Detección de agentes para asistente de conducción

El presente trabajo de investigación desarrolló una simulación de un automóvil con asistente de conducción para una trayectoria longitudinal donde el automóvil frena o acelera al detectar seis objetos de interés (bicicletas, motos, señal de pare, automóviles, semáforos y peatones), logrando realizar estimaciones de la ubicación de los objetos y la categoría a la que pertenecen, utilizando como técnica de deep learning (DL) la arquitectura YOLOv2. En el desarrollo de este trabajo se etiquetaron 2421 imágenes extraídas de las calles de la cuidad de Bogotá (Colombia). Se implementó una red neuronal convolucional (CNN) en paralelo, la cual diferencia el estado del semáforo (Verde o Rojo) con una precisión del 99,64%. La simulación fue implementada en el ambiente virtual V-Rep y se acopla en tiempo real con el software de Matlab. Las gráficas de precisión ¿ Recall con la base de datos de entrenamiento fue de 93.3%. y en la validación del 60%.