Mostrar el registro sencillo del ítem

Desarrollo de una simulación de vehículo inteligente para la navegación autónoma a través de un entorno urbano

dc.contributor.advisorAyala Angarita, John Andrésspa
dc.contributor.advisorOrtiz Beltrán, Ariel Orlandospa
dc.contributor.authorGarcía Cano, Juan Camilospa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-01-26T13:57:10Z
dc.date.available2021-01-26T13:57:10Z
dc.date.issued2019-11-08
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12046
dc.description.abstractEl desarrollo de vehículos inteligentes ha estado aumentando a una velocidad ace-lerada en los recientes años, lo que ha permitido perfeccionar sus capacidades en sistemas de manejo autónomo. Muchas de estas mejoras están relacionadas hacia sistemas de manejo asistido y manejo autónomo. Dichos avances, han permitido a los vehículos alcanzar un nivel de precisión altísimo en su ambiente diseñado. Para esta mejora es importantes la integración y simulación de sistemas basados en di-ferentes configuraciones. En este documento, se presenta una propuesta que per-mite el diseño y pruebas de sistemas de control para la automatización parcial de un vehículo, con el uso de un software que imita condiciones de los sectores urba-nos. Esta propuesta se centra en el rápido desarrollo experimental de estos siste-mas por parte de diseñadores e ingenieros de vehículos autónomos. Esta propuesta permite una captura de datos rápida, en un entorno simulado, para mejorar y opti-mizar el entrenamiento de datos con algoritmos de aprendizaje automático.spa
dc.description.tableofcontents1. INTRODUCCIÓN ........................................................................................................................ 7 2. OBJETIVOS DE LA INVESTIGACIÓN .................................................................................... 8 2.1. OBJETIVO GENERAL ....................................................................................................................... 8 2.2. OBJETIVOS ESPECÍFICOS .............................................................................................................. 8 3. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN ................................................. 9 4. MARCO REFERENCIAL ......................................................................................................... 10 4.1. MARCO TEÓRICO ......................................................................................................................... 10 4.1.1. REDES NEURONALES ........................................................................................................................ 10 4.1.2. APRENDIZAJE DE MAQUINA .......................................................................................................... 11 4.1.3. APRENDIZAJE POR REFUERZO ..................................................................................................... 12 4.1.4. MOTOR DE VIDEOJUEGOS UNITY ................................................................................................ 13 4.1.5. TENSORFLOW ...................................................................................................................................... 13 4.2 TAXONOMÍA Y DEFINICIONES DE LOS TÉRMINOS RELACIONADOS CON LOS SISTEMAS DE AUTOMATIZACIÓN DE LA CONDUCCIÓN DE VEHÍCULOS DE CARRETERA. .......................................................................................................................................... 14 4.3. MARCO CONCEPTUAL ................................................................................................................ 15 4.3.1. AMBIENTE ............................................................................................................................................. 15 4.3.2. AGENTE INTELIGENTE .................................................................................................................... 15 4.3.3. C# ............................................................................................................................................................... 15 4.3.4. PYTHON .................................................................................................................................................. 15 4.3.5. RIGIDBODY ............................................................................................................................................ 15 4.3.6. RAYCAST ................................................................................................................................................. 16 4.3.7. GAMEOBJECT ........................................................................................................................................ 16 4.3.8. TRANSFORM ......................................................................................................................................... 16 4.3.9. LIDAR SYSTEM ..................................................................................................................................... 16 4.3.10. KERAS ................................................................................................................................................... 16 4.3.11. MODELO DE REFERENCIA ........................................................................................................... 16 4.3.12. CONVERGENCIA................................................................................................................................ 17 4.3.13. GRADIENTE ........................................................................................................................................ 17 4.3.14. HEURÍSTICA ....................................................................................................................................... 17 4.3.15. INFERENCIA ....................................................................................................................................... 17 4.3.16. ITERACIÓN .......................................................................................................................................... 