ESCUELA DE DOCTORADO

 
Tesis Doctorales de la Universidad de Alcalá
Más información
ROAD TOPOLOGY CLASSIFICATION FOR AUTONOMOUS DRIVING
Autor/aHernández Saz, Álvaro
DepartamentoTeoría de la Señal y Comunicaciones
Director/aSotelo Vázquez, Miguel Ángel
Codirector/aParra Alonso, Ignacio
Fecha de defensa15-06-2022
CalificaciónSobresaliente cum laude
ProgramaTecnologías de la Información y las Comunicaciones (RD 99/2011)
Mención internacional
ResumenLa clasificación de la topología de la carretera es un punto clave si queremos desarrollar sistemas de conducción autónoma completos y seguros. Es lógico pensar que la comprensión de forma exhaustiva del entorno que rodea al vehículo, tal como sucede cuando es un ser humano el que toma las decisiones al volante, es una condición indispensable si se quiere avanzar en la consecución de vehículos autónomos de nivel 4 o 5. Si el conductor, ya sea un sistema autónomo, como un ser humano, no tiene acceso a la información del entorno la disminución de la seguridad es crítica y el accidente es casi instantáneo i.e., cuando un conductor se duerme al volante. A lo largo de esta tesis doctoral se presentan sendos sistemas basados en deep leaning que ayudan al sistema de conducción autónoma a comprender el entorno en el que se encuentra en ese instante. El primero de ellos 3D-Deep y su optimización 3D-Deepest, es una nueva arquitectura de red para la segmentación semántica de carretera en el que se integran fuentes de datos de diferente tipología. La segmentación de carretera es clave en un vehículo autónomo, ya que es el medio por el que debería circular en el 99,9% de los casos. El segundo es un sistema de clasificación de intersecciones urbanas mediante diferentes enfoques comprendidos dentro del metric-learning, la integración temporal y la generación de imágenes sintéticas. La seguridad es un punto clave en cualquier sistema autónomo, y si es de conducción aún más. Las intersecciones son uno de los lugares dentro de las ciudades donde la seguridad es crítica. Los coches siguen trayectorias secantes y por tanto pueden colisionar, la mayoría de ellas son usadas por los peatones para atravesar la vía independientemente de si existen pasos de cebra o no, lo que incrementa de forma alarmante los riesgos de atropello y colisión. La implementación de la combinación de ambos sistemas mejora substancialmente la comprensión del entorno, y puede considerarse que incrementa la seguridad, allanando el camino en la investigación hacia un vehículo completamente autónomo. Palabras clave: Aprendizaje profundo, Redes Neuronales Artificiales, Conducción Autónoma, Segmentación Semántica, Clasificación.