Prototipos Electrónicos: Emuladores de Manejo de Vehículos y Deep Learning

“DESARROLLO DE PROTOTIPOS ELECTRÓNICOS
COMO EMULADORES DE MANEJO DE VEHÍCULOS”
Contenido
I. Introducción ................................................................................................................. 3
II. Justificación ................................................................................................................. 3
III. Objetivos .................................................................................................................. 3
a. Generales .................................................................................................................. 3
b. Específicos ............................................................................................................... 3
IV. Marco Teórico ........................................................................................................... 3
a. Reconocimiento de Señales de tránsito ......................................................................... 3
b. Procesamiento de imágenes a través de Matlab .............................................................. 4
c. Visión artificial ......................................................................................................... 5
d. Deep Learning ........................................................................................................... 5
i. Funcionamiento Deep Learning ............................................................................... 8
e. Redes Neuronales Convolucionales .............................................................................. 8
f. Transferencia de aprendizaje ....................................................................................... 9
V. Selección y descripción del software y hardware para la implementación del proyecto. ........ 10
a. Software ................................................................................................................. 10
i. Matlab ................................................................................................................ 10
ii. Arduino UNO ...................................................................................................... 12
iii. DroidCam ........................................................................................................ 13
VI. Desarrollo ............................................................................................................... 14
a. Lista de materiales ................................................................................................... 14
b. Instalación de software ............................................................................................. 14
c. Establecimiento de la conexión entre la cámara móvil y Matlab® .................................. 15
i. Configuración de DroidCam .................................................................................. 16
d. Establecer la conexión entre Matlab y el módulo bluetooth ........................................... 17
e. Diseño y entrenamiento de la red neuronal convolucional ............................................. 19
i. Pretrained RCNN Layers:...................................................................................... 20
ii. Image Folder: ...................................................................................................... 20
iii. Image Labeler: ................................................................................................. 21

iv. Training (Fine tuning): ...................................................................................... 23
v. Testing ................................................................................................................ 24
VII. Conclusiones ........................................................................................................... 32
VIII. Recomendaciones .................................................................................................... 33
IX. Bibliografía ............................................................................................................. 34

I. Introducción
La tecnología en el área automotriz ha tenido un crecimiento exponencial en los últimos años
gracias a los avances informáticos y electrónicos que han sido aplicados en el desarrollo de
motores con mayores capacidades, por ejemplo, dando puerta también a la construcción de
vehículos capaces de dirigirse correctamente sin la necesidad de una humano al volante.
El desarrollo de sistemas y softwares para el manejo de vehículos autónomos se ha convertido
en una prioridad en el desarrollo de transportes modernos. Sin embargo, una de las áreas de
mayor importancia es dotar al vehículo de la capacidad de detectar y reaccionar a las
diferentes circunstancias y cambios en el ambiente como el ser humano lo haría. Dicho
sistema autónoma es realizable mediante una computadora capaz de procesar información
del entorno, cámaras, diversos sensores, entre otros.
II. Justificación
A pesar de la tecnología existente, la fiabilidad de los vehículos autónomos aún no alcanza
el 100%, siendo uno de los principales problemas los fallos que la propia tecnología y diseño
pudieran presentar. Si bien, el ser humano posee capacidades de raciocinio y toma de
decisiones de las que la tecnología carece, la tecnología puede presumir de estabilidad y
consistencia en sus reacciones siempre y cuando exista una correcta programación y diseño
previo. Es por eso por lo que, este trabajo pretende atacar la mala detección de señales de
tránsito ya que esta es una de las principales causas de accidentes de tránsito anualmente.
III. Objetivos
a. Generales
Construcción y diseño de un algoritmo para detectar señales de tránsito utilizando Matlab®.
b. Específicos
Probar el funcionamiento del algoritmo mediante simulación en tiempo real utilizando una
cámara con señales de tránsito para el sistema.
IV. Marco Teórico
a. Reconocimiento de Señales de tránsito
Las señales de tráfico son los carteles colocados en postes o dibujadas en las orillas de los
caminos que comparten información necesaria e importante para los usuarios o conductores

