Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Utilize este identificador para referenciar este registo: https://rinacional.tecnm.mx/jspui/handle/TecNM/3016
Título: Conducción Autónoma de un Vehículo Simulado mediante un Modelo de Red Neuronal Convolucional Recurrente
Autor: Luna Alvarez, Jesus Antonio%886652
metadata.dc.subject.other: modelo de red neuronal hibrido, sistema operativo robótico, modelo secuenciado Chauffeur
Data: 2020-01-14
Editora: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Centro Nacional de Investigación y Desarrollo Tecnológico
Descrição: En este trabajo se propone un modelo de Red Neuronal Híbrido compuesto por capas de Convolución y Recurrentes para realizar el control de un vehículo simulado en el Sistema Operativo Robótico. El vehículo en cuestión es datado de sensores visuales y espaciales que permiten la percepción del entorno, esta información es procesada por el modelo neuronal para extraer información visual del camino y transformarla en ángulos de giro del volante. El modelo en cuestión se deriva de un modelo secuencial llamado Chauffeur utilizado para evaluar la correcta predicción de dirección de un vehículo en condiciones climáticas no favorables. El modelo propuesto cambia el bloque convolucional del Chauffeur por un bloque llamado convolución distribuida en el tiempo, que toma como entrada secuencias de imágenes en lugar de una sola. Las secuencias de entrada se conforman de imágenes con canal de profundidad creadas a partir de la fusión de sensores visuales y espaciales. Además, realiza el ajuste de las capas recurrentes a partir de pesos sinápticos autodirigidos y reduce la información para emitir el control del vehículo a partir de una neurona con función de activación Tangente Hiperbólica. La propuesta fue comparada con su forma base para demostrar la mejoría, desglosándose la evaluación en la tarea de clasificación y autonomía del vehículo utilizando métricas reportadas en la literatura y proponiendo nuevas formas de medición. También se comparó con el modelo neuronal profundo más citado de la literatura, el cual es propuesto por investigadores de la empresa NVIDIA. Se realizaron entrenamientos equitativos usando la base de datos propuesta creada a partir de fusión de sensores, adaptando la estructura tensorial para que cada modelo reciba solamente los datos para los que fueron diseñados. De igual manera, los experimentos se realizaron en la simulación diseñada con cuatro tipo de escenarios distintos. Los resultados muestran que el modelo propuesto otorga al vehículo una mejora media en la autonomía de 11.4% con respecto a los métodos de comparación en escenarios libres, y que el uso del canal de profundidad mejora en 8.9% la autonomía en escenarios con obstáculos.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Aparece nas colecções:Tesis de Maestría en Computación

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
MC_Jesus_Antonio_Luna_Alvarez_2020.pdfTesis20.39 MBAdobe PDFVer/Abrir
MC_Jesus_Antonio_Luna_Alvarez_2020.pdf
  Restricted Access
Cesión de derechos1.32 MBAdobe PDFVer/Abrir Request a copy


Este registo está protegido por copyright original.



Este registo está protegido por Licença Creative Commons Creative Commons