%0 Journal Article 
%A Egido Sierra, Javier del
%T Detección del entorno 360º de un vehículo autónomo mediante LIDAR aplicando técnicas Deep Learning
%D 2020
%U http://hdl.handle.net/10017/47093
%X Este trabajo analiza el estado del arte en detección y seguimiento de múltiples objetos
dinámicos (DAMOT) en el entorno de un vehículo autónomo mediante técnicas
basadas en deep learning, evaluando el rendimiento de diferentes metodologías y
estableciendo un pipeline funcional con la solución óptima.
Los diferentes objetos que se encuentran en la escena son detectados a partir de una
nube de puntos proporcionada por un sensor LIDAR, obteniendo una alta tasa de
acierto con elevada precisión de localización 3D. Para ello, se evalúan diferentes redes
neuronales sobre la base de datos KITTI [1] con el objetivo de obtener datos
cuantitativos de su desempeño.
Posteriormente, se estudian diferentes procedimientos de seguimiento de los objetos
detectados basados en técnicas tradicionales y deep learning, siendo capaz de
identificar unívocamente cada objeto con el propósito de seguir su trayectoria. Al
igual que en la etapa de detección, se extraen datos cuantitativos a través del análisis
en la base de datos KITTI y la herramienta de evaluación 3D MOT desarrollada por
AB3DMOT [2].
Una vez identificadas las técnicas de detección y seguimiento óptimas se aplicarán
sobre diversas escenas urbanas obtenidas mediante el simulador de conducción
CARLA [3] y la base de datos KITTI, analizando cualitativamente el funcionamiento
sobre sensores de conducción autónoma tanto simulados como reales.
Finalmente, se implementará el pipeline óptimo en un sistema embebido Nvidia
Jetson AGX Xavier sobre el vehículo eléctrico autónomo en desarrollo para el proyecto
Techs4AgeCar, obteniendo un análisis cuantitativo del sistema en tiempo real.

%K Deep Learning
%K Conducción autónoma
%K KITTI
%K LiDAR (Light Detection And Ranging)
%K DAMOT
%K CARLA
%K Autonomous driving
%K Ingeniería industrial
%K Industrial engineering
%~ Biblioteca Universidad de Alcala