Prototipo de sistema embebido para la detección de obstáculos mediante redes convolucionales profundas para su integración en un velero autónomo. Trabajo de grado

RESUMEN : En los últimos años, la navegación autónoma ha logrado avances significativos, impulsada por avances en tecnologías como las redes neuronales convolucionales (CNN), las cámaras LiDAR y los sensores de alta frecuencia. Estos avances han despertado el interés de la comunidad científica y la industria marítima por su potencial para mejorar la eficiencia y seguridad del transporte marítimo. Este proyecto tiene como objetivo desarrollar un sistema integrado de detección de obstáculos utilizando redes convolucionales profundas para su aplicación en veleros autónomos. El sistema emplea técnicas de aprendizaje profundo para entrenar una CNN capaz de analizar datos de cámaras montadas en barcos, utilizando un cardán como plataforma de soporte de cámara digital e integrando un sensor LiDAR de un solo punto de bajo costo. El sistema propuesto aprovecha YOLOv8, una versión mejorada de la arquitectura YOLO (Solo miras una vez), para la detección de obstáculos en tiempo real en embarcaciones autónomas. Este sistema priorizará los objetos detectados en función de su proximidad mediante hiperparámetros, implementará un sistema de seguimiento que implica sincronización entre el cardán y la red neuronal para determinar la distancia del objeto y mapear su ubicación, todo dentro de un prototipo de bajo costo. El prototipo se probará en un ambiente controlado para evaluar el desempeño de la red entrenada mediante pruebas con embarcaciones a escala y obstáculos marítimos comunes como boyas y ramas. El enfoque que combina redes convolucionales profundas y sensores LiDAR para la detección de obstáculos es prometedor y proporciona una solución eficiente y rentable.

• Autores: Ayala Valencia, Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/41556
• Acceso en línea: https://hdl.handle.net/10495/41556
• Palabra clave: Redes neurales (computadores); Neural networks (Computer science); Transporte; Electrónica en barcos; Ships - electronic equipment; Electrónica en navegación; Hiperparametros; Deteccion
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/