Prototipo de sistema embebido para la detección de obstáculos mediante redes convolucionales profundas para su integración en un velero autónomo. Trabajo de grado

Abstract

RESUMEN : En los últimos años, la navegación autónoma ha logrado avances significativos, impulsada por avances en tecnologías como las redes neuronales convolucionales (CNN), las cámaras LiDAR y los sensores de alta frecuencia. Estos avances han despertado el interés de la comunidad científica y la industria marítima por su potencial para mejorar la eficiencia y seguridad del transporte marítimo. Este proyecto tiene como objetivo desarrollar un sistema integrado de detección de obstáculos utilizando redes convolucionales profundas para su aplicación en veleros autónomos. El sistema emplea técnicas de aprendizaje profundo para entrenar una CNN capaz de analizar datos de cámaras montadas en barcos, utilizando un cardán como plataforma de soporte de cámara digital e integrando un sensor LiDAR de un solo punto de bajo costo. El sistema propuesto aprovecha YOLOv8, una versión mejorada de la arquitectura YOLO (Solo miras una vez), para la detección de obstáculos en tiempo real en embarcaciones autónomas. Este sistema priorizará los objetos detectados en función de su proximidad mediante hiperparámetros, implementará un sistema de seguimiento que implica sincronización entre el cardán y la red neuronal para determinar la distancia del objeto y mapear su ubicación, todo dentro de un prototipo de bajo costo. El prototipo se probará en un ambiente controlado para evaluar el desempeño de la red entrenada mediante pruebas con embarcaciones a escala y obstáculos marítimos comunes como boyas y ramas. El enfoque que combina redes convolucionales profundas y sensores LiDAR para la detección de obstáculos es prometedor y proporciona una solución eficiente y rentable.

ABSTRACT : In recent years, autonomous navigation has made significant strides, driven by advancements in technologies such as convolutional neural networks (CNN), LiDAR cameras, and high-frequency sensors. These advancements have piqued the interest of the scientific community and the maritime industry for their potential to enhance the efficiency and safety of maritime transport. This project aims to develop an embedded obstacle detection system using deep convolutional networks for application in autonomous sailboats. The system employs deep learning techniques to train a CNN capable of analyzing data from cameras mounted on boats, utilizing a gimbal as a digital camera support platform, and integrating a low-cost single-point LiDAR sensor. The proposed system leverages YOLOv8, an enhanced version of the YOLO (You Only Look Once) architecture, for real-time obstacle detection in autonomous boats. This system will prioritize detected objects based on proximity using hyperparameters, implement a tracking system involving synchronization between the gimbal and the neural network to determine object distance and map their location, all within a low-cost prototype. The prototype will be tested in a controlled environment to evaluate the performance of the trained network through trials with scale boats and common maritime obstacles like buoys and branches. The approach combining deep convolutional networks and LiDAR sensors for obstacle detection is promising, providing an efficient and cost-effective solution compared to expensive radars and scanning LiDARs.