17 4.3.17. MODELO ............................................................................................................................................... 17 4.3.18. ACCIDENTE DE TRANSITO ........................................................................................................... 18 4.3.19. RECOMPENSA ACUMULADA ....................................................................................................... 18 4.3.20. LONGITUD DEL EPISODIO ............................................................................................................ 18 4.3.21. ENTROPÍA ........................................................................................................................................... 18 4.3.22. TASA DE APRENDIZAJE ................................................................................................................. 18 4.3.23. VALOR ESTIMADO ........................................................................................................................... 18 4.3.24. CURIOSIDAD ....................................................................................................................................... 18 4.3.25. PÉRDIDA DE PÓLIZA ...................................................................................................................... 18 4.3.26. PÉRDIDA DE VALOR ....................................................................................................................... 19 4.3.27. PÉRDIDA FUTURA ........................................................................................................................... 19 4.3.28. PÉRDIDA INVERSA .......................................................................................................................... 19 4.4. ESTADO DEL ARTE ...................................................................................................................... 20 5. METODOLOGÍA ..................................................................................................................... 24 5.1. ALCANCE GENERAL ..................................................................................................................... 25 5.2. SELECCIÓN CASOS ESPECÍFICOS ............................................................................................. 25 5.3. DISEÑO DE VERSIONES DE SOFTWARE INTELIGENTE ................................................... 30 5.3.1. DISEÑO PROTOTIPO AUTÓNOMO AGENTE LÍNEA RECTA ............................................... 31 5.3.2. DISEÑO PROTOTIPO BUSCADOR RECOMPENSA PLANO .................................................. 33 5.3.3. DISEÑO PROTOTIPO NAVEGADOR URBANO 3D ................................................................... 36 5.4. DESARROLLO DE VERSIONES DE AGENTES INTELIGENTES ......................................... 41 5.4.1. PROTOTIPO LÍNEA RECTA ............................................................................................................. 41 5.4.2. PROTOTIPO BUSCADOR RECOMPENSA PLANO .................................................................... 48 5.4.3. PROTOTIPO NAVEGADOR URBANO 3D .................................................................................... 61 6. CONCLUSIONES ...................................................................................................................... 71 7. TRABAJO FUTURO ................................................................................................................ 75 8. REFERENCIAS ......................................................................................................................... 77spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDesarrollo de una simulación de vehículo inteligente para la navegación autónoma a través de un entorno urbanospa
dc.title.translatedDevelopment of a smart vehicle simulation for autonomous navigation through an urban environmentspa
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineereng
dc.subject.keywordsTechnological innovationseng
dc.subject.keywordsSupervised Learningeng
dc.subject.keywordsDeep Learningeng
dc.subject.keywordsAlgorithmeng
dc.subject.keywordsExperienceeng
dc.subject.keywordsAutomatic learningeng
dc.subject.keywordsUnsupervised learningeng
dc.subject.keywordsReinforced learningeng
dc.subject.keywordsData Scienceeng
dc.subject.keywordsTrainingeng
dc.subject.keywordsArtificial Intelligenceeng
dc.subject.keywordsArtificial Neural Networkseng
dc.subject.keywordsModeleng
dc.subject.keywordsComputer Visioneng
dc.subject.keywordsSoftwareeng
dc.subject.keywordsMachine theoryeng
dc.subject.keywordsSimulation methodseng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.references1) Shikunov, M., Panov, A.I. Hierarchical Reinforcement Learning Approach for the Road Intersection Task (2020) Advances in Intelligent Systems and Computing, 948, pp. 495-506.spa
dc.relation.references2) Chehri, A., Mouftah, H.T. Autonomous vehicles in the sustainable cities, the beginning of a green adventure (2019) Sustainable Cities and Society, 51, art. No. 101751,spa
dc.relation.references3) Gong, F., Chen, C. Vehicle automatic driving control system based on image recognition (2019) E3S Web of Conferences, 118, art. No. 02029,spa
dc.relation.references4) Elshaer, A.M., Elrakaiby, M.M., Harb, M.E. Autonomous Car Implementation Based on CAN Bus Protocol for IoT Applications (2019) Proceedings - 2018 13th International Conference on Computer Engineering and Systems, ICCES 2018, art. no. 8639206, pp. 275-278spa
dc.relation.references5) Curiel-Ramirez, L.A., Ramirez-Mendoza, R.A., Izquierdo-Reyes, J., Bustamante-Bello, M.R., Navarro-Tuch, S.A. Hardware in the loop framework proposal for a semi-autonomous car architecture in a closed route environment (2019) International Journal on Interactive Design and Manufacturing, 13 (4), pp. 1647-1658.spa
dc.relation.references6) Panetta, K. The Gartner Hype Cycle highlights the 29 emerging technologies CIOs should experiment with over the next year (2019), https://www.gartner.com/smarterwithgartner/5-trends-ap-pear-on-the-gartner-hype-cycle-for-emerging-technologies-2019/spa
