Deep Learning para la conducción autónoma en un circuito personalizado

Se estima que en los últimos años los accidentes de tránsito causan más de un millón de muertes en el mundo anualmente. Y entre el 70 y el 90 % de estos están provocados por el factor humano, siendo el resto causado por el factor técnico y medioambiental. Es por ello que se está invirtiendo y estudiando la inteligencia artificial aplicada a la conducción de los vehículos; conocidos como vehículos autónomos. Para conseguir una conducción autónoma, uno de los algoritmos que se aplica es el aprendizaje profundo, un algoritmo que forma parte del aprendizaje autónomo y trabaja de manera similar al cerebro humano: mediante redes neuronales. En este proyecto se aplica aprendizaje profundo para la autoconducción de un vehículo teledirigido, específicamente para que este sea capaz de cambiar de carril si en su trayecto hay líneas discontinuas. Los resultados del entrenamiento son; por una parte, los gráficos del error de entrenamiento y validación en función de las épocas, y, por otra parte, la evaluación de los modelos de manera pragmática, observando el funcionamiento de la conducción autónoma del vehículo. En el primer caso, el modelo muestra un funcionamiento válido si el error de entrenamiento de la última época es pequeño y si el error de verificación es menor a este. En el caso de obtener un error de verificación mayor, el modelo sufre un problema de sobreajustamiento. No obstante, se requiere también una evaluación visual de la conducción autónoma para confirmar la validez del modelo.