Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
En el presente trabajo se realiza un estudio, desarrollo y mejora de un vehículo autónomo de bajo coste usando una cámara y aprendizaje profundo. El vehículo aprenderá de un método de conducción autónoma usando OpenCV. Al mismo tiempo se le hace reaccionar a diferentes señales y eventos que pueda en...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Recursos: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/5145 |
| Acesso em linha: | https://hdl.handle.net/20.500.14352/5145 |
| Access Level: | acceso abierto |
| Palavra-chave: | 004(043.3) Autonomous-Vehicle Deep-Learning Edge Coral Tpu Artificial Intelligence Convolutionalneural-Networks Computer Vision Raspberry-Pi Tensorflow Opencv Picar Python Informática (Informática) 1203.17 Informática |
| Resumo: | En el presente trabajo se realiza un estudio, desarrollo y mejora de un vehículo autónomo de bajo coste usando una cámara y aprendizaje profundo. El vehículo aprenderá de un método de conducción autónoma usando OpenCV. Al mismo tiempo se le hace reaccionar a diferentes señales y eventos que pueda encontrar a su paso. El vehículo se ha montado sobre un proyecto de un vehículo de la marca Sunfounder que usaba sensores de ultra sonidos y detectores de luz inicialmente. Este proyecto ha requerido considerables modificaciones hardware y finalmente no se necesita usarlos. Para ello se parte de la base de una solución que David Tian realizó con otro hardware, adaptándolo a este vehículo y realizando las actualizaciones tanto hardware como software pertinentes. Todo el procesamiento de la red neuronal se realiza en el vehículo usando para ello inferencia en una TPU Coral, y una Raspberry Pi 4a para la computación base. El trabajo se divide en cinco bloques principales. Primero se exponen todas las conclusiones sobre el hardware final y su disposición. A continuación se proporciona el software y la configuración necesaria para el correcto funcionamiento del vehículo. Para continuar se estudia y se adapta la solución de conducción autónoma por OpenCV. En el siguiente punto se trata la conducción autónoma con aprendizaje profundo. Finalmente se añade la detección de objetos y las reacciones del vehículo ante ellos. |
|---|