Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning

Autores
Vázquez, Raimundo; Gramajo, Sergio; Marighetti, Jorge Omar; Torres, Carlos; Robledo Sanchez, Alberto Andrés
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
El desarrollo de sistemas de detección de peatones para vehículos representa un avance crucial en la seguridad vial y la integración de tecnologías de vanguardia en la industria automotriz. Este trabajo propone una solución innovadora que combina la capacidad del sensor LIDAR con archivos del tipo bag, con el objetivo de detectar peatones y diferenciar entre zonas de peligro y no peligro para el vehículo. La integración de datos obtenidos del sensor LIDAR con archivos bag abre nuevas posibilidades para mejorar la precisión y eficacia de los sistemas de detección de peatones. La utilización de archivos bag permite capturar datos en tiempo real en diversas condiciones de conducción, lo que facilita la recopilación de información relevante para el desarrollo y entrenamiento de modelos de detección. Mediante una serie de mediciones, se establecen situaciones de peligro y no peligro, donde se demuestra que los peatones en la vereda no representan una amenaza para el vehículo en movimiento, mientras que aquellos que cruzan la trayectoria del automóvil sí lo son. Los datos recopilados se transforman en archivos csv y se utilizan para entrenar un modelo de clasificación basado en redes neuronales del tipo Deep Learning. La evaluación de la efectividad del predictor se realiza mediante el análisis de la curva ROC, lo que proporciona una medida objetiva del rendimiento del sistema de detección propuesto. Los resultados obtenidos demuestran la viabilidad y eficacia del enfoque propuesto, destacando su potencial para mejorar la seguridad vial y reducir los accidentes relacionados con peatones.
Fil: Vázquez, Raimundo. 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: Marighetti, Jorge Omar. 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: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Materia
Detección de peatones
Sensores LIDAR
Deep learning
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:20.500.12272/11731
Acceder
id RIAUTN_7f0cd6b5cd32e58a19855624ea0af38f
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/11731
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learningVázquez, RaimundoGramajo, SergioMarighetti, Jorge OmarTorres, CarlosRobledo Sanchez, Alberto AndrésDetección de peatonesSensores LIDARDeep learningEl desarrollo de sistemas de detección de peatones para vehículos representa un avance crucial en la seguridad vial y la integración de tecnologías de vanguardia en la industria automotriz. Este trabajo propone una solución innovadora que combina la capacidad del sensor LIDAR con archivos del tipo bag, con el objetivo de detectar peatones y diferenciar entre zonas de peligro y no peligro para el vehículo. La integración de datos obtenidos del sensor LIDAR con archivos bag abre nuevas posibilidades para mejorar la precisión y eficacia de los sistemas de detección de peatones. La utilización de archivos bag permite capturar datos en tiempo real en diversas condiciones de conducción, lo que facilita la recopilación de información relevante para el desarrollo y entrenamiento de modelos de detección. Mediante una serie de mediciones, se establecen situaciones de peligro y no peligro, donde se demuestra que los peatones en la vereda no representan una amenaza para el vehículo en movimiento, mientras que aquellos que cruzan la trayectoria del automóvil sí lo son. Los datos recopilados se transforman en archivos csv y se utilizan para entrenar un modelo de clasificación basado en redes neuronales del tipo Deep Learning. La evaluación de la efectividad del predictor se realiza mediante el análisis de la curva ROC, lo que proporciona una medida objetiva del rendimiento del sistema de detección propuesto. Los resultados obtenidos demuestran la viabilidad y eficacia del enfoque propuesto, destacando su potencial para mejorar la seguridad vial y reducir los accidentes relacionados con peatones.Fil: Vázquez, Raimundo. 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: Marighetti, Jorge Omar. 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: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.2024-12-02T20:44:12Z2024-09-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdf7° Congreso Argentino de Ingeniería (CADI)https://ria.utn.edu.ar/handle/20.500.12272/11731spaCCECARE0008396TCPredicción 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 abierto2024-09-26reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:54Zoai:ria.utn.edu.ar:20.500.12272/11731instacron: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 12:44:54.883Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
title Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
spellingShingle Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
Vázquez, Raimundo
Detección de peatones
Sensores LIDAR
Deep learning
