Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial

Autores
Vázquez, Raimundo; Torres, Carlos; Marighetti, Jorge Omar; Gramajo, Sergio; Robledo Sanchez, Alberto Andrés
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
Descripción
Las causas principales de los accidentes de tráfico se pueden atribuir principalmente a errores humanos como la falta de atención, mal comportamiento o distracción. Para abordar este problema, muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducir los siniestros viales. Este trabajo presenta un procedimiento para detectar carriles en vías no señalizadas utilizando un sensor LIDAR montado en la parte superior de un vehículo. El escáner láser captura imágenes del entorno del conductor, que luego se procesan para identificar tres regiones dentro de la distancia de frenado del vehículo: izquierda, central y derecha de la calle. Los datos recopilados se utilizan para crear conjuntos de entrenamiento y test, que se analizan mediante bibliotecas de Deep Learning para extraer patrones y construir un modelo de detección de carriles. La efectividad de este modelo se evalúa utilizando la curva ROC. Esta propuesta ofrece una solución integral para estimar la ubicación del carril del vehículo, integrando tecnología LIDAR y técnicas de Deep Learning.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Materia
Detector de carril
Asistencia al conductor
Seguridad vial
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-ShareAlike 4.0 International
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/11714
Acceder
id RIAUTN_1240219689eea1ddbbe00c9e1456ec9e
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/11714
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vialVázquez, RaimundoTorres, CarlosMarighetti, Jorge OmarGramajo, SergioRobledo Sanchez, Alberto AndrésDetector de carrilAsistencia al conductorSeguridad vialLas causas principales de los accidentes de tráfico se pueden atribuir principalmente a errores humanos como la falta de atención, mal comportamiento o distracción. Para abordar este problema, muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducir los siniestros viales. Este trabajo presenta un procedimiento para detectar carriles en vías no señalizadas utilizando un sensor LIDAR montado en la parte superior de un vehículo. El escáner láser captura imágenes del entorno del conductor, que luego se procesan para identificar tres regiones dentro de la distancia de frenado del vehículo: izquierda, central y derecha de la calle. Los datos recopilados se utilizan para crear conjuntos de entrenamiento y test, que se analizan mediante bibliotecas de Deep Learning para extraer patrones y construir un modelo de detección de carriles. La efectividad de este modelo se evalúa utilizando la curva ROC. Esta propuesta ofrece una solución integral para estimar la ubicación del carril del vehículo, integrando tecnología LIDAR y técnicas de Deep Learning.Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaSociedad Argentina de Informática (SADIO)2024-11-29T21:54:39Z2024-10-24info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfJornadas Argentinas de Informática. Memorias de las JAIIO, 10(11), 44-522451-7496https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/1050https://ria.utn.edu.ar/handle/20.500.12272/11714spaCCECARE0008396TCPredicción de la intención acción de automovilistas antes de ingresar a una glorieta utilizando sensores inteligentesinfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:47:36Zoai:ria.utn.edu.ar:20.500.12272/11714instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:47:37.627Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
title Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
spellingShingle Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
Vázquez, Raimundo
Detector de carril
Asistencia al conductor
Seguridad vial
title_short Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
title_full Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
title_fullStr Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
title_full_unstemmed Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
title_sort Detección de carriles en vías no señalizadas mediante LIDAR y deep learning para mejorar la seguridad vial
dc.creator.none.fl_str_mv Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author Vázquez, Raimundo
author_facet Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author_role author
author2 Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author2_role author
author
author
author
dc.subject.none.fl_str_mv Detector de carril
Asistencia al conductor
Seguridad vial
topic Detector de carril
Asistencia al conductor
Seguridad vial
dc.description.none.fl_txt_mv Las causas principales de los accidentes de tráfico se pueden atribuir principalmente a errores humanos como la falta de atención, mal comportamiento o distracción. Para abordar este problema, muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducir los siniestros viales. Este trabajo presenta un procedimiento para detectar carriles en vías no señalizadas utilizando un sensor LIDAR montado en la parte superior de un vehículo. El escáner láser captura imágenes del entorno del conductor, que luego se procesan para identificar tres regiones dentro de la distancia de frenado del vehículo: izquierda, central y derecha de la calle. Los datos recopilados se utilizan para crear conjuntos de entrenamiento y test, que se analizan mediante bibliotecas de Deep Learning para extraer patrones y construir un modelo de detección de carriles. La efectividad de este modelo se evalúa utilizando la curva ROC. Esta propuesta ofrece una solución integral para estimar la ubicación del carril del vehículo, integrando tecnología LIDAR y técnicas de Deep Learning.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
description Las causas principales de los accidentes de tráfico se pueden atribuir principalmente a errores humanos como la falta de atención, mal comportamiento o distracción. Para abordar este problema, muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducir los siniestros viales. Este trabajo presenta un procedimiento para detectar carriles en vías no señalizadas utilizando un sensor LIDAR montado en la parte superior de un vehículo. El escáner láser captura imágenes del entorno del conductor, que luego se procesan para identificar tres regiones dentro de la distancia de frenado del vehículo: izquierda, central y derecha de la calle. Los datos recopilados se utilizan para crear conjuntos de entrenamiento y test, que se analizan mediante bibliotecas de Deep Learning para extraer patrones y construir un modelo de detección de carriles. La efectividad de este modelo se evalúa utilizando la curva ROC. Esta propuesta ofrece una solución integral para estimar la ubicación del carril del vehículo, integrando tecnología LIDAR y técnicas de Deep Learning.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-29T21:54:39Z
2024-10-24
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv Jornadas Argentinas de Informática. Memorias de las JAIIO, 10(11), 44-52
2451-7496
https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/1050
https://ria.utn.edu.ar/handle/20.500.12272/11714
identifier_str_mv Jornadas Argentinas de Informática. Memorias de las JAIIO, 10(11), 44-52
2451-7496
url https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/1050
https://ria.utn.edu.ar/handle/20.500.12272/11714
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv CCECARE0008396TC
Predicción de la intención acción de automovilistas antes de ingresar a una glorieta utilizando sensores inteligentes
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
Acceso abierto
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
Acceso abierto
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Sociedad Argentina de Informática (SADIO)
publisher.none.fl_str_mv Sociedad Argentina de Informática (SADIO)
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230942612881408
score 13.24418

Publicaciones similares