Sistema avanzado de asistencia a la conducción para entornos interurbanos
Year: 2017
Type: dissertation
Abstract: Los Sistemas de Asistencia a la Conducción, conocidos como ADAS (Advanced \nDriver Assistant Systems), desde su aparición en el año 2000, han permitido que \nlas cifras de muertes en accidentes de tráfico disminuyan hasta 8.7 por cada 100.000 \nhabitantes, según la OMS (Organización Mundial de la Salud), en su informe anual \n2013. Esta tendencia se ha dado en economías de alto ingreso a pesar del crecimiento \nsostenido en las últimas dos décadas del parque automotor a nivel mundial. \nAlgunos de los dispositivos ADAS más conocidos como la alerta por salida de carril, \nLDW (Lane Departure Warning), el asistente para mantenimiento de carril, LKA \n(Lane Keeping Assistance) o el asistente para cambio de carril, LCA (Lane Change \nAssistance), han hecho de la conducción una tarea cada vez más segura. \nLa presente investigación doctoral propone un sistema ADAS diseñado para entornos \nde carretera tipo autopista interurbana, que clasifica carriles según la norma \nEspañola IC 8.2. La información visual se obtiene por medio de una cámara estéreo, \ncon la cual es posible auto-calibrar los parámetros extrínsecos en tiempo de aplicación, para cambiar la perspectiva de las imágenes a vista superior o bird view, \nalcanzando una precisión de decimas de grado en orientación y mil ‘sismas de metro \nen posición vertical. El funcionamiento del ADAS propuesto para la plataforma IVVI \n2.0 (Intelligent Vehicle Based on Visual Information) del laboratorio de Sistemas \nInteligentes de la Universidad Carlos III, se compone de cuatro fases. En la primera \nfase se simplifica la imagen filtrando los objetos que cumplen las características \npropias de las marcas viales, restringiendo la búsqueda a la zona de la imagen coincidente \ncon el plano tierra. En la segunda fase, el procesamiento continua con la \ndetección de los elementos constitutivos de la carretera, las líneas de carril y los correspondientes \ncarriles que se forman con ellas. Posteriormente, en la tercera fase se \nrealiza la detección parcial o total de la carretera, que corresponde con la búsqueda \nde carriles adyacentes en el espacio. En la última fase, con las detecciones parciales \no totales de carretera, formadas por una cadena de carriles, se aplica un proceso de \ncasamiento carril a carril, para actualizar en el tiempo una cadena final completa, \nque tendrá la cualidad de rechazar oclusiones y errores por sombras y cambios de \niluminación. \nFinalmente, se aborda el estudio de cómo aplicar aprendizaje de maquina en la \nestructura ADAS desarrollada, logrando buenos resultados en la segmentación de \nmarcas viales sobre carreteras donde las líneas se han degradado visualmente, en esta \nfase, sobre una secuencia de referencia de 75 imágenes, se observó como con el uso \nde un clasificador basado en máquinas de soporte vectorial, SVM (Support Vector \nMachine), logro la segmentación de marcas viales con un índice de sensibilidad de \n70 %, 44% por encima del siguiente mejor método analizado. Asímismo, al integrar \nla estrategia SVM para detección de marcas viales en el algoritmo general ADAS \npropuesto, se obtuvo una mejora en la detección de líneas viales hasta de un 83% \nen relación al 77% obtenido en la versión desarrollada inicialmente sin aprendizaje \nde máquina.
Author: Rodríguez Garavito, César Hernán
Institution: Universidad Carlos III de Madrid
Language: Spanish
Subfield: Automotive Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7043220038
