Facultad Regional Resistencia
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/106
Browse
2 results
Search Results
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.