Implementación De Algoritmo De Visión Artificial Y Red Neuronal Convolucional Embebida, En Un Automóvil A Escala Para La Conducción Autónoma En Circuito De Pruebas Controlado

• Autor: Díaz Villanueva, Julio Leonardo
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/5847
• Enlace del recurso: https://hdl.handle.net/20.500.14138/5847
• Nivel de acceso: acceso abierto
• Materia: Conducción Autónoma; Jetson-Nano; Keras-Tuner; Tensor-RT; Circuito de Pruebas; https://purl.org/pe-repo/ocde/ford#2.02.00

En este proyecto de tesis se implementó un sistema de conducción autónoma usando una red neuronal convolucional, y capaz de lograr un nivel de autonomía 4 respondiendo al entorno donde se encuentra; para eso, fue necesario crear módulos que uniéndose entre ellos se lograron alcanzar los objetivos propuestos. Tales módulos se encargaron del control de motores de arranque y dirección del automóvil, la captura de la imagen exterior la cual fue realizada por 2 lentes (de baja distorsión y del tipo angular) independientemente cada una, la captura de los datos de un mando vía USB para poder controlar el automóvil y obtener un comando de giro producido por este dispositivo para entrenar la red neuronal; luego, teniendo estos datos capturados, también se implementó un módulo de recolección de datos que permitió combinar la imagen y el comando de giro el cual fue balanceado para contar con una data de entrenamiento apropiada para poder entrenar la red neuronal convolucional; asimismo, esta red neuronal fue optimizada con Keras Tuner y Tensor RT lo que permitió una mejora en las métricas VAL_LOSS con un valor de 0.01211 y en la de LOSS con un valor de 0.20611; además, se alcanzó una mejora de 2.247 en el tiempo de inferencia del automóvil, así como en el ahorro del 20% de la memoria RAM del sistema embebido utilizado. Finalmente, para interactuar con el ambiente se crearon 2 módulos más. El primero encargado de recibir información proveniente de un microcontrolador Atmega 328p, conectado con un sensor ultrasonido que proporciona información de distancia entre el automóvil y un objeto que tenga adelante, y el segundo encargado del reconocimiento de las señales de tráfico, peatones y semáforos, pero utilizando la técnica Haar Cascade para reconocer patrones de las distintas clases. Y, con la unión de todos los módulos, se obtuvo un sistema de conducción autónoma que puede transitar sin intervención humana en un circuito de pruebas controlado, además de reaccionar al entorno donde se encuentra.