dc.relation.references7) Jose de Oliveira, Duong, K. AirSim on Unity: Experiment with autonomous vehicle simulation (2018), https://blogs.unity3d.com/es/2018/11/14/airsim-on-unity-experiment-with-autonomous-ve-hicle-simulation/spa
dc.relation.references8) Bryson, J.J., "La última década y el futuro del impacto de la IA en la sociedad" (2018), en ¿Hacia una nueva Ilustración? Una década trascendente, Madrid, BBVA.spa
dc.relation.references9) Unity Technologies Windridge City (2019), https://assetstore.unity.com/packages/3d/environments/road-ways/windridge-city-132222?_ga=2.168928418.2009152738.1575133531-613739051.1524617893spa
dc.relation.references10) Guillaume WheelDrive (2019), https://github.com/Unity-Technologies/VehicleTools/blob/master/As-sets/Scripts/WheelDrive.csspa
dc.relation.references11) Goy, C. Juliani, A. RayPerception3D (2019), https://github.com/Unity-Technologies/ml-agents/blob/mas-ter/UnitySDK/Assets/ML-Agents/Examples/SharedAssets/Scripts/RayPerception3D.csspa
dc.relation.references12) Chollet, F. Cómo el aprendizaje automático difiere de la programación general (2019), http://www.da-tasea.com.cn/info_detail_1693.htmlspa
dc.relation.references13) German Ros, Laura Sellar, Joanna Materzynska, David Vazquez, Antonio M. Lopez The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmenta-tion of Urban Scenes (2017), http://synthia-dataset.net/wp-content/up-loads/2016/06/gros_cvpr16-1.pdfspa
dc.relation.references14) Microsoft. AirSim on Unity (2019), https://github.com/microsoft/AirSim/tree/master/Unityspa
dc.relation.references15) Quei-An Chen. Kwea123_RL_Unity_test (2018), https://github.com/kwea123/RL/tree/master/ai/unity_testspa
dc.relation.references16) Steven. Autonomous vehicle training environment with configurable difficulty based on ML-Agents v0.6 (2019), https://github.com/karta1297963/AutoBenchspa
dc.relation.references17) Kardell, S. Kuosku, M. Autonomous vehicle control via deep reinforcement learning (2017), https://pdfs.seman-ticscholar.org/0044/0fbe53b0b099a7fa1a4714caf401c8663019.pdfspa
dc.relation.references18) Christian P. Janssen, Wayne D. Gray. When, What, and How Much to Reward in Reinforcement Learning-Based Models of Cog-nition (2011), https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1551-6709.2011.01222.xspa
dc.relation.references19) Ministerio de Transporte. Registro Nacional de accidentalidad (2017), https://www.datos.gov.co/Transporte/Regis-tro-Nacional-de-accidentalidad-2017/y5un-e4emspa
dc.relation.references20) Fery Daniel Cure Aarón. EL SISTEMA DE RESPONSABILIDAD CIVIL PARA VEHÍCULOS AUTÓNOMOS EN COLOMBIA (2019), https://repository.javeriana.edu.co/bitstream/handle/10554/42361/Te-sis%20FERY%20CURE.pdf?sequence=1&isAllowed=yspa
dc.relation.references21) EC Autos autónomos: Las empresas que vienen desarrollando estos vehículos (2018), https://elcomercio.pe/tecnologia/actualidad/autos-autonomos-empresas-vienen-desarro-llando-vehiculos-noticia-505990-noticia/spa
dc.relation.references22) Javier A. Alonso, Xuebo Z. Chen. Estudio y simulación de un vehículo auto pilotado en Unity 5 haciendo uso de algoritmos de aprendizaje automático (2018), https://eprints.ucm.es/50223/1/032.pdfspa
dc.relation.references23) Alexey Dosovitskiy, German Ros, Felipe Codevilla, Antonio López, Vladlen Koltun. CARLA: An Open Urban Driving Simulator (2017), http://proceedings.mlr.press/v78/doso-vitskiy17a/dosovitskiy17a.pdfspa
dc.relation.references24) U.S Department of Transportation, National Highway Traffic Safety Administration. National Motor Vehicle Crash Causation Survey (2008), https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/811059spa
dc.relation.references25) Dirección General de Tráfico, Ministerio del Interior. Cuestiones de seguridad vial, Conducción eficiente, Medio ambiente y Contaminación (2015), http://www.dgt.es/Galerias/seguridad-vial/formacion-vial/cursos-para-profesores-y-directores-de-autoescuelas/XVIII-Curso-de-Profesores/Seguridad-Vial.pdfspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001459925*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Ariel_Ortiz_Beltran*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembMétodos de simulaciónspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThe development of intelligent vehicles has been increasing at an accelerated speed in recent years, which has allowed them to perfect their skills in autonomous driving systems. Many of these improvements are related to assisted driving and autono-mous driving systems. These advances have allowed vehicles to achieve a very high level of accuracy in their designed environment. For this improvement, the integra-tion and simulation of systems based on different configurations is important. In this document, a proposal is presented that allows the design and testing of control sys-tems for the partial automation of a vehicle, with the use of software that imitates conditions of urban sectors. This proposal focuses on the rapid experimental devel-opment of these systems by designers and engineers of autonomous vehicles. This proposal allows a fast data capture, in a simulated environment, to improve and op-timize data training with automatic learning algorithms.eng
dc.subject.proposalAprendizaje supervisadospa
dc.subject.proposalAprendizaje profundospa
dc.subject.proposalAlgoritmospa
dc.subject.proposalExperienciaspa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalAprendizaje no supervisadospa
dc.subject.proposalAprendizaje por refuerzospa
dc.subject.proposalCiencia de datosspa
dc.subject.proposalEntrenamientospa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalRedes neuronales artificialesspa
dc.subject.proposalModelospa
dc.subject.proposalVisión por computadoraspa
dc.subject.proposalSoftwarespa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Nombre:
2020_Tesis_Juan_Camilo_Garcia_ ...
Tamaño:
2.398Mb
Formato:
PDF
Descripción:
Tesis
Ver/
Thumbnail
Nombre:
2020_Licencia_Juan_Camilo_Garc ...
Tamaño:
59.97Kb
Formato:
PDF
Descripción:
Licencia
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia