Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos

En el presente documento se expone el proceso de desarrollo de un algoritmo del campo de inteligencia artificial de redes neuronales en donde se hace aplicación del deep learning para el reconocimiento de posibles obstáculos en una imagen en un trayecto controlado como objetivo principal.Como primer medida para el reconocimiento de obstáculos, se desarrollan una serie de detectores basados en redes neuronales convolucionales, específicamente el detector basado en R-CNN en el entorno de MATLAB, desarrollando y documentando dos pruebas de detector por cada obstáculos propuestos (Personas, árboles y carros), así finalmente según estos resultados proponer un detector final con las 3 categorías integradas. Finalmente para la generación de la trayectoria en las imágenes propuestas de un trayecto controlado en las instalaciones de la Universidad Militar Nueva Granada, se aplica un algoritmo genético qué posee como restricción los obstáculos detectados para la generación de la mencionada trayectoria. Durante el desarrollo del trabajo según los resultados obtenidos, se hará una breve descripción de los mismos, que así permitan realizar conclusiones en base a ellos.

• Autores: Alfonso García, Brayan Steven
• Fecha de publicación: 2018
• Institución: Universidad Militar Nueva Granada
• Repositorio: Repositorio UMNG
• Idioma: spa
• OAI Identifier: oai:repository.unimilitar.edu.co:10654/17651
• Acceso en línea: http://hdl.handle.net/10654/17651
• Palabra clave: ALGORITMOS GENETICOS; REDES NEURALES (COMPUTADORES); PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS); Deep Learning; Genetic Algorithms; MATLAB; Convolutional Neural Networks; R-CNN; Machine Learning; Artificial intelligence; Parallel Computing; Aprendizaje Profundo; Algoritmos Genéticos; MATLAB; Redes Neuronales Convolucionales; R-CNN; Aprendizaje Automático; Inteligencia Artificial; Computación paralela
• License: Derechos Reservados - Universidad Militar Nueva Granada, 2018