Tecnologías para la Seguridad Vial

Transcripción

1 Tecnologías para la Seguridad Vial Máster Universitario en Ingeniería de Telecomunicación Universidad de Alcalá Curso Académico 2017/2018 Curso 2º Cuatrimestre 1º

2 GUÍA DOCENTE Nombre de la asignatura: Tecnologías para la Seguridad Vial Código: Titulación en la que se imparte: Departamento y Área de Conocimiento: Carácter: Créditos ECTS: Máster Universitario en Ingeniería de Telecomunicación Electrónica. Tecnología Electrónica Optativa 6 ECTS Curso y cuatrimestre: Curso 2º Cuatrimestre 1º Profesorado Consultar página Web: Horario de Tutoría: Consultar página Web: Idioma en el que se imparte: Español 1.a PRESENTACIÓN Esta asignatura analiza los sistemas de seguridad en carretera y urbanos haciendo especial hincapié en la seguridad vehicular activa y pasiva. Se estudian los conceptos básicos de seguridad vial, los sistemas sensoriales usados en su implementación, las tecnologías básicas involucradas en el desarrollo de sistemas de seguridad y, por último, se describen diferentes sistemas prácticos relacionados con la seguridad en carretera y en entornos urbanos. Con esta asignatura el alumno conocerá el uso de las TIC en los sistemas de transporte por carretera, le capacitará para analizar dispositivos sensoriales y de aviso en sistemas de seguridad vial, así como para diseñar de forma práctica alguno de ellos en el laboratorio. Para el buen aprovechamiento de la asignatura es aconsejable un cierto dominio del lenguaje de programación C/C++ para la realización de las prácticas, así como un nivel apropiado en técnicas básicas de visión artificial y métodos matemáticos aplicados a la ingeniería. 1.b COURSE SUMMARY E-safety technologies subject is an optative 6 ECTS subject included in the first semester of the second year of the University Master in Telecommunication Engineering. This subject takes part of the Intelligent Transportation Systems specialty, included in this Master. Its main goal is to study information and 2

3 communication techniques (ICTs), used in road transportation, in order to improve safety. The explained theoretical concepts are verified in a practical way in the Lab, programming multiple algorithms in C/C++ by using OpenCV. The main chapters are: general concepts in e-safety, sensorial systems for e-safety, 2D feature detection techniques in images, machine learning techniques, movement detection and object tracking methods, practical examples of e-safety systems. To study this subject, it is recommendable some basics in C/C++ programing and computer vision. 2. COMPETENCIAS y RESULTADOS DEL APRENDIZAJE Competencias básicas, generales y transversales: Esta asignatura contribuye a adquirir las competencias básicas, generales y transversales CB6-10, CG1-5, CT1-6 definidas en el apartado 3 del plan de estudios. Resultados de aprendizaje: RA1: Conocimiento y comprensión de las técnicas TIC en los sistemas avanzados de asistencia a la conducción y sistemas de transporte por carretera. RA2: Capacidad de aplicar las técnicas TIC y los dispositivos sensoriales en el vehículo y la infraestructura a la solución de problemas específicos de seguridad vial. RA3: Capacidad para diseñar una aplicación práctica de seguridad vial mediante un lenguaje de programación estándar y librerías de funciones de procesamiento. 3. CONTENIDOS Se estudiarán los siguientes contenidos sobre sistemas de seguridad vial de interés para la especialidad de sistemas inteligentes de transporte: Bloques de contenido T1. Introducción a la seguridad vial. Concepto de seguridad vial. Normativa sobre seguridad y sostenibilidad. Seguridad vehicular activa y pasiva Accidentología y factores humanos. Eco-driving. HMI inteligente Total de clases, créditos u horas 4hT 3

