WEBVTT

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.