Scribd
Cargar
81 vistas1 página

Deep Learning en Vehículos Autónomos

El documento describe cómo el aprendizaje profundo (deep learning) imita la forma en que los humanos obtienen conocimiento a través de la experiencia y se aplica a los vehículos autónomos. Utiliza redes neuronales artificiales para analizar datos y tomar decisiones de forma similar a como lo hacen los humanos. Existen dos técnicas principales: la abstracción semántica que divide el problema en componentes específicos, y el aprendizaje de punta a punta que analiza datos completo de forma holística. Los vehículos autónomos usan

Cargado por

Dave Engelberger
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
81 vistas1 página

Deep Learning en Vehículos Autónomos

El documento describe cómo el aprendizaje profundo (deep learning) imita la forma en que los humanos obtienen conocimiento a través de la experiencia y se aplica a los vehículos autónomos. Utiliza redes neuronales artificiales para analizar datos y tomar decisiones de forma similar a como lo hacen los humanos. Existen dos técnicas principales: la abstracción semántica que divide el problema en componentes específicos, y el aprendizaje de punta a punta que analiza datos completo de forma holística. Los vehículos autónomos usan

Cargado por

Dave Engelberger
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Deep Learning

y Vehículos
Autónomos
Deep learning
(aprendizaje profundo)
Imita la forma en que los humanos obtienen conocimiento, recopilando
experiencias para generar deducciones y así tomar decisiones. Su base son
las Redes Neuronales Artificiales (RNA).
Cada algoritmo de la jerarquía aplica una transformación no lineal a su
entrada y usa lo que aprende para crear un modelo estadístico como salida,
repitiéndolo hasta alcanzar un nivel aceptable de precisión.
Cuenta con dós técnicas:

Abstracción
semántica
Se enfoca en dividir el problema en distintos componentes cada uno
enfocado en una cosa en específico y éstos comparten los datos
obtenidos para decidir cómo actuar

Ventajas: Desventajas:
Menor tolerancia a fallas Se requiere mucho trabajo
Facilita detectar errores. previo.
Mayor capacidad para lidiar Se etiqueta más información
con lo impredecible. de la necesaria.

Aprendizaje de punta a punta


(end-to-end learning)

Capta y analiza experiencias reales de manejo, el sistema opera de


forma holística a través del conjunto de datos completo.

Ventajas Desventajas
Se pueden clasificar datos sin Se requiere capturar
estar etiquetados anteriormente cantidades de datos enormes.
El sistema se hace más robusto. Es difícil entrenar para
Se optimiza considerando el escenarios fuera de lo normal.
proceso completo. Técnicamente complicado.

Capacidades: ver, pensar,


conducir y aprender

“Ver”: detectar el ambiente de alrededor haciendo uso de: sensores, datos


de la nube y datos de otros dispositivos
“Pensar” es integrar la información obtenida para determinar la acción
correspondiente, intuyendo lo que sucederá en el futuro inmediato.
“Conducir” es ejecutar las decisiones tomadas de forma segura.
"Aprender" es cuando se encuentra con una nueva experiencia o caso
extremo que analiza y memoriza.
Bibliografía
Burns, E. (2021, 6 septiembre). Aprendizaje profundo (deep learning). [Link]. Recuperado 4 de
septiembre de 2022, de [Link]
learning
Díaz-Ramírez, J. (2021). Aprendizaje Automático y Aprendizaje Profundo. Scielo. Recuperado 5 de septiembre
de 2022, de [Link]
Silberg, G. (2017). Deep Learning y Vehículos Autónomos. SG Buzz. Recuperado 4 de septiembre de 2022, de
[Link]

También podría gustarte