| Revista: | PÄDI boletín científico de ciencias básicas e ingenierías del ICBI |
| Base de datos: | |
| Número de sistema: | 000578974 |
| ISSN: | 2007-6363 |
| Autores: | Martínez-Hernández, Filiberto Eduardo2 Arias-Aguilar, Jose Anibal1 Macías-García, Edgar3 Ramírez-Cárdenas, Oscar David2 |
| Instituciones: | 1Universidad Tecnologica de la Mixteca, 2Universidad Tecnológica de la Mixteca, 3Intel Labs, |
| Año: | 2024 |
| Volumen: | 12 |
| Número: | s/n |
| Paginación: | 40-45 |
| País: | México |
| Idioma: | Español |
| Resumen en inglés | Steering angle prediction in intelligent vehicles is a topic widely studied in the literature. Nevertheless, user intervention is required to operate the vehicle, limiting the degree of autonomy. This work proposes algorithms based on artificial neural networks to determinate the steering angle in a moving vehicle, with real-time applications in scaled vehicles on a two-lane track. Using a front camera centered on the vehicle, two areas of interest are determined: the original image and a rectified version by changing the perspective. Subsequently, the tuple of images is used to create two labelled datasets with the desired steering angle to train two convolutional neural networks. Once trained, both models are implemented in real-time to guide a scaled vehicle on an obstacle free road, allowing autonomous navigation in the designated lane while observing the behaviour in each case. |
| Resumen en español | La predicción del ángulo de dirección en vehículos inteligentes es un tema ampliamente estudiado en la literatura. Sin embargo, se requiere la intervención de un usuario para operar al vehículo, limitando el grado de autonomía. Este trabajo propone algoritmos basados en redes neuronales artificiales para determinar el ángulo de giro de un vehículo en movimiento, con aplicaciones en tiempo real para vehículos a escala en una pista de dos carriles. Utilizando una cámara frontal centrada en el vehículo se determinan dos áreas de interés: la imagen original y una versión rectificada mediante un cambio de perspectiva. Posteriormente, se emplea la tupla de imágenes para construir dos bases de datos etiquetadas con el ángulo deseado de giro, las cuales, son empleadas para entrenar dos redes neuronales convolucionales. Una vez entrenadas, ambos modelos son implementados en tiempo real para guiar un vehículo a escala en una pista libre de obstáculos, permitiendo su navegación autónoma dentro del carril designado y observando el comportamiento en cada caso. |
| Palabras clave: | Aprendizaje supervisado, área de interés, CNN, vehículos inteligentes, sistema de dirección |
| Keyword: | Supervised learning, Region of interest, CNN, Intelligent vehicles, steering system |
| Texto completo: | Texto completo (Ver PDF) |
