Publication: Implementación y evaluación de algoritmos de detección de carril orientados a entornos de conducción asistida de vehículos
Date
2023-04
Authors
Espejo Miranda, Ignacio Andrés
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El desarrollo de vehículos autónomos ha capturado el interés de
grandes empresas como Google y Tesla debido a los desafíos tecnológicos
que presentan. Los vehículos autónomos requieren sensores y
algoritmos capaces de percibir el ambiente en el cual se encuentran
inmersos, y uno de los primeros desafíos es detectar las líneas que delimitan
los carriles dentro de la carretera. El diseño de un detector de
carriles es un problema desafiante, y existen alternativas de diseño basadas
en utilizar uno o más sensores LiDAR o una cámara como sensor
junto con algoritmos de visión por computadora. Los desafíos asociados
con el desarrollo de sistemas de conducción autónoma y asistida
incluyen altos costos económicos para probar el rendimiento de los
algoritmos en vehículos reales. Una de las alternativas implica la evaluación
del rendimiento de los algoritmos en modelos urbanos a escala
junto con robots móviles de bajo costo, como es la plataforma a escala
RUPU desarrollada por profesores y estudiantes del Departamento de
Electrónica de la Universidad Técnica Federico Santa María.
Esta memoria se enfoca en el estudio, implementación y evaluación de dos algoritmos de detección de carril (tradicional y basado en deep
learning) para su utilización en una futura iteración de la plataforma
RUPU. Se evaluó la capacidad de los algoritmos para detectar carriles
y su latencia en diferentes escenarios. La capacidad de los algoritmos
para detectar carriles se evalúa cualitativamente mediante visualizaciones
de las salidas de los detectores en diferentes escenarios, debido
a que recientemente las métricas cuantitativas comúnmente utilizadas
para medir el rendimiento de los detectores de carriles han sido
cuestionadas como no aptas para tareas orientadas a la conducción de
vehículos.
Los datos obtenidos muestran que actualmente el detector tradicional
es preferible y se recomienda desarrollarlo en conjunto con la
plataforma RUPU, utilizando una zona de interés para disminuir falsos
positivos, líneas delimitadoras de carril de diferentes colores en la
superficie de RUPU y robots móviles y obstáculos de colores diferentes
a los utilizados en las líneas. El detector puede obtener valores de
latencia en el orden de magnitud de 10 [ms] en una tarjeta Jetson TX2
sin utilizar unidades de procesamiento paralelo.
Description
Keywords
DETECTOR DE CARRIL , DEEP LEARNING , INTELIGENCIA ARTIFICIAL , VEHICULOS AUTONOMOS