Resumen

Los defectos del firme de las carreteras son problemas cruciales para la seguridad y la fluidez del tráfico. Debido a los cambios climáticos, la baja calidad de los materiales de construcción, el gran flujo de tráfico y los vehículos pesados, las anomalías del firme aumentan rápidamente. La detección y reparación de estos defectos son necesarias para la seguridad de los conductores, los pasajeros y los vehículos frente a los fallos mecánicos. En esta era moderna, los vehículos autónomos son un área de investigación activa que se controla a sí misma con la ayuda de sensores en el vehículo sin comandos humanos, especialmente después de la aparición de técnicas de aprendizaje profundo (DNN). Una combinación de sensores y técnicas DNN puede ser útil para los vehículos no tripulados para la percepción de su entorno para la detección de pistas y obstáculos para viajar sin problemas basado en el despliegue de la inteligencia artificial en los vehículos. Uno de los mayores retos para los vehículos autónomos es evitar los defectos críticos de la carretera que pueden conducir a situaciones peligrosas. Para resolver los problemas de accidentes y compartir información de emergencia, el Sistema de Transporte Inteligente (ITS) introdujo el concepto de red vehicular denominada red ad hoc vehicular (VANET) para lograr la seguridad en un flujo de tráfico. Se propone un mecanismo novedoso para la detección automática de anomalías en la carretera por parte de los vehículos autónomos y para proporcionar información sobre la carretera a los vehículos que se aproximan, basado en Edge AI y VANET. Las imágenes de la carretera capturadas a través de la cámara y el despliegue del modelo entrenado para la detección de anomalías en la carretera en un vehículo podrían ayudar a reducir la tasa de accidentes y el riesgo de peligros en las malas condiciones de la carretera. Las técnicas Residual Convolutional Neural Network (ResNet-18) y Visual Geometry Group (VGG-11) se aplican para la detección y clasificación automática de la carretera con anomalías como un bache, un bache, una grieta, y carreteras lisas sin anomalías utilizando el conjunto de datos de diferentes fuentes en línea. Los resultados muestran que los modelos aplicados se comportan mejor que otras técnicas utilizadas para la identificación de anomalías en las carreteras.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:vehículo autónomo, detección automática, red neuronal convolucional, malas condiciones de la carretera, diferentes fuentes en línea, vehículo, riesgo de peligro, área de investigación activa, defectos de la superficie de la carretera, técnicas convolucionales residuales
• Keywords:autonomous vehicle, automatic detection, convolutional neural network, poor road conditions, different online source, vehicle, risk of hazard, active research area, road surface defects, techniques residual convolutional