[Orador 1]: Hola, buenas tardes. Mi nombre es Miguel Clavijo y hoy estoy aquí para hablar un poco de la temática de mi tesis, que básicamente lo que se trata es de estimar la trayectoria que sigue un vehículo autónomo utilizando técnicas de Deep Learning. Para poner un poco en situación, la mayoría de nosotros conducimos un vehículo cotidianamente y no somos conscientes de todas las tareas que esto involucra al mismo tiempo. Todas estas técnicas se basan en la experiencia que nosotros tenemos como conductores, ¿verdad? Y desde el punto de vista de la conducción autónoma es un gran reto pasar este conocimiento basado en la experiencia a que lo haga un ordenador. Una de las mejores herramientas que tenemos hoy en día es la técnica de Deep Learning, en concreto la de la introducción de las redes de convolución. Esta red de convolución se está utilizando para el reconocimiento de imágenes y en concreto para sacar obstáculos, para ver el camino viable, etc. También podemos, a partir de esto, resolver problemas de regresión, sacar una señal continua y en mi caso sería la trayectoria del vehículo. Esto es importante, tener una precisión del vehículo en todo momento, porque desde el punto de vista de la seguridad del vehículo, siempre tenemos que tener un posicionamiento y que este posicionamiento no dependa siempre del GPS. El GPS puede que nos falle, que no tengamos esa señal o que no... o que no tenga señal o que no dé una precisión centimétrica. Este sería el objetivo de mi tesis. Para ello, para calcular una trayectoria, existe un algoritmo que se llama SLAM. SLAM, lo vamos a ver ahora, significa Simultaneous Localization and Mapping. Esto quiere decir que un entorno que a priori es desconocido va muy incrementalmente sacando este mapa de tal manera que siempre obtengamos la trayectoria de los seis grados de libertad del vehículo y el mapa del entorno. Este mapa del entorno tendrá información sobre si un vehículo tiene un accidente delante, si un carril ha sido cortado, etc. Existen varias formas de hacer SLAM. Uno de ellos, los algoritmos que se llaman Visual SLAM, lo que quiere decir es que a partir de los sensores de percepción del entorno que tiene el vehículo, lo vamos agarrando a lo que se llama puntos característicos, landmarkings, y viendo estos puntos característicos a través del tiempo, podemos ir calculando una trayectoria relativa del vehículo. ¿Cuál es el mayor problema de estos algoritmos? Que no corren en tiempo real debido a, entre otras cosas, la carga computacional y, por otro lado, un proceso de optimización interactivo que es de bundle adjustment. ¿Qué es lo que queremos conseguir? A partir de la técnica de Deep Learning, sacar una primera aproximación bastante precisa y ayudar a la convergencia de este tipo de algoritmos. El primer enfoque que nosotros tenemos ha sido utilizar en un vehículo automatizado, en el INSEAD, donde a partir de un sensor láser 3D que ponemos en el techo del vehículo, esta información 3D de todo el entorno la proyectamos sobre imágenes y creando lo que son unos mapas de profundidad, dar estas imágenes a un modelo que se basa en red de convolución. Esta red de convolución haría la estimación de los 6 grados de libertad de la trayectoria del vehículo, Y por tanto, finalmente, ayudar a la convergencia de los algoritmos de SLAM que veíamos antes. Nada más, eso es en principio lo que queremos conseguir y muchas gracias.