de vehículos sobre las condiciones del camino, límites de velocidad, entre otras. Si
enfocáramos nuestro proyecto desde una perspectiva internacional, encontraríamos que la
primera limitante para la detección de señales sería el idioma, sin embargo, estas barreras
han comenzado a resolverse mediante el uso de símbolos en lugar de palabras que construyen
un idioma universal.
Partiendo de esta afirmación, el desarrollo de sistemas de detección y reconocimiento de
señales tienen como objetivo evitar accidentes provocados por la falta de atención y/o
concentración por parte del conductor ya que es una de las principales causas de accidentes
viales y muertes.
Actualmente la mayoría de los vehículos, incluyendo aquellos que no son autónomos,
incluyen sistemas de seguridad mediante sensores y cámaras para apoyo de funciones de
parking y seguridad, por ejemplo. Sin embargo, estas cámaras pueden ser mejoradas con
sistemas de detección de diferentes señales y alertas a través de un correcto procesamiento y
tratamiento de imágenes.
Como ejemplos de implementación de estos sistemas tenemos las alertas de exceso de los
límites de velocidad que ya despliegan algunos vehículos en el área del tablero o, incluso, en
las pantallas centrales integradas. Todos estos sistemas, aunque pudieran parecer cambios
mínimos, o muchas veces innecesarios, representan un paso más en el camino de la creación
de vehículos seguros que benefician a la sociedad en general, tanto conductores como
peatones.
Posterior al tratamiento de las imágenes en tiempo real adquiridas por la cámara del vehículo,
la aplicación de estos datos puede ser activa o pasiva según sea el diseño o la decisión del
conductor.
• Aplicación activa: El vehículo de manera autónoma toma la decisión de intervenir
cuando considere que existe algún peligro o probabilidad de accidente. Por ejemplo,
alguna señal de STOP, transeúnte en el camino, exceso del límite de velocidad, entre
otras diferentes situaciones.
• Aplicación pasiva: El vehículo solamente genera una señal de alerta de la situación
mediante sonidos y/o imágenes, dejando la toma de decisiones al conductor.
b. Procesamiento de imágenes a través de Matlab
El procesamiento de imágenes digitales a través de Matlab implica el uso de códigos y
algoritmos informáticos capaces de crear, procesar, comunicar y visualizar imágenes
digitales. Los algoritmos con aplicaciones de procesamiento de imágenes digitales se pueden
emplear para diferentes objetivos como convertir señales de un sensor de imágenes en
imágenes digitales o, como en nuestro proyecto, la detección de objetos.

c. Visión artificial
Es un conjunto de técnicas que permiten extraer información de imágenes, videos o nubes de
puntos. A su vez, la visión artificial incluye el reconocimiento de imágenes, la detección de
objetos, el reconocimiento de actividades, la estimación de posiciones en 3D, el seguimiento
de video y el cálculo y detección de movimientos.
Dentro del desarrollo tecnológico actual, la visión artificial es ampliamente utilizado para
procesos de reconocimiento facial para inicio de sesión en teléfonos inteligentes, detección
de vehículos, peatones y señales de tránsito en los vehículos autónomos o, por otro lado, la
detección de tumores mediante resonancias magnéticas médicas.
Figura 1. Ejemplo de visión artificial.
La mayoría de las técnicas de visión artificial se desarrollan empleando un extenso conjunto
señales y datos recopilados mediante sensores del mundo real, además de un proceso de
trabajo de análisis y tratamiento de datos, entrenamiento de modelos y el desarrollo de
algoritmos. Muchas de las veces, es necesario modificar este conjunto de técnicas con el fin
de adaptaras el problema en cuestión, el cual es el método utilizado en esta investigación con
el fin de detectar las señales de tránsito.
A continuación, se describirán brevemente las técnicas de visión artificial con el fin de
conseguir un entendimiento mayor de la construcción de este proyecto.
d. Deep Learning
Es una técnica de aprendizaje automático con la capacidad y objetivo de enseñar a las
computadoras a hacer todas las actividades de razonamiento natural humano. Dicho
aprendizaje se consigue a través de ejemplos. El Deep Learning es clave en el desarrollo
actual de vehículos autónomos, sin conductor, ya que les permite reconocer una señal de alto,
o un peatón. Por otro lado, el Deep Learning puede lograr una precisión optimizada que, en
ocasiones, puede superar el rendimiento humano.