1
00:00:11,860 --> 00:00:12,642
[Orador 1]: Hola, buenas tardes.

2
00:00:12,842 --> 00:00:17,509
Mi nombre es Miguel Clavijo y hoy estoy
aquí para hablar un poco de la temática de

3
00:00:17,509 --> 00:00:22,234
mi tesis, que básicamente lo que se trata
es de estimar la trayectoria que sigue un

4
00:00:22,234 --> 00:00:25,346
vehículo autónomo utilizando técnicas de
Deep Learning.

5
00:00:25,546 --> 00:00:30,418
Para poner un poco en situación, la
mayoría de nosotros conducimos un vehículo

6
00:00:30,418 --> 00:00:35,354
cotidianamente y no somos conscientes de
todas las tareas que esto involucra al

7
00:00:35,354 --> 00:00:36,339
mismo tiempo.

8
00:00:36,539 --> 00:00:40,724
Todas estas técnicas se basan en la
experiencia que nosotros tenemos como

9
00:00:40,724 --> 00:00:41,945
conductores, ¿verdad?

10
00:00:42,145 --> 00:00:47,245
Y desde el punto de vista de la conducción
autónoma es un gran reto pasar este

11
00:00:47,245 --> 00:00:51,485
conocimiento basado en la experiencia a
que lo haga un ordenador.

12
00:00:51,685 --> 00:00:56,633
Una de las mejores herramientas que
tenemos hoy en día es la técnica de Deep

13
00:00:56,633 --> 00:01:01,319
Learning, en concreto la de la
introducción de las redes de convolución.

14
00:01:01,519 --> 00:01:05,852
Esta red de convolución se está utilizando
para el reconocimiento de imágenes y en

15
00:01:05,852 --> 00:01:09,170
concreto para sacar obstáculos, para ver
el camino viable, etc.

16
00:01:09,370 --> 00:01:15,246
También podemos, a partir de esto,
resolver problemas de regresión, sacar una

17
00:01:15,246 --> 00:01:20,122
señal continua y en mi caso sería la
trayectoria del vehículo.

18
00:01:20,322 --> 00:01:26,322
Esto es importante, tener una precisión
del vehículo en todo momento, porque desde

19
00:01:26,322 --> 00:01:32,322
el punto de vista de la seguridad del
vehículo, siempre tenemos que tener un

20
00:01:32,322 --> 00:01:41,084
posicionamiento y que este posicionamiento
no dependa siempre del GPS.

21
00:01:41,284 --> 00:01:49,350
El GPS puede que nos falle, que no
tengamos esa señal o que no...

22
00:01:49,550 --> 00:01:54,681
o que no tenga señal o que no dé una
precisión centimétrica.

23
00:01:54,881 --> 00:01:58,650
Este sería el objetivo de mi tesis.

24
00:01:58,850 --> 00:02:03,981
Para ello, para calcular una trayectoria,
existe un algoritmo que se llama SLAM.

25
00:02:04,181 --> 00:02:09,212
SLAM, lo vamos a ver ahora, significa
Simultaneous Localization and Mapping.

26
00:02:09,412 --> 00:02:13,335
Esto quiere decir que un entorno que a
priori es desconocido va muy

27
00:02:13,335 --> 00:02:17,676
incrementalmente sacando este mapa de tal
manera que siempre obtengamos la

28
00:02:17,676 --> 00:02:22,194
trayectoria de los seis grados de libertad
del vehículo y el mapa del entorno.

29
00:02:22,394 --> 00:02:28,014
Este mapa del entorno tendrá información
sobre si un vehículo tiene un accidente

30
00:02:28,014 --> 00:02:31,169
delante, si un carril ha sido cortado,
etc.

31
00:02:31,369 --> 00:02:33,933
Existen varias formas de hacer SLAM.

32
00:02:34,133 --> 00:02:38,622
Uno de ellos, los algoritmos que se llaman
Visual SLAM, lo que quiere decir es que a

33
00:02:38,622 --> 00:02:42,896
partir de los sensores de percepción del
entorno que tiene el vehículo, lo vamos

34
00:02:42,896 --> 00:02:46,845
agarrando a lo que se llama puntos
característicos, landmarkings, y viendo

35
00:02:46,845 --> 00:02:49,442
estos puntos característicos a través del
tiempo,

36
00:02:49,642 --> 00:02:52,728
podemos ir calculando una trayectoria
relativa del vehículo.

37
00:02:52,928 --> 00:02:56,295
¿Cuál es el mayor problema de estos
algoritmos?

38
00:02:56,495 --> 00:03:00,504
Que no corren en tiempo real debido a,
entre otras cosas, la carga computacional

39
00:03:00,504 --> 00:03:04,157
y, por otro lado, un proceso de
optimización interactivo que es de bundle

40
00:03:04,157 --> 00:03:05,157
adjustment.

41
00:03:05,132 --> 00:03:07,457
¿Qué es lo que queremos conseguir?

42
00:03:07,657 --> 00:03:10,603
A partir de la técnica de Deep Learning,

43
00:03:10,803 --> 00:03:15,530
sacar una primera aproximación bastante
precisa y ayudar a la convergencia de este

44
00:03:15,530 --> 00:03:16,639
tipo de algoritmos.

45
00:03:16,839 --> 00:03:21,244
El primer enfoque que nosotros tenemos ha
sido utilizar en un vehículo automatizado,

46
00:03:21,244 --> 00:03:22,196
en el INSEAD,

47
00:03:22,396 --> 00:03:27,257
donde a partir de un sensor láser 3D que
ponemos en el techo del vehículo, esta

48
00:03:27,257 --> 00:03:31,931
información 3D de todo el entorno la
proyectamos sobre imágenes y creando lo

49
00:03:31,931 --> 00:03:36,854
que son unos mapas de profundidad, dar
estas imágenes a un modelo que se basa en

50
00:03:36,854 --> 00:03:38,039
red de convolución.

51
00:03:38,239 --> 00:03:42,987
Esta red de convolución haría la
estimación de los 6 grados de libertad de

52
00:03:42,987 --> 00:03:44,589
la trayectoria del vehículo,

53
00:03:44,789 --> 00:03:49,506
Y por tanto, finalmente, ayudar a la
convergencia de los algoritmos de SLAM que

54
00:03:49,506 --> 00:03:50,484
veíamos antes.

55
00:03:50,684 --> 00:03:54,934
Nada más, eso es en principio lo que
queremos conseguir y muchas gracias.