida menor a 0,47. Para evaluar la capacidad predictiva de la red se utilizó la herramienta denominada curva Característica Operativa del Receptor y las intenciones se definieron como clases.