Diseño e implementación de entorno de modelado de sensor LiDAR utilizando técnicas de computación gráfica para la generación de datos sintéticos aplicado a navegación autónoma

En los últimos años, el área de la investigación y el desarrollo de los vehículos au- tónomos tuvo un gran auge debido a su impacto en los sectores económicos, culturales y ambientales. La detección y el seguimiento de obstáculos en las carreteras es una de las tareas críticas a resolver en el área de la navegación autónoma. Para solucionar esta tarea, los modelos basados en el aprendizaje supervisado, utilizando datos prove- nientes de sensores LiDAR, han sido uno de los enfoques más ampliamente utilizados. Sin embargo, esta solución presenta algunas dificultades en su implementación por la dificultad que conlleva generar enormes cantidades de datos etiquetados para poder entrenar de manera correcta los modelos de aprendizaje automático. Es por ello, que este trabajo tiene como base el interés de investigar y desarrollar aportes para afrontar este problema. En el presente proyecto se desarrolló un modelado de sensor LiDAR utilizando el motor Unreal Engine 4 sobre el simulador CARLA configurable que considera múltiples reflexiones del haz de luz, la divergencia del haz, el ángulo de incidencia en el obstáculo impactado y su material para calcular la intensidad del haz recibido y su retardo temporal en el receptor. Además, el modelado tiene la capacidad de generar datos de tres maneras: nube de puntos etiquetadas, señal temporal y la distancia de los impactos de cada canal del sensor LiDAR. Las nubes de puntos permiten generar base de datos directas para el entrenamiento de redes neuronales o algoritmos de procesamiento. La señal temporal y la distancia de los impactos puede utilizarse para el desarrollo de algoritmos de procesamiento de señales a nivel del receptor del sensor LiDAR. Se evaluó su desempeño a través de dos enfoques: el entrenamiento de modelos de redes neuronales con el agregado de datos sintéticos y la comparación de los datos generados por el modelado respecto a los datos de un LiDAR real. En el primer enfoque, se realizó el entrenamiento de varios modelos diferentes de detección de objetos con nubes de puntos obteniendo mejoras en la detección de hasta 10 %. En el segundo enfoque, se utilizó un LiDAR real Veodyne VLP-16 en un entorno conocido modelado en 3D y el error máximo entre los puntos fue de 2.63 cm, por debajo del error propio del sensor según su fabricante.

Author dc:creator

• Borgnino, Leandro

Advisor dc:contributor.advisor

• Delrieux, Claudio Augusto

• Inteligencia artificial
• Robótica

Statement dc:rights

• Reconocimiento-NoComercial 4.0 (CC BY-NC 4.0)

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc/4.0/

Language dc:language.iso

spa

Dc Identifier Other

2025-1979bo

OAI identifier oai:identifier

oai:repositorio.bc.uns.edu.ar:123456789/7547