title_short Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
title_full Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
title_fullStr Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
title_full_unstemmed Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
title_sort Implementación de sistemas de detección de peatones para vehículos utilizando sensores LIDAR y deep learning
dc.creator.none.fl_str_mv Vázquez, Raimundo
Gramajo, Sergio
Marighetti, Jorge Omar
Torres, Carlos
Robledo Sanchez, Alberto Andrés
author Vázquez, Raimundo
author_facet Vázquez, Raimundo
Gramajo, Sergio
Marighetti, Jorge Omar
Torres, Carlos
Robledo Sanchez, Alberto Andrés
author_role author
author2 Gramajo, Sergio
Marighetti, Jorge Omar
Torres, Carlos
Robledo Sanchez, Alberto Andrés
author2_role author
author
author
author
dc.subject.none.fl_str_mv Detección de peatones
Sensores LIDAR
Deep learning
topic Detección de peatones
Sensores LIDAR
Deep learning
dc.description.none.fl_txt_mv El desarrollo de sistemas de detección de peatones para vehículos representa un avance crucial en la seguridad vial y la integración de tecnologías de vanguardia en la industria automotriz. Este trabajo propone una solución innovadora que combina la capacidad del sensor LIDAR con archivos del tipo bag, con el objetivo de detectar peatones y diferenciar entre zonas de peligro y no peligro para el vehículo. La integración de datos obtenidos del sensor LIDAR con archivos bag abre nuevas posibilidades para mejorar la precisión y eficacia de los sistemas de detección de peatones. La utilización de archivos bag permite capturar datos en tiempo real en diversas condiciones de conducción, lo que facilita la recopilación de información relevante para el desarrollo y entrenamiento de modelos de detección. Mediante una serie de mediciones, se establecen situaciones de peligro y no peligro, donde se demuestra que los peatones en la vereda no representan una amenaza para el vehículo en movimiento, mientras que aquellos que cruzan la trayectoria del automóvil sí lo son. Los datos recopilados se transforman en archivos csv y se utilizan para entrenar un modelo de clasificación basado en redes neuronales del tipo Deep Learning. La evaluación de la efectividad del predictor se realiza mediante el análisis de la curva ROC, lo que proporciona una medida objetiva del rendimiento del sistema de detección propuesto. Los resultados obtenidos demuestran la viabilidad y eficacia del enfoque propuesto, destacando su potencial para mejorar la seguridad vial y reducir los accidentes relacionados con peatones.
Fil: Vázquez, Raimundo. 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: Marighetti, Jorge Omar. 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: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
description El desarrollo de sistemas de detección de peatones para vehículos representa un avance crucial en la seguridad vial y la integración de tecnologías de vanguardia en la industria automotriz. Este trabajo propone una solución innovadora que combina la capacidad del sensor LIDAR con archivos del tipo bag, con el objetivo de detectar peatones y diferenciar entre zonas de peligro y no peligro para el vehículo. La integración de datos obtenidos del sensor LIDAR con archivos bag abre nuevas posibilidades para mejorar la precisión y eficacia de los sistemas de detección de peatones. La utilización de archivos bag permite capturar datos en tiempo real en diversas condiciones de conducción, lo que facilita la recopilación de información relevante para el desarrollo y entrenamiento de modelos de detección. Mediante una serie de mediciones, se establecen situaciones de peligro y no peligro, donde se demuestra que los peatones en la vereda no representan una amenaza para el vehículo en movimiento, mientras que aquellos que cruzan la trayectoria del automóvil sí lo son. Los datos recopilados se transforman en archivos csv y se utilizan para entrenar un modelo de clasificación basado en redes neuronales del tipo Deep Learning. La evaluación de la efectividad del predictor se realiza mediante el análisis de la curva ROC, lo que proporciona una medida objetiva del rendimiento del sistema de detección propuesto. Los resultados obtenidos demuestran la viabilidad y eficacia del enfoque propuesto, destacando su potencial para mejorar la seguridad vial y reducir los accidentes relacionados con peatones.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-02T20:44:12Z
2024-09-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv 7° Congreso Argentino de Ingeniería (CADI)
https://ria.utn.edu.ar/handle/20.500.12272/11731
identifier_str_mv 7° Congreso Argentino de Ingeniería (CADI)
url https://ria.utn.edu.ar/handle/20.500.12272/11731
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
2024-09-26
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
2024-09-26
dc.format.none.fl_str_mv pdf
application/pdf
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_ 1877230890357096448
score 13.24418

Publicaciones similares