Treffer: Desarrollo de un sistema de reconocimiento de señales de tránsito que permita la navegación autónoma nivel 2 de un robot móvil tipo Ackerman mediante el uso de visión por computador ; Development of a traffic sign recognition system that enables level 2 autonomous navigation of an Ackerman-type mobile robot through the use of computer vision

Desarrollo de un sistema de reconocimiento de señales de tránsito que permita la navegación autónoma nivel 2 de un robot móvil tipo Ackerman mediante el uso de visión por computador ; Development of a traffic sign recognition system that enables level 2 autonomous navigation of an Ackerman-type mobile robot through the use of computer vision

Carvajal Reyes, Miguel Ricardo, Contreras Salcedos, Carlos Daniel

Maradey Lázaro, Jessica Gissella, González Acuña, Hernán, González Acuña, Hernán 0000774774, Maradey Lázaro, Jessica Gissella 0000040553, González Acuña, Hernán es&oi=ao, González Acuña, Hernán 0009-0001-0711-8170, Maradey Lázaro, Jessica Gissella 000-0003-2319-1965, Maradey Lázaro, Jessica Gissella Jessica_Maradey_Lazaro, González Acuña, Hernán hernán-gonzález-acuña, Maradey Lázaro, Jessica Gissella jessica-gissella-maradey-lazaro-2, Maradey Lázaro, Jessica Gissella jessica-gissella-maradey-lazaro-b7831445

Universidad Autónoma de Bucaramanga UNAB
Facultad Ingeniería
Pregrado Ingeniería Mecatrónica
IMK-1789

2025

Mechatronic, Raspberry pi, Ackerman, Self driving car, signal recognition, Technological innovations, Prototype development, Programming (Electronic Computers), Embedded computer systems, Cooperating objects (Computer systems), Mecatrónica, Innovaciones tecnológicas, Desarrollo de prototipos, Programación (Computadores electrónicos), Sistemas de computador embebidos, Objetos cooperantes (Sistemas de computador), Carro Autónomo, Reconocimiento de señales

Colombia, UNAB Campus Bucaramanga

Dissertation bachelor thesis

application/pdf

Spanish; Castilian

KILIYEN, N. A.; LEMNARIU, R. F.; MOIS, G. D.; CHEN, B. T.; MORRIS, Y.; MUNTEAN, I. The IEEE ITSS and Bosch Future Mobility Challenge: A hands-on start to autonomous driving [Technical activities]. IEEE Intelligent Transportation Systems Magazine, v. 13, n. 3, p. 276–282, sep. 2021. DOI:10.1109/MITS.2021.3081939.; IEEE. 2018 IEEE International Conference on Electro/Information Technology (EIT): 3-5 May 2018. 2018.; IEEE. 2020 17th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology. 2020.; FARKH, R.; QUASIM, M. T.; AL JALOUD, K.; ALHUWAIMEL, S.; SIDDIQUI, Y. S. T. Computer vision-control-based CNN-PID for mobile robot. Computers, Materials & Continua, v. 68, n. 1, p. 1065–1079, mar. 2021. DOI:10.32604/cmc.2021.016600.; SYNOPSYS. Los 6 niveles de autonomía del vehículo explicados. [en línea]. Disponible en: https://www.synopsys.com/blogs/chip-design/autonomous-driving-levels.html. Consultado: 29 ago. 2024.; SHIVAYOGI, A. B.; DHARMENDRA, N. C. M.; RAMAKRISHNA, A. M.; SUBRAMANYA, K. N. Real-time traffic sign recognition using deep learning. Pertanika Journal of Science & Technology, v. 31, n. 1, p. 137–148, ene. 2023. DOI:10.47836/pjst.31.1.09.; BARAHONA, A.; RIOS, K.; GAVILANES, J.; GAVILANES, J. Development of an Ackermann-type mobile platform for the validation of autonomous navigation algorithms within the ESPOCH campus. ESPOCH Congresses: The Ecuadorian Journal of S.T.E.A.M., v. 2, n. 4, p. 160-1173–160–1173, ago. 2022. DOI:10.18502/espoch.v2i4.11744.; FARKH, R.; ALJALOUD, K. Vision navigation based PID control for line tracking robot. Intelligent Automation and Soft Computing, v. 35, n. 1, p. 901–911, 2023. DOI:10.32604/iasc.2023.027614.; CHANG, B. R.; TSAI, H. F.; HSIEH, Y. C. W. Accelerating the response of self-driving control by using rapid object detection and steering angle prediction. Electronics (Switzerland), v. 12, n. 10, may 2023. DOI:10.3390/electronics12102161.; Evaluación de rendimiento de YOLOv5 y algoritmos de seguimiento en una Jetson Nano 2GB.; SILVA LOZADA, Brayan Ricardo. Diseño e implementación de un algoritmo para la segmentación del carril en carretera que permita el manejo autónomo de un robot móvil usando visión por computador. Bucaramanga: Universidad Autónoma de Bucaramanga, 2024.; Zhang, Y., & Wang, Q. (2018). Advances in Vision-Based Lane Detection: Algorithms, Integration, and Evaluation. IEEE/CAA Journal of Automatica Sinica, 5(3), 485–497.; M. Benidir, A. Ayoub y B. Bouzouane, "Design of a Smart Car with Traffic Signal Recognition and Vehicle Control", International Journal of Advanced Computer Science and Applications (IJACSA), vol. 10, no. 8, pp. 387-392, 2019.; SOLANA, P. Las máquinas toman el control: efectos neurocognitivos de la conducción automatizada sobre la atención y cómo hacerles frente. 2021. DOI:10.5281/zenodo.4515246.; DÍEZ RAMÍREZ, A. Conducción autónoma: estudio del estado del arte, impacto sobre la movilidad y desarrollo de simulador de tráfico. 2018.; VÍCTOR, R.; BARRIENTOS, S.; JOSÉ, R.; GARCÍA, S.; RAMÓN, S.; ORTIGOZA. Robots móviles: evolución y estado del arte. Polibits, 2007.; YESID, A.; ARDILA, M.; FRANCISCO, W. Sistema de reconocimiento autónomo de maduración de frutos de cacao mediante la técnica de visión artificial. Bucaramanga, 2019.; ENCISO SALAS, Luis Miguel. Diseño de un sistema de navegación autónomo para robots móviles usando fusión de sensores y controladores neuro difusos. Lima: Pontificia Universidad Católica del Perú, 2015. (Maestría en Ingeniería de Control y Automatización).; PÉREZ PÉREZ, J. Fernando; POR, A.; ODILIO, I. B.; MÉNDEZ, A. Diseño e implementación de un prototipo de vehículo autónomo desarrollado a partir de algoritmo de visión computarizada, redes neuronales y sensores. Guatemala, jul. 2021.; EDUTOOLS. OpenCV. [en línea]. Disponible en: https://edutools.tec.mx/es/colecciones/tecnologias/opencv. Consultado: 28 ago. 2024.; GOOGLE CLOUD. ¿Qué es el aprendizaje automático? Tipos y usos. [en línea]. Disponible en: https://cloud.google.com/learn/what-is-machine-learning?hl=es-419. Consultado: 29 ago. 2024.; CIENCIA COGNITIVA. En qué consiste el aprendizaje automático (machine learning) y qué está aportando a la neurociencia cognitiva. [en línea]. Disponible en: https://www.cienciacognitiva.org/?p=1697. Consultado: 29 ago. 2024.; JHAN, G.; ARTEAGA, P. R. Aplicación del aprendizaje profundo (‘deep learning’) al procesamiento de señales digitales. Santiago de Cali: Universidad Autónoma de Occidente, Facultad de Ingeniería, Departamento de Automática y Electrónica, Programa de Ingeniería Mecatrónica, 2015.; MICROSOFT AZURE. ¿Qué es el aprendizaje profundo? [en línea]. Disponible en: https://azure.microsoft.com/es-es/resources/cloud-computing-dictionary/what-is-deep-learning. Consultado: 29 ago. 2024.; PILOTO RODRÍGUEZ, R. Redes neuronales artificiales. Conceptos básicos y algunas aplicaciones en energía. 2017.; GÓMEZ SILVA, Leidy Daniela. Implementación de un sistema de visión artificial de detección y. Bucaramanga: Universidad Autónoma de Bucaramanga, 2023.; SAÚL, D.; RANEROS, R.; ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN. Universidad de Valladolid: estudio de la arquitectura YOLO para la detección de objetos mediante deep learning.; TECNOLOGÍA EDUCATIVA UNAN – MANAGUA. Algoritmo A estrellas (A*). [en línea]. Disponible en: https://aeia.home.blog/algoritmo-a-estrellas-a/. Consultado: 29 ago. 2024.; A. Ollero, Robótica manipuladores y robots móviles, Primera edición. 2001.; “Kit de chasis de coche inteligente con rueda Mecanum y brazo robótico para robot ROS”. Yahboom. Accedido el 5 de mayo de 2025.; A. Fezari, "Introducing the Raspberry Pi 5: A Leap in Performance and Capabilities," Hackster.io, Oct. 02, 2023.; A. Süzen, B. Duman, y B. Şen, “Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN”, Isparta, 2020.; OpenCV, “Smoothing Images”, OpenCV documentation . Consultado: el 11 de marzo de 2023.; X. Cao, D. Liu, y X. Ren, “Detection method for auto guide vehicle’s walking deviation based on image thinning and Hough transform”, Measurement and 102 Control (United Kingdom), vol. 52, núm. 3–4, pp. 252–261, mar. 2019.; P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proc. IEEE Computer Society Conf. Computer Vision and Pattern Recognition (CVPR), 2001.; https://hdl.handle.net/20.500.12749/31913; reponame:Repositorio Institucional UNAB; repourl:https://repository.unab.edu.co

https://hdl.handle.net/20.500.12749/31913

http://creativecommons.org/licenses/by-nc-nd/2.5/co/ ; Abierto (Texto Completo) ; info:eu-repo/semantics/openAccess ; Atribución-NoComercial-SinDerivadas 2.5 Colombia

edsbas.D951BF64

BASE