Sistema automovilístico para predecir la trayectoria de vehículos circundantes

La mejora de los sistemas de conducción autónoma y de los sistemas avanzados de asistencia al conductor (ADAS) depende en gran medida de la predicción precisa de la trayectoria de los vehículos. Esta investigación se centra en desarrollar un método robusto para predecir las trayectorias de los vehículos circundantes aprovechando técnicas de aprendizaje automático y redes neuronales. El estudio integra datos de sensores a bordo, comunicación vehículo a vehículo (V2V), cámaras, LiDAR y GPS diferencial (DGPS) para mejorar la precisión y fiabilidad de las previsiones de trayectoria. Los enfoques tradicionales, basados principalmente en modelos físicos, quedan cortos en escenarios de conducción complejos debido a su dependencia de parámetros de movimiento uniformes. El enfoque investigado aborda estas limitaciones empleando algoritmos separados para predecir las posiciones longitudinales y laterales, mejorando así la seguridad y reduciendo los riesgos de colisión. Los algoritmos implementados se probaron inicialmente en datos simulados, confirmando su funcionalidad. Los pasos futuros implican la recopilación y preparación de datos del mundo real para evaluar los algoritmos en diversas y complejas condiciones viales. Este documento sienta las bases para futuros desarrollos en sistemas de evitación de colisiones y resalta los beneficios potenciales de integrar sistemas de percepción avanzados para mejorar la percepción ambiental y la calidad de los datos. El método propuesto muestra promesas para mitigar accidentes de tráfico y optimizar el flujo vehicular, subrayando su importancia para futuras innovaciones automotrices.