Publication: Desarrollo de un coche a escala reducida para aprendizaje de conducción autónoma mediante técnicas de Deep Learning
Loading...
Identifiers
Publication date
2020-07
Defense date
2020-07-15
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
Technological advances in autonomous driving are growing at a vertiginous rate and
are gradually being integrated into society. The possibility of reducing the number of
accidents, reducing the effort required to drive and facilitating travel for the disabled are
some of the advantages of autonomous vehicles.
In this project, a scale vehicle will be developed that learns to drive autonomously.
This will require the combination of a series of important elements, such as the scale
vehicle, a driving circuit and a computer with a control device (steering wheel). This
setting should allow both supervised driving and autonomous driving learning.
To perform autonomous driving training, an approach divided into two tasks is
proposed: extracting features from road lines and learning to drive from these features.
For the first task, the construction of an auxiliary scenario (based on chromas) is proposed
to facilitate the extraction of the lines. These lines can be virtually superimposed on
images of the driving scenario, forming augmented images that will serve to train an
Autoencoder. In this way, this network will learn to isolate the lines from the road in real
scenarios, making it possible to learn to drive in them.
As a result, a small-scale vehicle is obtained that is capable of driving autonomously
along the route of a circuit delimited by two lines of road. It has been observed how the
addition of noise during the learning process can improve the robustness of a neural
network. The auxiliary scenario has made possible to differentiate the road lines from the
rest of the elements of the scene. In this way it has been possible to obtain a vector of
features related only to these lines, to generate augmented images of a real scenario and
to learn to drive on it.
Los avances tecnológicos en conducción autónoma crecen a un ritmo vertiginoso y poco a poco se están integrando en la sociedad. La posibilidad de reducir la cantidad de accidentes, disminuir el esfuerzo que hay que dedicar a la conducción y facilitar los desplazamientos a personas discapacitadas son algunas de las ventajas de los vehículos autónomos. En este proyecto se desarrollará un vehículo a escala que aprenda a conducir de forma autónoma. Para ello será necesario combinar una serie de elementos importantes, como un circuito, un vehículo a escala y un ordenador que procese la información recibida por éste y que permita controlarlo de forma supervisada. Para realizar el aprendizaje de la conducción autónoma se propone un enfoque dividido en dos tareas: la extracción de características de las líneas de la carretera y el aprendizaje de la conducción a partir de dichas características. Para la primera tarea se propone la construcción de un escenario auxiliar (basado en chromas) que facilite la extracción de las líneas. Dichas líneas se podrán superponer de forma virtual en imágenes del escenario de conducción, formando imágenes aumentadas que servirán para entrenar un Autoencoder. De esta forma se conseguirá que esta red aprenda a aislar las líneas de la carretera en escenarios reales, siendo posible realizar el aprendizaje de conducción en ellos. Como resultado se obtiene un vehículo a escala reducida capaz de conducir de forma autónoma siguiendo el recorrido de un circuito delimitado por dos líneas de carretera. Se ha podido observar como la introducción de ruido durante el proceso de aprendizaje puede mejorar la robustez de una red de neuronas. El escenario auxiliar ha posibilitado diferenciar las líneas de la carretera del resto de elementos de la escena. De esta forma ha sido posible obtener un vector de características relacionado únicamente con dichas líneas, generar imágenes aumentadas sobre un escenario real y realizar el aprendizaje de la conducción sobre él.
Los avances tecnológicos en conducción autónoma crecen a un ritmo vertiginoso y poco a poco se están integrando en la sociedad. La posibilidad de reducir la cantidad de accidentes, disminuir el esfuerzo que hay que dedicar a la conducción y facilitar los desplazamientos a personas discapacitadas son algunas de las ventajas de los vehículos autónomos. En este proyecto se desarrollará un vehículo a escala que aprenda a conducir de forma autónoma. Para ello será necesario combinar una serie de elementos importantes, como un circuito, un vehículo a escala y un ordenador que procese la información recibida por éste y que permita controlarlo de forma supervisada. Para realizar el aprendizaje de la conducción autónoma se propone un enfoque dividido en dos tareas: la extracción de características de las líneas de la carretera y el aprendizaje de la conducción a partir de dichas características. Para la primera tarea se propone la construcción de un escenario auxiliar (basado en chromas) que facilite la extracción de las líneas. Dichas líneas se podrán superponer de forma virtual en imágenes del escenario de conducción, formando imágenes aumentadas que servirán para entrenar un Autoencoder. De esta forma se conseguirá que esta red aprenda a aislar las líneas de la carretera en escenarios reales, siendo posible realizar el aprendizaje de conducción en ellos. Como resultado se obtiene un vehículo a escala reducida capaz de conducir de forma autónoma siguiendo el recorrido de un circuito delimitado por dos líneas de carretera. Se ha podido observar como la introducción de ruido durante el proceso de aprendizaje puede mejorar la robustez de una red de neuronas. El escenario auxiliar ha posibilitado diferenciar las líneas de la carretera del resto de elementos de la escena. De esta forma ha sido posible obtener un vector de características relacionado únicamente con dichas líneas, generar imágenes aumentadas sobre un escenario real y realizar el aprendizaje de la conducción sobre él.
Description
Keywords
Deep learning, Aprendizaje automático, Conducción autónoma, Vehículo a escala, Autonomous driving, Scale-vehicle, Machine learning