Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/3017| Title: | Sistema Embebido para Asistencia de Conducción Basado en Lógica Difusa Tipo-2 |
| Authors: | Rendon Castro, Angel Arturo%887805 |
| metadata.dc.subject.other: | Lógica Difusa Tipo-2, Visión por Computadora, Asistencia al Conductor y Sistemas Embebidos |
| Issue Date: | 2020-01-14 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Centro Nacional de Investigación y Desarrollo Tecnológico |
| Description: | En este trabajo se presenta el diseño y desarrollo de un asistente de conducción basado en Lógica Difusa Tipo-2 y Visión por Computadora para la detección de nivel de riesgo. El trabajo se divide en tres apartados principales: Adquisición de información, inferencia e implementación. En Adquisición de información se abordan técnicas de Visión por Computadora que permiten una detección fiable en entornos no controlados (detección de puntos de referencia faciales y detección de objetos con margen-máximo). En inferencia se utiliza Lógica Difusa Tipo-2, esta permite trasladar la experiencia humana y el manejo de incertidumbre a un sistema de control, en este trabajo se usa un sistema Lógico Difuso de Intervalo Tipo-2 que realiza una inferencia de nivel de riesgo con la información obtenida del apartado anterior. Por último, se implementa la parte de adquisición e inferencia en la plataforma embebida Nvidia Jetson TX2, creando un prototipo que se equipo en un automóvil donde se realizaron pruebas en ambientes reales. El sistema de asistencia propuesto se evaluó con métricas de detección (Recall, Precisión y F1-Score). Se adaptaron las métricas a tres experimentos que evalúan la detección de vehículo frontal, detección de nivel de riesgo por inatención al camino y detección de nivel de riesgo con detección de vehículo frontal en conjunto con la de inatención. Para los experimentos se utilizaron videos obtenidos del sistema además de utilizar las bases de datosYawDD, UTA Real-Life Drowsiness y TME Motorway. Los resultados cuantitativos y cualitativos, muestran que el enfoque propuesto resulta eficiente para la detección de nivel de riesgo, teniendo un rendimiento mayor a 0.90 en las métricas de evaluación y una implementación en tiempo real con un promedio de 24.63 cuadros por segundo. |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Appears in Collections: | Tesis de Maestría en Computación |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Angel_Arturo_Rendon_Castro_2020.pdf | Tesis | 53.2 MB | Adobe PDF | View/Open |
| MC_Angel_Arturo_Rendon_Castro_2020.pdf Restricted Access | Cesión de derechos | 194.44 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