4 T2. Sistemas sensoriales en seguridad vial. Modelado de sensores. Representación de información espacial Tipo de sensores en infraestructura y vehículos Fusión sensorial Bus CAN T3. Técnicas de detección de características en imágenes. Detección de puntos de interés. Descriptores de forma y apariencia. Invarianza de los descriptores. Tipos de descriptores: SIFT, SURF, FAST, ORB, AKAZE. Comparación de descriptores Reconocimiento basado en descriptores T4. Técnicas de Machine Learning. Conceptos básicos de Machine Learning. Clasificador por Redes Neuronales y CNNs. Clasificador por distancia Euclídea, Mahalanobis y K-NN. Clasificador estadístico, Naïve/Normal Bayes Clustering mediante GMM-EM Árboles de decisión Casificador SVM (Support Vector Machines) T5. Técnicas de detección de movimiento y seguimiento de objetos en imágenes. Introducción. Background substraction Seguimiento (KF, EKF, UKF, PF). Flujo Óptico Odometría visual T6. Ejemplos de sistemas de seguridad vial Sistemas de seguridad en carretera. Sistemas de seguridad urbanos. Monitorización del comportamiento del conductor. Sistema E-call. Eco-driving. Práctica final. Diseño de un sistema de seguridad vial (Presentación práctica final + TCB) 8h (4hT+4hL) 8h (4hT+4hL) 8h (4hT+4hL) 8h (4hT+4hL) 6h (2hT+4hL) 12hL 2 horas 4

5 4. METODOLOGÍAS DE ENSEÑANZA-APRENDIZAJE.-ACTIVIDADES FORMATIVAS 4.1. Distribución de créditos (especificar en horas) Número de horas presenciales: Número de horas del trabajo propio del estudiante: Total horas 56 h (22h de clases teóricas, 32h de laboratorio/seminarios y 2h de pruebas) 94 h 150 h 4.2. Estrategias metodológicas, materiales y recursos didácticos En el proceso de enseñanza-aprendizaje se realizarán las siguientes actividades formativas: Clases teóricas y resolución de ejemplos. Clases prácticas: laboratorio y resolución de ejercicios y problemas. Tutorías: individuales y/o grupales. Además se podrán utilizar, entre otros, los siguientes recursos complementarios: Trabajos individuales o en grupo: conllevando además de su realización, la correspondiente exposición pública ante el resto de compañeros para propiciar el debate. Asistencia a conferencias, reuniones o discusiones científicas relacionadas con la materia. A lo largo del curso al alumno se le irán proponiendo actividades y tareas tanto teóricas como prácticas. Se realizarán distintas prácticas coordinadamente con la impartición de los conceptos teóricos, de manera que el alumno pueda experimentar tanto individualmente como en grupo, consolidando así los conceptos adquiridos. Para la realización de las prácticas, el alumno dispondrá en el laboratorio de un puesto con un ordenador con el hardware y software adecuado para el tratamiento digital de datos. Durante todo el proceso de aprendizaje de la asignatura, el alumno deberá hacer uso de distintas fuentes y recursos bibliográficos o electrónicos, de manera que se familiarice con los entornos de documentación que utilizará profesionalmente. 5

6 5. EVALUACIÓN: Procedimientos, criterios de evaluación y de calificación Preferentemente se ofrecerá a los alumnos un sistema de evaluación continua que tenga características de evaluación formativa, de manera que sirva de realimentación en el proceso de enseñanza-aprendizaje por parte del alumno. Para ello se establecen los siguientes: 5.1 Procedimientos de 1. Convocatoria Ordinaria: La evaluación en la convocatoria ordinaria debe estar inspirada en los criterios de evaluación continua (Normativa de Regulación de los Procesos de Enseñanza Aprendizaje, NRPEA, art 3), atendiendo siempre a la adquisición de las competencias especificadas en la asignatura a. Continua: Consistente en la realización de un test de conocimientos teóricos básicos, de la realización de una serie de problemas prácticos, y la superación de una práctica final a lo largo del cuatrimestre. b. Final: Consistirá en la realización y superación de un test de conocimientos teóricos básicos y de la presentación de una práctica final. 2. Convocatoria Extraordinaria: Se plantean dos situaciones a. El alumno que, habiendo participado en el proceso de evaluación continua no obtengan una nota final superior a 5 sobre 10 en la convocatoria ordinaria se podrá presentar a la convocatoria extraordinaria de junio. b. El alumno que, habiendo participado en el proceso de evaluación final no obtengan una nota superior a 5 sobre 10 en la convocatoria ordinaria. Para acogerse al proceso de evaluación final, el alumno debe solicitarlo por escrito al director del centro en las dos primeras semanas de su incorporación, indicando las razones que impiden seguir el sistema de evaluación continua. El director del centro comunicará la resolución en un máximo de 15 días. En caso de no haber recibido respuesta, se considera estimada esta solicitud Criterios de Los Criterios de deben atender al grado de adquisición de las competencias por parte del estudiante. Para ello se definen los siguientes. CE1: Que el alumno sea capaz de resolver correctamente problemas relacionados con los sistemas de seguridad vial. CE2: El alumno integra los conocimientos explicados en los distintos temas de teoría para poder resolver de manera creativa y original los problemas que se le planteen. 6

