Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

PID2020-115734RB-C22

Financiado

GENERACION PROCEDURAL DE ESCENARIOS AUMENTADOS CON ANOTACION DE DATOS AUTOMATICA

EL DESARROLLO DE MODULOS DE CONDUCCION BASADOS EN INTELIGENCIA ARTIFICIAL (IA) PARA VEHICULOS AUTONOMOS (AVS) REQUIERE DEL ENTRENAMIENTO Y VALIDACION DE MODELOS DE PERCEPCION QUE PUEDAN INTERPRETAR Y REACCIONAR A DIFERENTES MODALI... ver más

01/01/2020

UDC

64K€

Presupuesto del proyecto: 64K€

Líder del proyecto

UNIVERSIDAD DE A CORUÑA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 86

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2020-01-01 No tenemos la información de la convocatoria

0% 100%

Participantes

UDC

Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

PTQ-09-01-00558 Estudio de modelos dinámicos vehiculares e integración dentr... Cerrado

PRE2021-099399 AGENTES REALES EN ENTORNOS VIRTUALES PARA SISTEMAS AUTONOMOS... 101K€ Cerrado

PTQ-09-02-01989 Desarrollo de un entorno completo para la simulación interac... 58K€ Cerrado

TIN2017-88709-R DESARROLLO DE AGENTES DE NAVEGACION AUTONOMOS 117K€ Cerrado

AUGMENTED REALITY FOR VEHICLE ARCHITECTURE AN... AUGMENTED REALITY FOR VEHICLE ARCHITECTURE AND VIRTUAL ASSES... 78K€ Cerrado

Líder del proyecto

UNIVERSIDAD DE A CORUÑA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 86

Presupuesto del proyecto 64K€

Descripción del proyecto EL DESARROLLO DE MODULOS DE CONDUCCION BASADOS EN INTELIGENCIA ARTIFICIAL (IA) PARA VEHICULOS AUTONOMOS (AVS) REQUIERE DEL ENTRENAMIENTO Y VALIDACION DE MODELOS DE PERCEPCION QUE PUEDAN INTERPRETAR Y REACCIONAR A DIFERENTES MODALIDADES DE INFORMACION SENSORIAL. UNA HIPOTESIS DE TRABAJO AMPLIAMENTE ACEPTADA, ES QUE ANTES DE PROBAR LOS AVS EN EL MUNDO REAL, EL ENTRENAMIENTO Y LA VALIDACION DE LOS MODULOS DE IA ES VIABLE, Y MUCHO MAS SEGURO, SI SE REALIZA PRIMERO DENTRO DE ENTORNOS VIRTUALES. EN EL MUNDO VIRTUAL, LA RECONSTRUCCION Y SIMULACION DE DIFERENTES ESCENARIOS DE CONDUCCION ES POSIBLE SIN QUE ELLO SUPONGA UN PELIGRO, POR CONTRA DE LO QUE SUCEDERIA EN EL MUNDO REAL.SIN EMBARGO, RECREAR ESTOS ESCENARIOS DE SIMULACION REQUIERE UN GRAN ESFUERZO EN TERMINOS DE CREACION DE CONTENIDO, SIENDO COMPARABLE A LOS VIDEOJUEGOS COMERCIALES O LAS PELICULAS DE ANIMACION. POR EJEMPLO, LOS GRANDES ESTUDIOS SUELEN CONTRATAR A CIENTOS DE PROFESIONALES PARA LA CREACION Y PROGRAMACION DE UN CONJUNTO LIMITADO DE NIVELES Y ESCENARIOS DE UN VIDEOJUEGO. POR TANTO, NO ES MUY PRACTICO ABORDAR EL PROBLEMA POR FUERZA BRUTA, YA QUE NECESITAMOS RECONSTRUIR GRANDES CANTIDADES DE ESCENARIOS Y DIFERENTES ECOSISTEMAS DE CIRCULACION. POR OTRO LADO, TODAVIA NO SABEMOS QUE NIVEL DE REALISMO SE NECESITA PARA ENTRENAR MODULOS SEGUROS DE PERCEPCION POR IA, PERO LO QUE SABEMOS CON CERTEZA ES QUE EXISTE UN PROBLEMA DE BRECHA DE DOMINIO EN LOS DATOS. POR TANTO, NUESTRO LIMITE SUPERIOR EN CUANTO A LA CALIDAD SIGUE SIENDO GENERAR DATOS LO MAS REALISTAS POSIBLE PARA REDUCIR LA BRECHA DE DOMINIO EXISTENTE ENTRE DATOS SINTETICOS Y REALES.EN EL PROYECTO PGAS-ADA EXPLORAREMOS LA GENERACION DE DATOS SINTETICOS Y EL AUMENTO DE CONJUNTOS DE DATOS DE CONDUCCION AUTONOMA MEDIANTE EL USO DE GRAFICOS POR COMPUTADORA Y TECNICAS DE APRENDIZAJE PROFUNDO. PLANEAMOS APROVECHAR LA GENERACION DE CONTENIDO PROCEDURAL UTILIZANDO MACHINE LEARNING (PCGML) PARA DISEÑAR MODULOS DE GENERACION DE DATOS SINTETICOS (SDG) Y GENERACION DE DATOS AUMENTADOS (ADG) QUE SE PUEDEN PARAMETRIZAR Y USAR COMO PARTE DE SISTEMAS MAS GENERALES COMO, POR EJEMPLO, PROCESOS DE APRENDIZAJE DE IA. COMO PARTE DEL MODULO SDG, NOS GUSTARIA INVESTIGAR NUEVOS PROCEDIMIENTOS PARA LA RECONSTRUCCION (SEMI)AUTOMATICA DE REDES DE CARRETERAS, NECESARIAS PARA LOS SIMULACIONES DE TRAFICO Y DE CONDUCCION, Y EXPLORAR COMO SE PUEDEN APROVECHAR LAS IMAGENES AEREAS MULTIMODALES, ASI COMO LAS BASES DE DATOS GEOGRAFICAS DE SIG, PARA GUIAR PROCESOS GENERATIVOS AUTOMATICOS DE LA RED VIAL. EN EL MODULO ADG, NOS GUSTARIA INVESTIGAR METODOS PARA LA INSERCION (SEMI)AUTOMATICA DE ELEMENTOS SINTETICOS EN CONJUNTOS DE DATOS DE CONDUCCION AUTONOMA, ASI COMO TECNICAS NOVEDOSAS PARA REALIZAR DICHA INTEGRACION TAMBIEN A NIVEL DE LAS ANOTACIONES. UN ASPECTO IMPORTANTE DE AMBOS MODULOS (SDG Y ADG) ES QUE NUESTRO OBJETIVO ES PROPORCIONAR ANOTACIONES AUTOMATICAS PARA TODOS LOS DATOS SINTETICOS GENERADOS.FINALMENTE, PGAS-ADA ES UN SUBPROYECTO DENTRO DE UN PROYECTO COORDINADO, DENOMINADO ANOTACION AUTOMATICA DE DATOS POR APRENDIZAJE SEMI-SUPERVISADO Y GENERACION PROCEDIMENTAL DE ESCENARIOS AUMENTADOS (ADA). LA IDEA PRINCIPAL EN ADA ES APROVECHAR LOS MODULOS PARAMETRIZABLES SDG Y ADG DESARROLLADOS EN PGAS-ADA COMO PARTE DE PROCESOS DE APRENDIZAJE MAQUINA ITERATIVOS MAS GENERALES CON EL FIN DE REFINAR LAS ANOTACIONES AUTOMATICAS DE CONJUNTOS DE DATOS REALES Y TAMBIEN EL ENTRENAMIENTO Y VALIDACION DE DETECTORES DE OBJETOS FUERA DE UNA DISTRIBUCION DADA. OMPUTACION GRAFICA\APRENDIZAJE PROFUNDO\VISION POR COMPUTADOR\CONDUCCION AUTONOMA\ANOTACION AUTOMATICA DE DATOS\GENERACION PROCEDURAL

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores