Universidad Complutense de Madrid
E-Prints Complutense

Evaluación de algoritmos de machine learning para conducción
Learning algorithm evaluation on advanced driver assistance

Impacto

Downloads

Downloads per month over past year



Simón Rodríguez, Alejandro and Ruz Gómez, Rafael (2020) Evaluación de algoritmos de machine learning para conducción. [Trabajo Fin de Grado]

[thumbnail of Ruz_Gomez_Entrega_memoria_TFG_Evaluacion_de_algoritmos_para_la_conduccion_4398577_1208955137.pdf]
Preview
PDF
Creative Commons Attribution Non-commercial.

8MB


Abstract

El principal objetivo de este proyecto de investigación y desarrollo es el análisis e implementación de arquitecturas deep learning para la detección en tiempo real de peatones, ciclistas y vehículos en el ámbito de la conducción autónoma.
El vertiginoso crecimiento de la capacidad de procesamiento ha provocado el surgimiento de nuevas ramas de investigación tecnológica, entre ellas la de la Inteligencia Artificial (IA). En particular, dentro de la IA podemos destacar la aparición de las redes neuronales profundas como técnica para abordar problemas relacionados con la percepción visual, como puede ser la clasificación de objetos o la detección de objetos.
Uno de los campos donde la IA que está teniendo una mayor influencia es la creación de sistemas avanzados de asistencia para la conducción (ADAS). Estos sistemas de conducción se apoyan en una amplia variedad de cámaras y sensores que proporcionan toda la información necesaria para tomar decisiones con precisión y seguridad.
Un sistema ADAS está compuesto por distintos módulos. Uno de ellos se encarga de la detección en tiempo real de objetos. En este proyecto nos centramos en la detección en tiempo real de vehículos, ciclistas y peatones, aunque podrían incluirse líneas de carretera y señales de tráfico, entre otros objetos.
Para conseguir dicho objetivo dividiremos en dos partes diferenciadas el trabajo:
-Reentrenamiento de una red generalista para aprender a identificar vehículos, peatones y ciclistas.
-Estudio del rendimiento de la inferencia realizada por la red reentrenada en términos de precisión, velocidad de inferencia y consumo sobre un conjunto de dispositivos hardware.

Resumen (otros idiomas)

The main aim of this research and development project is the analysis and implementation of deep learning’s architectures for real-time object detection of pedestrians, cyclists and cars on the scope of autonomous driving. The breakneck growth of the computing capacity has caused the emergence of new technological research fields such as Artificial Intelligence (AI). Especifically, we can highlight the uncovering of deep neural networks as a technique to approach challenges related to visual perception, for example object classification or object detection. One of the areas where the artificial intelligence is having a great influence is on the creation of advanced driver-assistance systems (ADAS). These systems take advantage of cutting-edge cameras and sensors that feed the systems with all the necessary information to take decisions with accuracy and security. An advanced driver-assistance system is made of several modules. One of them perform object detection in real-time. The main focus of this project is real-time detection of pedestrians, cyclists and cars. To achieve this objective, we will divide the work into two parts: -Fine-tuning of a generalist network to learn how to identify pedestrians, cyclists and cars. -Perfomance analysis in terms of efficiency, speed and power consumption during the inference performed by the fine-tuned network over a set of hardware devices.

Item Type:Trabajo Fin de Grado
Additional Information:

Trabajo de Fin de Grado de Doble Grado en Ingeniería Informática y Matemáticas, Facultad de Informática UCM, Departamento de Arquitectura de Computadores y Automática, Curso 2019/2020

Directors:
Directors
García Sánchez, Carlos
Botella Juan, Guillermo
Uncontrolled Keywords:Visión por ordenador, Conducción autónoma, Red neuronal convolucional, Detección de objetos, Aprendizaje profundo, Aprendizaje automático, Myriad, Tensorflow, Openvino, Darknet
Palabras clave (otros idiomas):Computer vision, Autonomous driving, Convolutional neuronal network, Object detection, Deep learning, Machine learning, Myriad, Tensorflow, Openvino, Darknet
Subjects:Sciences > Computer science
Título de Grado:Doble Grado en Ingeniería Informática y Matemáticas
ID Code:61910
Deposited On:07 Sep 2020 11:46
Last Modified:07 Sep 2020 11:46

Origin of downloads

Repository Staff Only: item control page