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...

ver descrição completa

Detalhes bibliográficos
Autor: Cordón Ureña, Alejandro
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
id ES_77c1b4aef4a938776f9d0a907e1c8b8d
oai_identifier_str oai:docta.ucm.es:20.500.14352/5145
network_acronym_str ES
network_name_str España
repository_id_str
spelling Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomoDeep Learning in IoT: Convolutional neural networks with Images aplied to an autonomous vehiculeCordón Ureña, Alejandro004(043.3)Autonomous-VehicleDeep-LearningEdge Coral TpuArtificial IntelligenceConvolutionalneural-NetworksComputer VisionRaspberry-PiTensorflowOpencvPicarPythonInformática (Informática)1203.17 InformáticaEn 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.González Calero, Pedro AntonioUniversidad Complutense de Madrid20212021-09-2420212021-09-24master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/5145reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 3.0 Españahttps://creativecommons.org/licenses/by-nc/3.0/es/info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/51452026-06-02T12:44:21Z
dc.title.none.fl_str_mv Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
Deep Learning in IoT: Convolutional neural networks with Images aplied to an autonomous vehicule
title Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
spellingShingle Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
Cordón Ureña, Alejandro
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
title_short Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
title_full Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
title_fullStr Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
title_full_unstemmed Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
title_sort Aprendizaje profundo en IoT: Redes neuronales convolucionales con imágenes aplicadas a un vehículo autónomo
dc.creator.none.fl_str_mv Cordón Ureña, Alejandro
author Cordón Ureña, Alejandro
author_facet Cordón Ureña, Alejandro
author_role author
dc.contributor.none.fl_str_mv González Calero, Pedro Antonio
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 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
topic 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
description 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.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-09-24
2021
2021-09-24
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/5145
url https://hdl.handle.net/20.500.14352/5145
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869411145129918464
score 15,301629

Registos relacionados