Minería de Datos para la extracción de patrones de conducción y generación de modelos para conducción naturalista

Abstract

La conducción autónoma es un hito muy complejo. En la actualidad en entornos controlados y no-urbanos está teniendo resultados de éxito, pero ¿qué ocurre en entornos especialmente críticos en lo que a tráfico y trazabilidad se refiere, como es el caso de las rotondas? Los principales problemas a los que se puede enfrentar un vehículo autónomo al realizar la maniobra de rotonda son tres puntos: la elección del carril de entrada de la rotonda, la aplicación de reglas de prioridad dentro de una rotonda y la salida de la rotonda. Es por ello, que la presente tesis doctoral, se centra en comprender estos problemas anteriormente citados y proponer reglas de conducción para vehículos autónomos para que ejecuten de forma satisfactoria la maniobra de rotonda. Se monitorizará al conductor y su comportamiento en un vehículo real instrumentalizado. Dicha información será procesada mediante técnicas de minería de datos para extraer las reglas de comportamiento a implementar en la unidad de control del vehículo autónomo, siendo validadas de forma posterior en un entorno de simulación. La motivación principal a la hora de realizar la presente tesis doctoral será analizar, monitorizar y crear patrones de cómo se comporta el conductor en cada uno de los hitos que forman parte de la maniobra de rotonda, abordando dicho análisis desde la perspectiva de la conducción naturalista, obteniendo mediante diversas técnicas de machine-learning basadas tanto en, aprendizaje supervisado como aprendizaje por refuerzo, las reglas de comportamiento a implementar en el sistema experto del vehículo autónomo.