Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/3016
Full metadata record
DC FieldValueLanguage
dc.contributor.authorLuna Alvarez, Jesus Antonio%886652-
dc.creatorLuna Alvarez, Jesus Antonio%886652-
dc.date.accessioned2022-02-23T22:56:14Z-
dc.date.available2022-02-23T22:56:14Z-
dc.date.issued2020-01-14-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/3016-
dc.descriptionEn 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.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.othermodelo de red neuronal hibrido, sistema operativo robótico, modelo secuenciado Chauffeures_MX
dc.titleConducción Autónoma de un Vehículo Simulado mediante un Modelo de Red Neuronal Convolucional Recurrentees_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorMujica Vargas, Dante%229106-
dc.folio20-0030es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmCentro Nacional de Investigación y Desarrollo Tecnológicoes_MX
Appears in Collections:Tesis de Maestría en Computación

Files in This Item:
File Description SizeFormat 
MC_Jesus_Antonio_Luna_Alvarez_2020.pdfTesis20.39 MBAdobe PDFView/Open
MC_Jesus_Antonio_Luna_Alvarez_2020.pdf
  Restricted Access
Cesión de derechos1.32 MBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons