| Tesis Doctorales de la Universidad de Alcalá |
| ADVANCED PREDICTION APPLIED TO VEHICLES AND OTHER TRAFFIC USER AGENTS | | Autor/a | Quintanar Pascual, Álvaro | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Fernández Llorca, David | | Codirector/a | Parra Alonso, Ignacio | | Fecha de depósito | 15-05-2025 | | Periodo de exposición pública | 15 a 29 de mayo de 2025 | | Fecha de defensa | Sin especificar | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | La presente tesis aborda la problemática de la siniestralidad en entornos urbanos y propone un marco metodológico para la predicción de trayectorias de vehículos autónomos con el objetivo de mejorar la seguridad vial. La predicción precisa del comportamiento de los agentes en el tráfico es esencial para prevenir colisiones y optimizar la planificación. Para ello, se han desarrollado modelos avanzados de predicción basados en arquitecturas de aprendizaje profundo, considerando información detallada de la escena a partir de representaciones en vista de pájaro y variables clave que afectan la dinámica vehicular.
En primer lugar, se ha explorado el impacto de la orientación de los agentes como una variable fundamental dentro de un modelo basado en la arquitectura Transformer. Se demuestra que incluir esta información en la representación del entorno mejora significativamente la capacidad del modelo para anticipar movimientos futuros, permitiendo predicciones más realistas y coherentes con la física del tráfico.
Posteriormente, se introduce la noción de goals o intenciones de los agentes como una variable adicional para la predicción de trayectorias. Esta estrategia incorpora un nivel intermedio de representación del comportamiento vehicular, permitiendo modelar su intención de desplazamiento a medio plazo en el entorno urbano. Además, se ha explorado la capacidad de los goals para abordar la multimodalidad en la predicción de trayectorias, analizando un enfoque post hoc. Aquí, la predicción inicial del goal del agente permite generar múltiples trayectorias plausibles a partir de dicho destino intermedio, evitando dispersión excesiva de hipótesis y ajustando la multimodalidad de manera controlada. La evaluación en múltiples escenarios confirma que la combinación de información posicional, orientación y objetivos futuros mejora la precisión del modelo, permitiendo predicciones más estables y alineadas con patrones reales de conducción.
Finalmente, la tesis presenta un enfoque de validación basado en la integración de datos sintéticos y reales mediante simulaciones en mapas digitales. Se han generado escenarios artificiales con agentes controlados para evaluar la capacidad de generalización del modelo, allanando el terreno para el desarrollo validaciones cruzadas entre datos sintéticos y reales
Todas estas contribuciones se han desarrollado en estrecha relación con el estado del arte en predicción de trayectorias, validando las hipótesis planteadas y sentando bases para futuros avances en seguridad vehicular mediante inteligencia artificial y aprendizaje profundo. |
|
