Automatización de la conducción de tranvías

[ES] En este trabajo hemos planteado un sistema para la automatización de una red de tranvías. La prueba de concepto cuenta con una simulación hecha con el motor gráfico Unity que consta de un tranvía circulando en un circuito cerrado. El tranvía tiene simulado en su frontal un sensor Sick 2D LIDAR con una apertura de 190o , que registra diez veces por segundo una lectura de 190 puntos de colisión. Con estos datos hemos creado un tensor de 190 elementos compuestos por la distancia relativa al vehículo y el ángulo del punto de incidencia respecto al circuito del tranvía. A cada una de estas lecturas le hemos asignado una clase, 0 ó 1, siendo 0 parar y 1 acelerar. Hemos recopilado muestras de forma orgánica, simulando ser un conductor humano y recorriendo el circuito mientras se van registrando lecturas y asignándole la clase según estemos acelerando o frenando. Una vez hemos recopilado una cantidad significtiva de muestras hemos entrenado una red neuronal profunda utilizando la implementación en Python por parte de TensorFlow de Keras, una API de alto nivel para entrenar modelos de aprendizaje profundo. Finalmente, con el modelo entrenado hemos conseguido predecir si hay una posible colisión y su probabilidad y actuar en consecuencia.[CA] En aquest treball hem plantejat un sistema per a l’automatització d’una xarxa de tramvies. La prova de concepte compta amb una simulació feta amb el motor gràfic Unity que consta d’un tramvia circulant en un circuit tancat. El tramvia té simulat en el seu frontal un sensor Sick 2D LIDAR amb una obertura de 190o , que registra deu vegades per segon una lectura de 190 punts de col·lisió. Amb aquestes dades hem creat un tensor de 190 elements compostos per la distància relativa al vehicle i l’angle del punt d’incidència respecte al circuit del tramvia. A cadascuna d’aquestes lectures li hem assignat una classe, 0 o 1, sent 0 parar i 1 accelerar. Hem recopilat mostres de forma orgànica, simulant ser un conductor humà i recorrent el circuit mentre es van registrant lectures i asignant-li la classe segons estiguem accelerant o frenant. Un cop hem recopilat una quantitat significant de mostres hem entrenat una xarxa profunda utilitzant la implementació en Python per part de TensorFlow de Keras, una API d’alt nivell per entrenar models d’aprenentatge profund. Finalment, amb el model entrenat hem aconseguit predir si hi ha una possible col·lisió i la seva probabilitat i actuar en conseqüència.[EN] In this work we have proposed a system for the automation of a tram network. The proof of concept has a simulation made with the Unity graphic engine that consists of a tram traveling in a closed circuit. The streetcar has a simulated Sick 2D LIDAR sensor at the front with an opening of 190o , which records a reading of 190 collision points ten times per second. With this data we have created a tensor of 190 elements composed of the relative distance to the vehicle and the angle of the point of incidence with respect to the tram circuit. To each of these readings we have assigned a class, 0 or 1, being 0 stop and 1 accelerate. We have collected samples organically, pretending to be a human driver and traveling the circuit while recording readings and assigning the class as we accelerate or slow down. Once we have collected a significant amount of samples we have trained a deep neural network using the implementation in Python by Keras TensorFlow, a high level API to train deep learning models. Finally, with the trained model we have been able to predict if there is a possible collision and its probability and act accordingly.Carrión Peñalba, E. (2019). Automatización de la conducción de tranvías. http://hdl.handle.net/10251/12579