Martín Clemente, RubénMurillo Fuentes, Juan José2024-12-052024-12-052024Palma Espada, J.M. (2024). Detección de señales de tráfico para sistemas de conducción autónoma. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/165448Actualmente en el mundo de la tecnología se le da mucha importancia a la inteligencia artificial y a los modelos de machine y Deep Learning para la resolución de multitud de problemas. Uno de los puntos críticos de estas aplicaciones es la automatización de tareas de forma correcta y eficaz, de lo contrario podrían suponer grandes problemas a la hora de incorporar estos modelos en el mundo tecnológico. En este proyecto realizado se pretenderá construir un prototipo de vehículo automatizado que detecte un conjunto de señales de tráfico y las clasifique realizando inferencia con la placa Google Coral Dev Board, a la que previamente se le ha introducido el modelo ya entrenado. Además, se estudiarán y se compararán diferentes redes neuronales con el fin de encontrar un resultado óptimo para la aplicación propuesta. Finalmente, también como parte del desarrollo de este Trabajo Fin de Máster, se pondrá de manifiesto el uso de microcontroladores y actuadores adicionales a la Google Coral Dev Board, como son el Arduino junto con sus actuadores (motores, controladores, etc.) y el sensor ambiental de la propia placa de Google para establecer un envío de ciertos parámetros mediante el protocolo MQTT para la correcta representación de los mismos usando la herramienta Grafana.Currently, in the world of technology, a lot of importance is given to artificial intelligence and machine and deep learning models for solving numerous problems. One of the critical points of these applications is the automation of tasks correctly and efficiently; otherwise, they could pose significant issues when incorporating these models into the technological world. In this project, an automated vehicle prototype will be built to detect a set of traffic signs and classify them by performing inference with the Google Coral Dev Board, which has been previously loaded with the pre-trained model. Additionally, different neural networks will be studied and compared to find an optimal result for the proposed application. Finally, as part of the development of this Master's Thesis, the use of microcontrollers and additional actuators to the Google Coral Dev Board, such as Arduino along with its actuators (motors, controllers, etc.), and the environmental sensor of the Google board itself, will be demonstrated to establish the transmission of certain parameters via the MQTT protocol for their correct representation using the Grafana tool.application/pdf93 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccess