Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android

La integración de sistemas autónomos en nuestra vida cotidiana es una realidad cada vez más palpable. A medida que avanzamos en la era digital, las soluciones inteligentes para mejorar la seguridad y eficiencia se hacen indispensables. Sin embargo, la transición hacia la autonomía total presenta des...

Full description

Autores:
Zarate Bello, Daniel Felipe
Guerra Jimenez, Carlos Andres
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.umng.edu.co:10654/47628
Acceso en línea:
https://hdl.handle.net/10654/47628
Palabra clave:
ADAS
YOLO
Sistemas autónomos
Seguridad vial
Aplicativo móvil
Detección de obstáculos
Inteligencia artificial
ADAS
YOLO
Autonomous systems
Road safety
Road safety
Obstacle detection
Artificial intelligence
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_8eaf121989454968af4574c59d809f6d
oai_identifier_str oai:repository.umng.edu.co:10654/47628
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
dc.title.eng.fl_str_mv Development of a Driver-Oriented ADAS with Obstacle Detection Using Android Mobile App
title Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
spellingShingle Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
ADAS
YOLO
Sistemas autónomos
Seguridad vial
Aplicativo móvil
Detección de obstáculos
Inteligencia artificial
ADAS
YOLO
Autonomous systems
Road safety
Road safety
Obstacle detection
Artificial intelligence
title_short Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
title_full Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
title_fullStr Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
title_full_unstemmed Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
title_sort Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil Android
dc.creator.fl_str_mv Zarate Bello, Daniel Felipe
Guerra Jimenez, Carlos Andres
dc.contributor.advisor.none.fl_str_mv Rojas Sarmiento, Diego
dc.contributor.author.none.fl_str_mv Zarate Bello, Daniel Felipe
Guerra Jimenez, Carlos Andres
dc.subject.proposal.spa.fl_str_mv ADAS
YOLO
Sistemas autónomos
Seguridad vial
Aplicativo móvil
Detección de obstáculos
Inteligencia artificial
topic ADAS
YOLO
Sistemas autónomos
Seguridad vial
Aplicativo móvil
Detección de obstáculos
Inteligencia artificial
ADAS
YOLO
Autonomous systems
Road safety
Road safety
Obstacle detection
Artificial intelligence
dc.subject.proposal.eng.fl_str_mv ADAS
YOLO
Autonomous systems
Road safety
Road safety
Obstacle detection
Artificial intelligence
description La integración de sistemas autónomos en nuestra vida cotidiana es una realidad cada vez más palpable. A medida que avanzamos en la era digital, las soluciones inteligentes para mejorar la seguridad y eficiencia se hacen indispensables. Sin embargo, la transición hacia la autonomía total presenta desafíos significativos, especialmente en el contexto de la seguridad vial. Este trabajo de grado aborda estos desafíos mediante el desarrollo de un aplicativo móvil para dispositivos Android, diseñado para detectar obstáculos y mejorar la seguridad de los conductores. Utilizando tecnologías avanzadas de procesamiento de imágenes y modelos de detección de objetos, este aplicativo ofrece alertas tempranas que permiten a los conductores tomar decisiones informadas y prevenir accidentes. Este proyecto no solo explora la funcionalidad de los aplicativos móviles como herramientas de asistencia al conductor, sino que también contribuye al desarrollo de tecnologías de inteligencia artificial adaptadas a dispositivos con capacidades de procesamiento limitadas. Se presenta como una solución crucial para hacer nuestras carreteras más seguras y responder a las demandas de una sociedad en constante evolución.
publishDate 2024
dc.date.issued.none.fl_str_mv 2024-04-22
dc.date.accessioned.none.fl_str_mv 2025-11-06T16:50:54Z
dc.date.available.none.fl_str_mv 2025-11-06T16:50:54Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10654/47628
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.none.fl_str_mv repourl:https://repository.umng.edu.co
url https://hdl.handle.net/10654/47628
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.umng.edu.co
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv AIT. (2023, June). lane_val_v6 Dataset. Roboflow. https://universe.roboflow.com/ait-4tkd5/lane_val_v6
API CONABIO ML. (2019). Cálculo de la Precisión Promedio y mAP. HackMD. https://hackmd.io/@api-conabio-ml/SyuWOKESU
ARCGIS. (2020). Cómo funciona Calcular precisión para la detección de objetos. ARCGIS. https://pro.arcgis.com/es/pro-app/latest/tool-reference/image-analyst/how-compute-accuracy-for-object-de tection-works.htm
Carlos Roberto Díaz. (2013). Modelado, simulación y control de un robot móvil tipo tracción diferencial
Chaparro, J., & Mosquera, N. (2020). DETECCIÓN AUTOMÁTICA DE GESTOS DE CONDUCTORES COMO PARTE DE UN SISTEMA AVANZADO DE ASISTENCIA AL CONDUCTOR ADAS
Coleto, E. T., Rodríguez, J., Carlos, V., Pascual, S., & Cervera, C. (2020). Métodos de aprendizaje profundo para la segmentación semántica de personas Pascual Campoy Cervera COTUTORES DEL TRABAJO FIN DE GRADO.
David Plaza. (2012). Seguridad activa y pasiva: diferencias y elementos que la conforman. Motor.Es. https://www.motor.es/que-es/seguridad-activa-pasiva
DGT. (2022). Las ADAS obligatorias desde julio 2022, una a una. https://revista-org2.dgt.es/es/motor/tecnologia-seguridad/2021/0518-Landing-ADAS.shtml
DGT. (2023). Sistemas avanzados de ayuda a la conducción (ADAS). https://www.dgt.es/muevete-con-seguridad/conviertete-en-un-buen-conductor/Sistemas-avanzados-de-ayu da-a-la-conduccion-ADAS-/
Ducati. (2021). Multistrada V4 S Recibe la Certificación de Radar en Norteamérica. Ducati. https://www.ducati.com/mx/es/noticias/multistrada-v4-s-recibe-la-certificacion-de-radar-en-norteamerica#:~:text=Sunnyvale%2C%20Calif.%2C%201%20de,en%20una%20motocicleta%20de%20producci%C3% B3n
Geniolandia. (2024). ¿Qué tan rápido es el parpadeo de un ojo?. https://www.geniolandia.com/13158314/que-tan-rapido-es-el-parpadeo-de-un-ojo
Google Developers. (2022). Machine Learning, Classification: Precision and Recall. https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=en
Google for Developers. (n.d.). ML KIT. ML KIT. Retrieved December 28, 2023, from https://developers.google.com/ml-kit?hl=es-419
Hossain, M. S., Betts, J. M., & Paplinski, A. P. (2021). Dual Focal Loss to address class imbalance in semantic segmentation. Neurocomputing, 462, 69–87. https://doi.org/10.1016/j.neucom.2021.07.055
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., & Adam, H. (2019). Searching for MobileNetV3. http://arxiv.org/abs/1905.02244
ICHI.PRO. (2020). Probabilidad de detección precisa: una métrica alternativa para la detección de objetos. ICHI.PRO
IMF. (2021). ¿Qué es la matriz de confusión y cómo interpretarla? IMF Blog de Tecnologia. https://blogs.imf-formacion.com/blog/tecnologia/matriz-confusion-como-interpretarla-202106/
Isahit. (2022, November 5). What is Intersection over Union in object detection? Isahit . https://www.isahit.com/blog/what-is-intersection-over-union-in-object-detection#:~:text=In%20object%20 detection%2CIntersection%20of,Its%20symbol%20is%20%24IoU%24.
Jonathan Hui. (2018, March 6). mAP (mean Average Precision) for Object Detection. Medium. https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173
JOSE CARLOS LUQUE. (2020). Un asistente de conducción para moto? SÍ, ya es una realidad. Car and Driver. https://www.caranddriver.com/es/estilo-de-vida/a34714364/asistente-conduccion-moto-ride-vision/
Lin, T.-Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, C. L., & Dolí, P. (2015). Microsoft COCO: Common Objects in Context. https://cocodataset.org/#home
Manuel Santos. (2018, April 7). FLOPS: qué son las operaciones de coma flotante y por qué importan en tu tarjeta gráfica. Hardzone. https://hardzone.es/2018/04/07/operaciones-en-coma-flotante-flops/
Martinez Heras, J. (2023). IArtificial.net. https://www.iartificial.net
Motodinamia. (2021). Ride Vision: cómo funciona el sistema para evitar choques. https://motodinamia.com/ride-vision-como-funciona-el-sistema-para-evitar-choques-video/
Paloma Recuerdo de los Santos. (2021, December 13). Cómo interpretar la matriz de confusión: ejemplo práctico. Telefónica Tech. https://telefonicatech.com/blog/como-interpretar-la-matriz-de-confusion-ejemplo-practico
PALOMA RECUERO DE LOS SANTOS. (2022, January 24). Datos de entrenamiento vs datos de test. Telefonicatech. https://telefonicatech.com/blog/datos-entrenamiento-vs-datos-de-test
PyTorch. (n.d.). PyTorch Mobile. Pytorch.Org. Retrieved December 28, 2023, from https://pytorch.org/mobile/home/
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. http://arxiv.org/abs/1506.01497
Rodrigo Muñoz, D. V., & Santos, M. (2019). Diseño e implementación de un sistema de detección de obstáculos para robots autónomos basado en lógica borrosa. 226–233. https://doi.org/10.17979/spudc.9788497497169.226
(Semana), M. G. (2022). Las alarmantes cifras de accidentalidad de motos en Colombia. https://www.semana.com/enfoque/articulo/las-alarmantes-cifras-de-accidentalidad-de-motos-en-colombia/ 202253/
Tan, M., Pang, R., & Le, Q. V. (2019). Ef icientDet: Scalable and Ef icient Object Detection. http://arxiv.org/abs/1911.09070
TensorFlow. (n.d.). TensorFlow Lite. TensorFlow . Retrieved December 28, 2023, from https://www.tensorflow.org/lite?hl=es-419
Terven, J., & Cordova-Esparza, D. (2023). A Comprehensive Review of YOLO: From YOLOv1 and Beyond. http://arxiv.org/abs/2304.00501
Tesla. (n.d.). Autopilot and Full Self-Driving Capability. Retrieved January 4, 2024, from https://www.tesla.com/support/autopilot
The MIT License. (2023). Open Source Initiative. https://opensource.org/license/mit/
Ultralytics. (2023a). COCO - Ultralytics YOLOv8 Docs. https://docs.ultralytics.com/datasets/detect/coco/
Ultralytics. (2023b). NEW - YOLOv8. GitHub . https://github.com/ultralytics/ultralytics
Vargas Fajardo, J. V., & Barrera Campo, J. F. (2021). Sistema Háptico de Detección de Obstáculos para Invidentes. 2021 22nd Symposium on Image, Signal Processing and Artificial Vision, STSIVA 2021 - Conference Proceedings. https://doi.org/10.1109/STSIVA53688.2021.9592020
Víctor Alonso. (2023, June 4). Licencia MIT: Propósito, comparativas y características. https://sistemasoperativos.info/software-libre/licencia-mit/#google_vignette
Nandavar, S., Kaye, S. A., Senserrick, T., & Oviedo-Trespalacios, O. (2023). Exploring the factors influencing acquisition and learning experiences of cars fitted with advanced driver assistance systems (ADAS). Transportation Research Part F: Traf ic Psychology and Behaviour, 94, 341–352. https://doi.org/10.1016/J.TRF.2023.02.006
Pérez-Sala, L., Curado, M., Tortosa, L., & Vicent, J. F. (2023). Deep learning model of convolutional neural networks powered by a genetic algorithm for prevention of traffic accidents severity. Chaos, Solitons & Fractals, 169, 113245. https://doi.org/10.1016/J.CHAOS.2023.113245
Ping, P., Huang, C., Ding, W., Liu, Y., Chiyomi, M., & Kazuya, T. (2023). Distracted driving detection based on the fusion of deep learning and causal reasoning. Information Fusion, 89, 121–142. https://doi.org/10.1016/J.INFFUS.2022.08.009
Raouf, I., Khan, A., Khalid, S., Sohail, M., Azad, M. M., & Kim, H. S. (2022). Sensor-Based Prognostic Health Management of Advanced Driver Assistance System for Autonomous Vehicles: A Recent Survey. Mathematics 2022, Vol. 10, Page 3233, 10(18), 3233. https://doi.org/10.3390/MATH10183233
Waykole, S., Shiwakoti, N., & Stasinopoulos, P. (2021). Review on Lane Detection and Tracking Algorithms of Advanced Driver Assistance System. Sustainability 2021, Vol. 13, Page 11417, 13(20), 11417. https://doi.org/10.3390/SU132011417
Wood, J. M., Henry, E., Kaye, S.-A., Black, A. A., Glaser, S., Anstey, K. J., & Rakotonirainy, A. (2024). Exploring perceptions of Advanced Driver Assistance Systems (ADAS) in older drivers with age-related declines. Transportation Research Part F: Psychology and Behaviour, 100, 1369–8478. https://doi.org/10.1016/j.trf.2023.12.006
Zhao, T., Guo, P., & Wei, Y. (2024). Road friction estimation based on vision for safe autonomous driving. Mechanical Systems and Signal Processing, 208, 111019. https://doi.org/10.1016/J.YMSSP.2023.111019
Zhao, W., Gong, S., Zhao, D., Liu, F., Sze, N. N., Quddus, M., & Huang, H. (2024). Developing a new integrated advanced driver assistance system in a connected vehicle environment. Expert Systems with Applications, 238, 121733. https://doi.org/10.1016/J.ESWA.2023.121733
Zhou, Y., & Zeng, X. (2024). Towards comprehensive understanding of pedestrians for autonomous driving: Efficient multi-task-learning-based pedestrian detection, tracking and attribute recognition. Robotics and Autonomous Systems, 171, 104580. https://doi.org/10.1016/J.ROBOT.2023.104580
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.spatial.spa.fl_str_mv Cajicá Cundinamarca
dc.coverage.temporal.spa.fl_str_mv Agosto 2023
dc.coverage.sede.spa.fl_str_mv Campus UMNG
dc.publisher.program.spa.fl_str_mv Ingeniería en Mecatrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv https://repository.umng.edu.co/bitstreams/a40827c6-7719-4b8f-bf7f-d90e43fa1373/download
https://repository.umng.edu.co/bitstreams/3f898bcb-fc87-4426-bc02-bbf060bef92a/download
https://repository.umng.edu.co/bitstreams/f92e86f9-650b-4024-ac57-21c6c06f4e96/download
bitstream.checksum.fl_str_mv b3e606e000be9787b769ec300b60127b
a609d7e369577f685ce98c66b903b91b
855a78762cf562446f882ad11c1cd953
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1851052852303101952
spelling Rojas Sarmiento, DiegoZarate Bello, Daniel FelipeGuerra Jimenez, Carlos AndresIngeniero en MecatrónicaCajicá CundinamarcaAgosto 2023Campus UMNG2025-11-06T16:50:54Z2025-11-06T16:50:54Z2024-04-22https://hdl.handle.net/10654/47628instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.umng.edu.coLa integración de sistemas autónomos en nuestra vida cotidiana es una realidad cada vez más palpable. A medida que avanzamos en la era digital, las soluciones inteligentes para mejorar la seguridad y eficiencia se hacen indispensables. Sin embargo, la transición hacia la autonomía total presenta desafíos significativos, especialmente en el contexto de la seguridad vial. Este trabajo de grado aborda estos desafíos mediante el desarrollo de un aplicativo móvil para dispositivos Android, diseñado para detectar obstáculos y mejorar la seguridad de los conductores. Utilizando tecnologías avanzadas de procesamiento de imágenes y modelos de detección de objetos, este aplicativo ofrece alertas tempranas que permiten a los conductores tomar decisiones informadas y prevenir accidentes. Este proyecto no solo explora la funcionalidad de los aplicativos móviles como herramientas de asistencia al conductor, sino que también contribuye al desarrollo de tecnologías de inteligencia artificial adaptadas a dispositivos con capacidades de procesamiento limitadas. Se presenta como una solución crucial para hacer nuestras carreteras más seguras y responder a las demandas de una sociedad en constante evolución.The integration of autonomous systems into our daily lives is becoming an increasingly tangible reality. As we progress into the digital age, intelligent solutions to enhance safety and efficiency become indispensable. However, the transition towards full autonomy presents significant challenges, especially in the context of road safety. This thesis addresses these challenges by developing a mobile application for Android devices, designed to detect obstacles and enhance driver safety. Leveraging advanced image processing technologies and object detection models, this application provides early warnings that enable drivers to make informed decisions and prevent accidents. This project not only explores the functionality of mobile applications as driver assistance tools but also contributes to the development of artificial intelligence technologies tailored to devices with limited processing capabilities. It is presented as a crucial solution to make our roads safer and meet the demands of a constantly evolving society.Tabla de Contenido 1. INTRODUCCIÓN..... 4 2. Estado del Arte..... 5 3. Justificación..... 9 4. Objetivos..... 10 4.1 Objetivo General..... 10 4.2 Objetivos Específicos..... 10 5. Marco Teórico..... 11 5.1 ADAS..... 11 5.2 Detección de Obstáculos..... 12 6. Marco Conceptual.....13 6.1 Matriz de confusión.....13 6.2 Precisión.....14 6.3 Recall..... 14 6.4 Intersección sobre Unión (IoU).....15 6.5 Precisión Promedio (AP):.....15 6.6 Precisión Promedio Promedio (mAP):.....16 6.7 Recuperación Promedio Promedio (mAR):..... 17 6.8 FLOPs:..... 17 6.9 Dataset COCO:.....17 6.10 Licencia de Software:.....18 7. Sprint 1. Análisis:..... 19 7.1 Modelos:.....20 7.1.1 EfficientDet:..... 20 7.1.2 MobileNet:..... 21 7.1.3 Faster R-CNN:.....22 7.1.4 YOLO:.....24 7.2 Comparación entre modelos:.....26 7.3 Modelos de detección de objetos YOLO:..... 30 7.4 Modelos de segmentación de objetos YOLO:.....31 8. Sprint 2. Implementación y Desarrollo..... 33 8.1 Dataset:.....33 8.2 Entrenamiento:..... 36 8.2.1 Box Loss:.....37 8.2.2 Segmentation Loss:..... 38 8.2.3 Classification Loss:..... 39 8.2.4 Precisión (B) - (M):..... 40 8.2.5 Recall (B) - (M):.....41 8.2.6 Precisión promedio promedio mAP50:..... 42 8.3 Exportación:..... 44 8.3.1 TensorFlow:.....44 8.3.2 PyTorch:..... 45 8.3.3 Keras:..... 46 8.4 Implementación:.....47 9. Sprint 3. Pruebas:.....51 10. Sprint 4. Integración:.....55 11. Sprint 5. Evaluación:.....57 11.1 Robot Diferencial:..... 57 11.2 Integración:.....59 12. RESULTADOS..... 60 13. CONCLUSIONES.....64 14. REFERENCIAS..... 