Sistema de Localización para Vehículos Autónomos Basado en Visión Artificial

El presente trabajo de grado tiene como objetivo el desarrollo de un sistema para la georreferenciación de un vehículo autónomo basado en visión artificial, con un enfoque específico en la utilización de redes neuronales, aplicado en la plataforma DeepRacer de la empresa Amazon Web Services (AWS). Se exploró la aplicación innovadora de la Red Neuronal Convolucional (CNN) como regresor para abordar la desafiante tarea de localización en el vehículo autónomo AWS DeepRacer. La CNN, entrenada con un dataset integral de imágenes y coordenadas espaciales, demostró ser eficaz en la predicción precisa de ubicaciones en un entorno bidimensional. Además, se evaluó exhaustivamente el desempeño de la CNN en comparación con el sistema de posicionamiento Lighthouse Position Deck, destacando la importancia de este último como un marco de refe rencia crucial. Se identificaron modelos específicos de la CNN que exhibieron un rendimiento destacado, minimizando las discrepancias entre las predicciones y las coordenadas reales. La investigación proporcionó percepciones valiosas sobre la efectividad de la CNN en entornos es pecíficos, estableciendo una base para la optimización continua de sistemas de localización en el AWS DeepRacer. La comparación entre la CNN y el sistema Lighthouse Position Deck contri buyó a la comprensión integral de los enfoques, sus fortalezas y limitaciones, y señaló áreas para investigaciones futuras en el campo de vehículos autónomos. La aplicación de visión artificial y redes neuronales ocupa una posición central en este proyecto, capacitando al vehículo autónomo para procesar y interpretar su entorno mediante datos visuales. Estas tecnologías posibilitan la identificación de puntos de referencia y características locales, facilitando el cálculo preciso de la posición del vehículo en su entorno. Este enfoque representa una destacada aplicación de la inteligencia artificial y el aprendizaje profundo en el contexto de la navegación autónoma, subrayando la relevancia y el impacto de estas innovaciones en el desarrollo de vehículos autónomos.

• Autores: Puerto Hernández, Juan David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/58783
• Acceso en línea: http://hdl.handle.net/11634/58783
• Palabra clave: AWS (Amazon Web Services); Bluetooth LE (Low Energy); CNN (Convolutional Neural Network); Machine Learning; MAE (Mean Absolute Error); ROS (Robot Operating System); Ingeniería Electrónica; Ingeniería; Aprendizaje; EKF (Filtro de Kalman Extendido); Georreferenciación; GPS (Sistema de Posicionamiento Global); Aprendizaje Automático
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia