Control de vehículos en tiempo real mediante fusión de sensores en la nube de borde y perceptor basado en CNN

Área de la Ciencia:

• Sistemas de Transporte Inteligentes
• Computación de Borde
• Aprendizaje Profundo

Sus antecedentes:

• El control de vehículos en tiempo real es fundamental para los sistemas de transporte inteligentes, ya que depende del procesamiento rápido de datos de sensores para la percepción y la toma de decisiones.
• Los sistemas actuales enfrentan desafíos para adaptarse a las condiciones ambientales variables y garantizar la seguridad operativa.

Objetivo del estudio:

• Desarrollar un método híbrido de borde-nuve que integre el aprendizaje profundo con la fusión de sensores de Internet de las Cosas (IoT) para el control adaptativo de vehículos.
• Mejorar la detección de objetos, la predicción del tiempo de parada y el control de frenado en diversos escenarios de conducción.

Principales métodos:

• Se utilizaron datos de rango ultrasónico fusionados con redes neuronales convolucionales (CNN) para tareas de percepción.
• Se implementó una arquitectura híbrida de borde-nuve para el procesamiento y control.
• Se entrenó y evaluó el modelo CNN en condiciones de conducción normales y adversas simuladas en hardware de borde (Jetson Nano, Raspberry Pi).

Principales resultados:

• Se logró un alto rendimiento con R² = 0.99 (normal) y R² = 0.98 (condiciones adversas).
• Se registró un bajo error cuadrático medio (MSE) de 0.0085.
• Se demostró una baja latencia de inferencia (110-230 ms) adecuada para la implementación en borde en tiempo real.

Conclusiones:

• El enfoque híbrido de borde-nuve permite el control adaptativo de vehículos en tiempo real a través de la fusión de sensores IoT y la percepción basada en CNN.
• El sistema mejora la precisión de la predicción y la seguridad operativa en condiciones de conducción variables.
• Confirma la viabilidad de implementar aprendizaje profundo en dispositivos de borde de bajo costo para aplicaciones de transporte inteligente.