67PregradoL'intégration des systèmes autonomes dans notre vie quotidienne devient une réalité de plus en plus tangible. Alors que nous progressons dans l'ère numérique, des solutions intelligentes pour améliorer la sécurité et l'efficacité deviennent indispensables. Cependant, la transition vers une autonomie totale présente des défis importants, surtout dans le contexte de la sécurité routière. Cette thèse aborde ces défis en développant une application mobile pour les appareils Android, conçue pour détecter les obstacles et améliorer la sécurité des conducteurs. En tirant parti des technologies avancées de traitement d'images et des modèles de détection d'objets, cette application fournit des alertes précoces qui permettent aux conducteurs de prendre des décisions éclairées et de prévenir les accidents. Ce projet explore non seulement la fonctionnalité des applications mobiles en tant qu'outils d'assistance à la conduite, mais contribue également au développement de technologies d'intelligence artificielle adaptées aux appareils avec des capacités de traitement limitées. Il est présenté comme une solution cruciale pour rendre nos routes plus sûres et répondre aux exigences d'une société en constante évolution.applicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Desarrollo de un ADAS orientado a conductores, con detección de obstáculos mediante aplicativo móvil AndroidDevelopment of a Driver-Oriented ADAS with Obstacle Detection Using Android Mobile AppTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en MecatrónicaFacultad de IngenieríaUniversidad Militar Nueva GranadaAIT. (2023, June). lane_val_v6 Dataset. Roboflow. https://universe.roboflow.com/ait-4tkd5/lane_val_v6API CONABIO ML. (2019). Cálculo de la Precisión Promedio y mAP. HackMD. https://hackmd.io/@api-conabio-ml/SyuWOKESUARCGIS. (2020). Cómo funciona Calcular precisión para la detección de objetos. ARCGIS. https://pro.arcgis.com/es/pro-app/latest/tool-reference/image-analyst/how-compute-accuracy-for-object-de tection-works.htmCarlos Roberto Díaz. (2013). Modelado, simulación y control de un robot móvil tipo tracción diferencialChaparro, J., & Mosquera, N. (2020). DETECCIÓN AUTOMÁTICA DE GESTOS DE CONDUCTORES COMO PARTE DE UN SISTEMA AVANZADO DE ASISTENCIA AL CONDUCTOR ADASColeto, E. T., Rodríguez, J., Carlos, V., Pascual, S., & Cervera, C. (2020). Métodos de aprendizaje profundo para la segmentación semántica de personas Pascual Campoy Cervera COTUTORES DEL TRABAJO FIN DE GRADO.David Plaza. (2012). Seguridad activa y pasiva: diferencias y elementos que la conforman. Motor.Es. https://www.motor.es/que-es/seguridad-activa-pasivaDGT. (2022). Las ADAS obligatorias desde julio 2022, una a una. https://revista-org2.dgt.es/es/motor/tecnologia-seguridad/2021/0518-Landing-ADAS.shtmlDGT. (2023). Sistemas avanzados de ayuda a la conducción (ADAS). https://www.dgt.es/muevete-con-seguridad/conviertete-en-un-buen-conductor/Sistemas-avanzados-de-ayu da-a-la-conduccion-ADAS-/Ducati. (2021). Multistrada V4 S Recibe la Certificación de Radar en Norteamérica. Ducati. https://www.ducati.com/mx/es/noticias/multistrada-v4-s-recibe-la-certificacion-de-radar-en-norteamerica#:~:text=Sunnyvale%2C%20Calif.%2C%201%20de,en%20una%20motocicleta%20de%20producci%C3% B3nGeniolandia. (2024). ¿Qué tan rápido es el parpadeo de un ojo?. https://www.geniolandia.com/13158314/que-tan-rapido-es-el-parpadeo-de-un-ojoGoogle Developers. (2022). Machine Learning, Classification: Precision and Recall. https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=enGoogle for Developers. (n.d.). ML KIT. ML KIT. Retrieved December 28, 2023, from https://developers.google.com/ml-kit?hl=es-419Hossain, M. S., Betts, J. M., & Paplinski, A. P. (2021). Dual Focal Loss to address class imbalance in semantic segmentation. Neurocomputing, 462, 69–87. https://doi.org/10.1016/j.neucom.2021.07.055Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., & Adam, H. (2019). Searching for MobileNetV3. http://arxiv.org/abs/1905.02244ICHI.PRO. (2020). Probabilidad de detección precisa: una métrica alternativa para la detección de objetos. ICHI.PROIMF. (2021). ¿Qué es la matriz de confusión y cómo interpretarla? IMF Blog de Tecnologia. https://blogs.imf-formacion.com/blog/tecnologia/matriz-confusion-como-interpretarla-202106/Isahit. (2022, November 5). What is Intersection over Union in object detection? Isahit . https://www.isahit.com/blog/what-is-intersection-over-union-in-object-detection#:~:text=In%20object%20 detection%2CIntersection%20of,Its%20symbol%20is%20%24IoU%24.Jonathan Hui. (2018, March 6). mAP (mean Average Precision) for Object Detection. Medium. https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173JOSE CARLOS LUQUE. (2020). Un asistente de conducción para moto? SÍ, ya es una realidad. Car and Driver. https://www.caranddriver.com/es/estilo-de-vida/a34714364/asistente-conduccion-moto-ride-vision/Lin, T.-Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, C. L., & Dolí, P. (2015). Microsoft COCO: Common Objects in Context. https://cocodataset.org/#homeManuel Santos. (2018, April 7). FLOPS: qué son las operaciones de coma flotante y por qué importan en tu tarjeta gráfica. Hardzone. https://hardzone.es/2018/04/07/operaciones-en-coma-flotante-flops/Martinez Heras, J. (2023). IArtificial.net. https://www.iartificial.netMotodinamia. (2021). Ride Vision: cómo funciona el sistema para evitar choques. https://motodinamia.com/ride-vision-como-funciona-el-sistema-para-evitar-choques-video/Paloma Recuerdo de los Santos. (2021, December 13). Cómo interpretar la matriz de confusión: ejemplo práctico. Telefónica Tech. https://telefonicatech.com/blog/como-interpretar-la-matriz-de-confusion-ejemplo-practicoPALOMA RECUERO DE LOS SANTOS. (2022, January 24). Datos de entrenamiento vs datos de test. Telefonicatech. https://telefonicatech.com/blog/datos-entrenamiento-vs-datos-de-testPyTorch. (n.d.). PyTorch Mobile. Pytorch.Org. Retrieved December 28, 2023, from https://pytorch.org/mobile/home/Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. http://arxiv.org/abs/1506.01497Rodrigo Muñoz, D. V., & Santos, M. (2019). Diseño e implementación de un sistema de detección de obstáculos para robots autónomos basado en lógica borrosa. 226–233. https://doi.org/10.17979/spudc.9788497497169.226(Semana), M. G. (2022). Las alarmantes cifras de accidentalidad de motos en Colombia. https://www.semana.com/enfoque/articulo/las-alarmantes-cifras-de-accidentalidad-de-motos-en-colombia/ 202253/Tan, M., Pang, R., & Le, Q. V. (2019). Ef icientDet: Scalable and Ef icient Object Detection. http://arxiv.org/abs/1911.09070TensorFlow. (n.d.). TensorFlow Lite. TensorFlow . Retrieved December 28, 2023, from https://www.tensorflow.org/lite?hl=es-419Terven, J., & Cordova-Esparza, D. (2023). A Comprehensive Review of YOLO: From YOLOv1 and Beyond. http://arxiv.org/abs/2304.00501Tesla. (n.d.). Autopilot and Full Self-Driving Capability. Retrieved January 4, 2024, from https://www.tesla.com/support/autopilotThe MIT License. (2023). Open Source Initiative. https://opensource.org/license/mit/Ultralytics. (2023a). COCO - Ultralytics YOLOv8 Docs. https://docs.ultralytics.com/datasets/detect/coco/Ultralytics. (2023b). NEW - YOLOv8. GitHub . https://github.com/ultralytics/ultralyticsVargas Fajardo, J. V., & Barrera Campo, J. F. (2021). Sistema Háptico de Detección de Obstáculos para Invidentes. 2021 22nd Symposium on Image, Signal Processing and Artificial Vision, STSIVA 2021 - Conference Proceedings. https://doi.org/10.1109/STSIVA53688.2021.9592020Víctor Alonso. (2023, June 4). Licencia MIT: Propósito, comparativas y características. https://sistemasoperativos.info/software-libre/licencia-mit/#google_vignetteNandavar, S., Kaye, S. A., Senserrick, T., & Oviedo-Trespalacios, O. (2023). Exploring the factors influencing acquisition and learning experiences of cars fitted with advanced driver assistance systems (ADAS). Transportation Research Part F: Traf ic Psychology and Behaviour, 94, 341–352. https://doi.org/10.1016/J.TRF.2023.02.006Pérez-Sala, L., Curado, M., Tortosa, L., & Vicent, J. F. (2023). Deep learning model of convolutional neural networks powered by a genetic algorithm for prevention of traffic accidents severity. Chaos, Solitons & Fractals, 169, 113245. https://doi.org/10.1016/J.CHAOS.2023.113245Ping, P., Huang, C., Ding, W., Liu, Y., Chiyomi, M., & Kazuya, T. (2023). Distracted driving detection based on the fusion of deep learning and causal reasoning. Information Fusion, 89, 121–142. https://doi.org/10.1016/J.INFFUS.2022.08.009Raouf, I., Khan, A., Khalid, S., Sohail, M., Azad, M. M., & Kim, H. S. (2022). Sensor-Based Prognostic Health Management of Advanced Driver Assistance System for Autonomous Vehicles: A Recent Survey. Mathematics 2022, Vol. 10, Page 3233, 10(18), 3233. https://doi.org/10.3390/MATH10183233Waykole, S., Shiwakoti, N., & Stasinopoulos, P. (2021). Review on Lane Detection and Tracking Algorithms of Advanced Driver Assistance System. Sustainability 2021, Vol. 13, Page 11417, 13(20), 11417. https://doi.org/10.3390/SU132011417Wood, J. M., Henry, E., Kaye, S.-A., Black, A. A., Glaser, S., Anstey, K. J., & Rakotonirainy, A. (2024). Exploring perceptions of Advanced Driver Assistance Systems (ADAS) in older drivers with age-related declines. Transportation Research Part F: Psychology and Behaviour, 100, 1369–8478. https://doi.org/10.1016/j.trf.2023.12.006Zhao, T., Guo, P., & Wei, Y. (2024). Road friction estimation based on vision for safe autonomous driving. Mechanical Systems and Signal Processing, 208, 111019. https://doi.org/10.1016/J.YMSSP.2023.111019Zhao, W., Gong, S., Zhao, D., Liu, F., Sze, N. N., Quddus, M., & Huang, H. (2024). Developing a new integrated advanced driver assistance system in a connected vehicle environment. Expert Systems with Applications, 238, 121733. https://doi.org/10.1016/J.ESWA.2023.121733Zhou, Y., & Zeng, X. (2024). Towards comprehensive understanding of pedestrians for autonomous driving: Efficient multi-task-learning-based pedestrian detection, tracking and attribute recognition. Robotics and Autonomous Systems, 171, 104580. https://doi.org/10.1016/J.ROBOT.2023.104580ADASYOLOSistemas autónomosSeguridad vialAplicativo móvilDetección de obstáculosInteligencia artificialADASYOLOAutonomous systemsRoad safetyRoad safetyObstacle detectionArtificial intelligenceORIGINALZarateDanielCarlosGuerra2024.pdf.pdfZarateDanielCarlosGuerra2024.pdf.pdfTesisapplication/pdf26064648https://repository.umng.edu.co/bitstreams/a40827c6-7719-4b8f-bf7f-d90e43fa1373/downloadb3e606e000be9787b769ec300b60127bMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83420https://repository.umng.edu.co/bitstreams/3f898bcb-fc87-4426-bc02-bbf060bef92a/downloada609d7e369577f685ce98c66b903b91bMD52THUMBNAILZarateDanielCarlosGuerra2024.pdf.pdf.jpgZarateDanielCarlosGuerra2024.pdf.pdf.jpgIM Thumbnailimage/jpeg8372https://repository.umng.edu.co/bitstreams/f92e86f9-650b-4024-ac57-21c6c06f4e96/download855a78762cf562446f882ad11c1cd953MD5310654/47628oai:repository.umng.edu.co:10654/476282025-11-09 03:01:51.713http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repository.umng.edu.coRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares