| dc.contributor | ISRAEL CRUZ VEGA | |
| dc.contributor | JOSE MARTINEZ CARRANZA | |
| dc.creator | DANIA ANDREA LARGO JAIMES | |
| dc.date | 2017-09 | |
| dc.date.accessioned | 2023-07-25T16:22:17Z | |
| dc.date.available | 2023-07-25T16:22:17Z | |
| dc.identifier | http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/783 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7806001 | |
| dc.description | Among the current challenges related to unmanned aerial vehicles is that of autonomous
navigation in GPS-denied environments. Forest is an example of a scenario
in which access to a conventional localisation system is not an option. On the other
hand, the performance of classic methods of location based on vision decays due to
the repeatability and ambiguity of the environment. Motivated by the above, in this
paper we propose an initial version of an autonomous
ight system based on vision.
To deal with the problem of the extraction of the characteristics in ambiguous environments,
a convolutional neural network was designed. The latter is capable of
generating the navigation commands of the drone from the visual information obtained
with an on-board frontal monocular camera. The system was tested in real time,
where the drone navigates autonomously through different forest scenarios and it was
considered successful when it travels without colliding with a tree. The results show
the effectiveness of the system and that in the 97.36% of the cases the
ight was successful. | |
| dc.description | Entre los retos actuales relacionados con los vehículos aéereos no tripulados (VANT) está la navegación autónoma en entornos sin acceso a GPS. Los bosques son un ejemplo de escenario en el que el acceso a un sistema de localización convencional no es posible. Por otro lado, el rendimiento de los métodos clásicos de localización basados en la visión decae debido a la repetibilidad y ambiguedad del entorno. Motivado por lo anterior, con este trabajo se diseña una versión inicial de un sistema de vuelo autónomo basado en visión. El procesamiento visual se realizó a través de una red neuronal convolucional profunda, la cual funciona como clasifícador de la escena vista desde del vehículo aéreo no tripulado y la cual a través de la abstracción de características complejas mapea a la salida los comandos de control del VANT. El sistema fue probado en tiempo real, donde el vehículo aéreo no tripulado navega de forma autónoma a través de diferentes escenarios forestales y se consideró exitoso cuando viaja sin colisionar con ningún árbol. Los resultados muestran la efectividad del sistema ya que en el 97.36% de los casos el vuelo tuvo éxito. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| dc.relation | citation:Largo-Jaimes D.A. | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
| dc.subject | info:eu-repo/classification/Redes neuronales convolucionales/Convolutional neural networks | |
| dc.subject | info:eu-repo/classification/Aprendizaje profundo/Deep learning | |
| dc.subject | info:eu-repo/classification/Vuelo autónomo/Autonomous flight | |
| dc.subject | info:eu-repo/classification/Dron/Dron | |
| dc.subject | info:eu-repo/classification/Detección de obstáculos/Obstacle detection | |
| dc.subject | info:eu-repo/classification/cti/1 | |
| dc.subject | info:eu-repo/classification/cti/22 | |
| dc.subject | info:eu-repo/classification/cti/2203 | |
| dc.subject | info:eu-repo/classification/cti/330793 | |
| dc.subject | info:eu-repo/classification/cti/330793 | |
| dc.title | Sistema de exploración en ambientes forestales basado en aprendizaje profundo | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
| dc.audience | students | |
| dc.audience | researchers | |
| dc.audience | generalPublic | |
