Un algoritmo de autoconducción urbana basado en un campo de integración ponderado por sensores con aprendizaje profundo
Autores: Oh, Minho; Cha, Bokyung; Bae, Inhwan; Choi, Gyeungho; Lim, Yongseob
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Un algoritmo de autoconducción urbana basado en un campo de integración ponderado por sensores con aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Algoritmos propuestos
Conducción adaptativa
Entornos urbanos
SSCNN
SWIF
Integración de sensores
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Este documento propone dos algoritmos para la conducción adaptativa en entornos urbanos: el primero utiliza aprendizaje profundo de visión, llamado red neuronal convolucional espacial dispersa (SSCNN); y el segundo utiliza un algoritmo de integración de sensores, llamado campo de integración ponderado por sensores (SWIF). Estos algoritmos utilizan tres tipos de sensores, a saber, visión, Light Detection and Range (LiDAR) y GPS, y deciden movimientos críticos para vehículos autónomos, como ángulos de dirección y velocidad del vehículo. SSCNN, que se utiliza para el reconocimiento de carriles, tiene una velocidad de procesamiento 2.7 veces más rápida que el método existente de CNN espacial. Además, el conjunto de datos para SSCNN se construyó considerando tanto la conducción normal como anormal en 7 clases. Por lo tanto, los carriles pueden ser reconocidos mediante la extensión de carriles para características especiales en entornos urbanos, donde los carriles pueden estar oscurecidos o borrados, o el vehículo puede conducir en cualquier dirección. SWIF genera una matriz bidimensional, en la que los elementos están ponderados mediante la integración de los datos del objeto de LiDAR y los puntos de referencia de GPS basados en los carriles detectados. Estos pesos son números enteros, que indican el grado de seguridad. Basándose en el campo formado por SWIF, las trayectorias seguras para los movimientos de dos vehículos, ángulos de dirección y velocidad del vehículo son generadas aplicando el campo de coste. Además, para seguir de manera flexible el ángulo de dirección y la velocidad del vehículo deseados, el control Proporcional-Integral-Derivativo (PID) es modulado por un esquema integral anti-desbordamiento. En consecuencia, dado que el conjunto de datos considera las características del entorno urbano, SSCNN puede ser adoptado para el reconocimiento de carriles en carreteras urbanas. El algoritmo SWIF también es útil para una conducción flexible debido a la alta eficiencia de su integración de sensores, incluyendo una resolución de 2 cm por píxel y una velocidad de 24 fps. Por lo tanto, un vehículo puede ser maniobrado con éxito con un cambio mínimo en el ángulo de dirección, sin salirse del carril o de la ruta, y sin colisionar con obstáculos en presencia de diversas perturbaciones en las condiciones de la carretera urbana.
Descripción
Este documento propone dos algoritmos para la conducción adaptativa en entornos urbanos: el primero utiliza aprendizaje profundo de visión, llamado red neuronal convolucional espacial dispersa (SSCNN); y el segundo utiliza un algoritmo de integración de sensores, llamado campo de integración ponderado por sensores (SWIF). Estos algoritmos utilizan tres tipos de sensores, a saber, visión, Light Detection and Range (LiDAR) y GPS, y deciden movimientos críticos para vehículos autónomos, como ángulos de dirección y velocidad del vehículo. SSCNN, que se utiliza para el reconocimiento de carriles, tiene una velocidad de procesamiento 2.7 veces más rápida que el método existente de CNN espacial. Además, el conjunto de datos para SSCNN se construyó considerando tanto la conducción normal como anormal en 7 clases. Por lo tanto, los carriles pueden ser reconocidos mediante la extensión de carriles para características especiales en entornos urbanos, donde los carriles pueden estar oscurecidos o borrados, o el vehículo puede conducir en cualquier dirección. SWIF genera una matriz bidimensional, en la que los elementos están ponderados mediante la integración de los datos del objeto de LiDAR y los puntos de referencia de GPS basados en los carriles detectados. Estos pesos son números enteros, que indican el grado de seguridad. Basándose en el campo formado por SWIF, las trayectorias seguras para los movimientos de dos vehículos, ángulos de dirección y velocidad del vehículo son generadas aplicando el campo de coste. Además, para seguir de manera flexible el ángulo de dirección y la velocidad del vehículo deseados, el control Proporcional-Integral-Derivativo (PID) es modulado por un esquema integral anti-desbordamiento. En consecuencia, dado que el conjunto de datos considera las características del entorno urbano, SSCNN puede ser adoptado para el reconocimiento de carriles en carreteras urbanas. El algoritmo SWIF también es útil para una conducción flexible debido a la alta eficiencia de su integración de sensores, incluyendo una resolución de 2 cm por píxel y una velocidad de 24 fps. Por lo tanto, un vehículo puede ser maniobrado con éxito con un cambio mínimo en el ángulo de dirección, sin salirse del carril o de la ruta, y sin colisionar con obstáculos en presencia de diversas perturbaciones en las condiciones de la carretera urbana.