Sistema avanzado de asistencia a la conducción para entornos interurbanos

Los Sistemas de Asistencia a la Conducción, conocidos como ADAS (Advanced Driver Assistant Systems), desde su aparición en el año 2000, han permitido que las cifras de muertes en accidentes de tráfico disminuyan hasta 8.7 por cada 100.000 habitantes, según la OMS (Organización Mundial de la Salud), en su informe anual 2013. Esta tendencia se ha dado en economías de alto ingreso a pesar del crecimiento sostenido en las últimas dos décadas del parque automotor a nivel mundial. Algunos de los dispositivos ADAS más conocidos como la alerta por salida de carril, LDW (Lane Departure Warning), el asistente para mantenimiento de carril, LKA (Lane Keeping Assistance) o el asistente para cambio de carril, LCA (Lane Change Assistance), han hecho de la conducción una tarea cada vez más segura. La presente investigación doctoral propone un sistema ADAS diseñado para entornos de carretera tipo autopista interurbana, que clasifica carriles según la norma Española IC 8.2. La información visual se obtiene por medio de una cámara estéreo, con la cual es posible auto-calibrar los parámetros extrínsecos en tiempo de aplicación, para cambiar la perspectiva de las imágenes a vista superior o bird view, alcanzando una precisión de decimas de grado en orientación y mil ‘sismas de metro en posición vertical. El funcionamiento del ADAS propuesto para la plataforma IVVI 2.0 (Intelligent Vehicle Based on Visual Information) del laboratorio de Sistemas Inteligentes de la Universidad Carlos III, se compone de cuatro fases. En la primera fase se simplifica la imagen filtrando los objetos que cumplen las características propias de las marcas viales, restringiendo la búsqueda a la zona de la imagen coincidente con el plano tierra. En la segunda fase, el procesamiento continua con la detección de los elementos constitutivos de la carretera, las líneas de carril y los correspondientes carriles que se forman con ellas. Posteriormente, en la tercera fase se realiza la detección parcial o total de la carretera, que corresponde con la búsqueda de carriles adyacentes en el espacio. En la última fase, con las detecciones parciales o totales de carretera, formadas por una cadena de carriles, se aplica un proceso de casamiento carril a carril, para actualizar en el tiempo una cadena final completa, que tendrá la cualidad de rechazar oclusiones y errores por sombras y cambios de iluminación. Finalmente, se aborda el estudio de cómo aplicar aprendizaje de maquina en la estructura ADAS desarrollada, logrando buenos resultados en la segmentación de marcas viales sobre carreteras donde las líneas se han degradado visualmente, en esta fase, sobre una secuencia de referencia de 75 imágenes, se observó como con el uso de un clasificador basado en máquinas de soporte vectorial, SVM (Support Vector Machine), logro la segmentación de marcas viales con un índice de sensibilidad de 70 %, 44% por encima del siguiente mejor método analizado. Asímismo, al integrar la estrategia SVM para detección de marcas viales en el algoritmo general ADAS propuesto, se obtuvo una mejora en la detección de líneas viales hasta de un 83% en relación al 77% obtenido en la versión desarrollada inicialmente sin aprendizaje de máquina.The Advanced Driver Assistant Systems, ADAS, have allowed to reduce deaths on the road up to 8.7 per 100.000 inhabitants since they were presented at the first time in the year 2000, according to World Health Organization, WHO, in its Global status report on road safety 2013. This is a trend that is characteristic of the high-income economies beside the continuous automotive fleet growing in the last two decades. Some of the most well-known ADAS applications, such as LDW (Lane Departure Warning), LKA (Lane Keeping Assistance) or LCA (Lane Change Assistance), have made driving a safer task. This research proposes an ADAS application designed for interurban highways, classifying lanes according to the Spain standard IC 8.2. The visual information is captured from stereo camera, this camera retrives 3D information from the visual pattern. This makes it possible for the application to be self-tuning by automatically calculating its extrinsic parameters up to tenths of a degree accuracy for orientation and millimeters for camera’s height. This process allows to change the perspective of the images to bird view in application time. The proposed ADAS was designed for the platform IVVI 2.0 (Intelligent Vehicle Based on Visual Information) from Intelligent Systems Lab at Carlos III University, is carried out in four stages. In the first one, the image is simplified by filtering objects that meet the road markings features, limiting the search area to the ground plane. In the second stage, the detection of the basic elements of the road is made, i.e. the road lines and the lanes formed by them. Subsequently, the partial or total road detection is performed by the search of adjacent lanes. In the last stage, a matching process is applied lane by lane, updating in real time a composed final chain, the complete lane chain has the ability to discard errors caused by occlusions and mismatches due to shadows and lighting changes. Finally, feasibility study is presented for machine learning usability in the ADAS application developed, achieving good results in the segmentation of road markings on highways where lines have been deteriorated and in the classification of lane’s lines. The road mark segmentation results, obtained over a secuence of 75 images and applying SVM (Support Vector Machine) classifier, exhibit a sensibility rate of 70 %, 44% above the next better method analyzed. Furthermore, by integrating the SVM strategy to detection of road markings in the proposed general algorithm, an improvement in the road lines detection was obtained, reaching to 83 %, considerable higher than the 77% obtained by the algorithm without Machine Learning.Programa Oficial de Doctorado en Ingeniería Eléctrica, Electrónica y AutomáticaPresidente: Pascual Campoy Cervera.- Secretario: Fernando García Fernández.- Vocal: Pedro Javier Navarro Lorent