Contacto
Financiamiento
Categoría

Noticias

Carros Autónomos: Machine Learning aplicado a la automatización del manejo

Los algoritmos de aprendizaje automático (ML) ahora se utilizan ampliamente para encontrar soluciones a diferentes desafíos que van desde las predicciones del mercado financiero hasta los automóviles sin conductor.

Con la integración del procesamiento de datos del sensor en una unidad de control electrónico centralizada (ECU) en un automóvil, es imperativo aumentar el uso del aprendizaje automático para realizar nuevas tareas.

Las posibles aplicaciones incluyen la clasificación del escenario de conducción o la evaluación de la condición del conductor a través de la fusión de datos de diferentes sensores internos y externos, como cámaras, radares, lidar o Internet de las cosas.

Las aplicaciones que ejecutan el sistema de infoentretenimiento de un automóvil pueden recibir información de los sistemas de fusión de datos del sensor y tienen, por ejemplo, la capacidad de dirigir el vehículo a un hospital si detecta que algo anda mal con el conductor.

Esta aplicación basada en el aprendizaje automático también puede incorporar el gesto del conductor y el reconocimiento de voz, y la traducción del idioma.

Los algoritmos se pueden clasificar como un algoritmo supervisado y un algoritmo no supervisado. La diferencia entre los dos es cómo aprenden.

Tipos de algoritmos ML utilizados en Carros Autónomos

 

Según la técnica:

 

Los algoritmos supervisados ​​aprenden usando un conjunto de datos de entrenamiento, y continúan aprendiendo hasta que alcanzan el nivel deseado de confianza (minimización del error de probabilidad). Se pueden clasificar en clasificación, regresión y reducción de dimensión o detección de anomalías.

Los algoritmos no supervisados​​ intentan dar sentido a los datos disponibles.

Eso significa que un algoritmo desarrolla una relación dentro del conjunto de datos disponible para identificar patrones, o divide el conjunto de datos en subgrupos según el nivel de similitud entre ellos.

Los algoritmos no supervisados ​​se pueden clasificar en gran medida en el aprendizaje de reglas de asociación y asociación.

Ahora hay otro conjunto de algoritmos de aprendizaje automático llamados algoritmos de refuerzo, que se ubican en algún lugar entre el aprendizaje supervisado y el no supervisado.

En el aprendizaje supervisado, hay una etiqueta de destino para cada ejemplo de capacitación; en el aprendizaje no supervisado, no hay etiquetas en absoluto, y el aprendizaje de refuerzo tiene etiquetas dispersas y con retraso de tiempo.

Basado únicamente en esas recompensas, el agente debe aprender a comportarse en el entorno.

El objetivo en el aprendizaje de refuerzo es desarrollar algoritmos de aprendizaje eficientes, así como comprender los méritos y las limitaciones del algoritmo.

Esto se puede clasificar como aprendizaje directo y aprendizaje indirecto.

Una de las principales tareas de cualquier algoritmo de aprendizaje automático en el automóvil sin conductor es la representación continua del entorno y la predicción de posibles cambios en ese entorno. Estas tareas se dividen principalmente en cuatro subtareas:

 

  • Detección de objetos
  • Objeto Identificación o reconocimiento Clasificación de objeto
  • Localización de objetos y predicción de movimiento

 

Según su objetivo:

Los algoritmos de aprendizaje automático se pueden dividir en cuatro categorías: algoritmos de regresión, reconocimiento de patrones, algoritmos de clúster y algoritmos de matriz de decisión.

Una categoría de algoritmos de aprendizaje automático se puede usar para ejecutar dos o más subtareas diferentes.

Por ejemplo, los algoritmos de regresión se pueden utilizar para la detección de objetos, así como para la localización de objetos o la predicción de movimiento.

Te invitamos a leer lo siguiente: Blockchain: Guía básica – Casos de uso y beneficios

Algoritmos de regresión

Este tipo de algoritmo es bueno para predecir eventos. El análisis de regresión estima la relación entre dos o más variables, compara los efectos de las variables medidas en diferentes escalas y se basa principalmente en tres indicadores, a saber:

 

  • El número de variables independientes
  • El tipo de variables dependientes
  • La forma de la línea de regresión.

 

Los algoritmos de regresión aprovechan la repetibilidad del entorno para crear un modelo estadístico de la relación entre una imagen y la posición de un objeto dado en esa imagen.

El modelo estadístico se puede aprender sin conexión y proporciona una rápida detección en línea al permitir el muestreo de imágenes.

Además, puede extenderse a otros objetos sin requerir un amplio modelado humano.

Como salida a la etapa en línea, el algoritmo devuelve una posición del objeto y una confianza en la presencia del objeto.

Estos algoritmos también se pueden usar para aprendizaje largo, predicción corta.

Algoritmos de reconocimiento de patrones (Clasificación)

En ADAS (Asistente de manejo), las imágenes obtenidas a través de sensores poseen todo tipo de datos ambientales.

Se requiere filtrar las imágenes para reconocer las instancias de una categoría de objetos al descartar los puntos de datos irrelevantes.

Los algoritmos de reconocimiento de patrones son buenos para descartar estos puntos de datos inusuales.

El reconocimiento de patrones en un conjunto de datos es un paso importante antes de clasificar los objetos. Estos tipos de algoritmos también se pueden definir como algoritmos de reducción de datos.

  • Los segmentos de línea se alinean con los bordes hasta una esquina, luego se inicia un nuevo segmento de línea.
  • Los arcos circulares se ajustan a secuencias de segmentos de línea que se aproximan a un arco.

 

Agrupación

A veces, las imágenes obtenidas por el sistema no son claras y es difícil detectar y localizar objetos.

También es posible que los algoritmos de clasificación puedan perder el objeto y no clasificarlo e informarlo al sistema.

La razón podría ser imágenes de baja resolución, muy pocos puntos de datos o datos discontinuos.

Este tipo de algoritmo es bueno para descubrir estructuras de puntos de datos. Al igual que la regresión, describe la clase de problema y la clase de métodos.

Todos los métodos están relacionados con el uso de las estructuras inherentes en los datos para organizar mejor los datos en grupos de máxima coincidencia. El tipo de algoritmo más comúnmente utilizado es K-means, Multi-class Neural Network.

 

Algoritmos de matriz de decisión

Este tipo de algoritmo es bueno para identificar, analizar y calificar sistemáticamente el rendimiento de las relaciones entre conjuntos de valores e información.

Estos algoritmos se utilizan principalmente para la toma de decisiones.

Te invitamos a que revises los servicios que tenemos para ti como Avantek Tecnologia aquí