Show simple item record

dc.contributor.advisorZulueta Guerrero, Ekaitz
dc.contributor.authorIker Azurmendi Marquínez
dc.contributor.otherMáster Universitario en Ingeniería de Control, Automatización y Robótica
dc.contributor.otherKontrol Ingeniaritza, Automatizazioa eta Robotika Masterra
dc.date.accessioned2022-08-02T07:12:12Z
dc.date.available2022-08-02T07:12:12Z
dc.date.issued2022-08-02
dc.identifier.urihttp://hdl.handle.net/10810/57117
dc.description.abstractEspañol: El aprendizaje profundo (Deep Learning, DL) ha supuesto un importante avance para la industria de los vehículos autónomos. El desarrollo de las Redes Neuronales Profundas (DNN), y en particular de las Redes Neuronales Convolucionales (CNN), ha permitido mejorar las técnicas basadas en visión por ordenador, haciendo más útil la información obtenida de las cámaras. Igualmente, la visión destaca entre los demás sentidos por su riqueza y practicidad, además de ser barata y fácil de usar. Por esta razón, recientemente, se han realizado estudios sobre el uso de técnicas de aprendizaje profundo basadas en imágenes para controlar sistemas de conducción autónoma. Sin embargo, aunque, la conducción autónoma puede implicar que se refiera a la conducción automatizada de vehículos de exteriores, no hay que olvidar que existe la navegación autónoma de interiores. En este estudio, se propone un sistema de navegación completamente autónoma para vehículos de interior empleando técnicas de visión artificial y aprendizaje profundo. El algoritmo de navegación está formado por los módulos de seguimiento de trayectorias, detección de obstáculos y localización del vehículo. Por consiguiente, el robot debe ser capaz de seguir una trayectoria con un control automático de la dirección y la velocidad, a la vez que detecta obstáculos y se localiza en el entorno de navegación. Por último, se evalúan los tres algoritmos para determinar su viabilidad para ser implementados en un Vehículo de Guiado Automático (AGV) industrial.es_ES
dc.description.abstractInglés: Deep Learning (DL) has provided a significant breakthrough for the autonomous vehicle industry. The development of Deep Neural Networks (DNN), and particularly Convolutional Neural Network (CNNs), have enabled the improvement of computer vision-based techniques, making the information gathered from cameras more useful. Vision stands out among the other senses because of its richness and practicality, as well as its cheapness and simplicity of use. For this reason, recently, studies have been carried out on the use of image-based deep learning to control autonomous driving systems. However, while autonomous driving may imply that it refers to the automated driving of outdoor vehicles, it should not be forgotten that autonomous indoor navigation exists. This study proposes a fully autonomous navigation system for indoor vehicles using computer vision and deep learning techniques. The navigation algorithm consists of the path following, obstacle detection and vehicle localization modules. Therefore, the robot must be able to follow a trajectory with automatic control of direction and speed, while it detects obstacles and locates itself in the navigation environment. Furthermore, the three algorithms will be evaluated to determine their feasibility for implementation in an industrial Automated Guided Vehicle (AGV).es_ES
dc.description.abstractEuskera: Ikaskuntza Sakona (Deep Learning, DL) aurrerapen garrantzitsua izan da ibilgailu autonomoen industriarentzat. Sare Neuronal Sakonak (DNN) eta, bereziki, Sare Neuronal Konboluzionalak (CNN), garatzeak ahalbidetu dute ordenagailu bidezko ikusmenean oinarritutako teknikak hobetzea, kameretatik lortutako informazioa baliagarriagoa bihurtuz. Ikusmena, merkea eta erabiltzeko erraza izateaz gain, beste zentzumenen artean, bere aberastasun eta praktikotasunagatik nabarmentzen da. Horregatik, azkenaldian, ikaskuntza sakonaren erabilerari buruzko azterlanak egin dira, irudietan oinarrituta, gidatze autonomoko sistemak kontrolatzeko. Hala ere, gidatze autonomoak kanpoko ibilgailuen gidatze automatizatuari erreferentzia egitea ekar dezakeen arren, ez da ahaztu behar barneko nabigazio autonomoa ere dagoela. Ikerketa honetan, barruko ibilgailuentzako nabigazio sistema guztiz autonomo bat proposatzen da, ikusmen automatikoa eta ikaskuntza sakoneko teknikak erabiliz. Nabigazio algoritmoa, ibilbidearen jarraipena egiteko, oztopoak detektatzeko eta ibilgailuak mapan kokatzeko metodo ezberdinek osatuko dute. Ondorioz, robotak gai izan behar du norabidea eta abiadura automatikoki kontrolatuz ibilbide bat egiteko, aldi berean, oztopoak hautemanez eta nabigazio-ingurunean kokatuz. Gainera, hiru algoritmoak ebaluatuko dira, Ibilgailu Gidatu Automatiko (AGV) industrial batean inplementatzeko duten bideragarritasuna zehazteko.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectvisiónes_ES
dc.subjectaprendizaje profundo
dc.subjectred neuronal convolucional
dc.subjectnavegación autónoma de interiores
dc.subjectseguimiento de líneas
dc.subjectdetección de obstáculo
dc.subjectseguimiento del vehículo
dc.subjectcomputer vision
dc.subjectdeep learning
dc.subjectconvolutional neural network
dc.subjectautonomous indoor navigation
dc.subjectline following
dc.subjectobstacle detection
dc.subjectvehicle tracking
dc.subjectikusmen artifiziala
dc.subjectikaskuntza sakona
dc.subjectsare neuronal konboluzionala
dc.subjectbarne nabigazio autonomoa
dc.subjectlerroen jarraipena
dc.subjectoztopoen detekzioa
dc.subjectibilgailuen jarraipena
dc.titleDesarrollo de algoritmos de visión artificial basados en aprendizaje profundo para vehículos autónomoses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.date.updated2022-06-14T10:19:33Z
dc.language.rfc3066es
dc.rights.holder© 2022, el autor
dc.contributor.degreeMáster Universitario en Ingeniería de Control, Automatización y Robótica
dc.contributor.degreeKontrol Ingeniaritza, Automatizazioa eta Robotika Unibertsitate Masterra
dc.identifier.gaurregister123314-843861-10es_ES
dc.identifier.gaurassign136204-843861es_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record