7 CE3: El alumno implementa en la práctica algoritmos de tratamiento digital de datos que dan solución a los problemas de seguridad vial planteados, integrando los conocimientos adquiridos sobre el funcionamiento de los sistemas sensoriales, haciendo uso de los recursos bibliográficos y herramientas informáticas a su alcance. CE4: El alumno es capaz de generar documentación correctamente redactada, clara y precisa sobre el trabajo realizado en el laboratorio. CE5: El alumno expone y defiende de manera clara y razonada sus propuestas para la resolución de los problemas planteados Instrumentos de calificación Esta sección expone los instrumentos de evaluación que serán aplicados a cada uno de los criterios de. 1. Test de conocimientos básicos (TCB). Se realizará un test a lo largo del curso que consistirán en una serie preguntas de respuesta múltiple que abordarán los aspectos teóricos básicos de los temas impartidos. 2. Problemas prácticos (PP). Consiste en evaluar de forma continua la capacidad del alumno en la resolución de una serie de problemas prácticos relacionados con los temas teóricos empleando las siguientes herramientas informáticas: a. Entorno de programación C/C++ bajo sistema operativo Linux. b. Librería de funciones de visión OpenCV. 3. Práctica final (PF). Consiste en el diseño de un sistema de percepción de aplicación en robótica en el que el alumno debe aplicar e interrelacionar los conocimientos teórico-prácticos adquiridos en la asignatura. Se presentará una memoria del trabajo y se realizará una presentación oral del mismo. 5.4 Criterios de Calificación Modelo de Continua: a) Convocatoria Ordinaria. Los estudiantes serán evaluados de forma continuada mediante pruebas distribuidas a lo largo del periodo lectivo. El tipo de pruebas a realizar en esta convocatoria, los porcentajes de peso de tales pruebas sobre la calificación final así como la relación entre los criterios, instrumentos de evaluación y los resultados de aprendizaje de la asignatura es el siguiente: Resultado de Aprendizaje Criterio de Instrumento de Peso en la calificación RA1- RA2 CE1, CE2 TCB 40% RA1- RA3 CE1-CE4 PP 20% 7

8 RA1- RA3 CE1-CE5 PF 40% Se considerará que un alumno ha participado en el proceso enseñanzaaprendizaje y por tanto se ha presentado en la convocatoria ordinaria si se presenta al TCB. Se considerará que los alumnos han superado la asignatura si logran una calificación global ponderada igual o superior a 5 (sobre 10) entre todos los instrumentos de evaluación. b) Convocatoria Extraordinaria. Aquellos alumnos que no superen la convocatoria ordinaria tendrán derecho a una Convocatoria Extraordinaria. El tipo de pruebas a realizar en esta convocatoria, los porcentajes de peso de tales pruebas sobre la calificación final así como la relación entre los criterios, instrumentos de evaluación y los resultados de aprendizaje de la asignatura es el siguiente: Resultado de Aprendizaje Criterio de Instrumento de Peso en la calificación RA1- RA2 CE1, CE2 TCB 50% RA1- RA3 CE1-CE5 PF 50% Se considerará que los alumnos han superado la asignatura si logran una calificación global ponderada igual o superior a 5 (sobre 10) entre todos los instrumentos de evaluación Modelo de Final: a) Convocatoria Ordinaria. El tipo de pruebas a realizar en esta convocatoria, los porcentajes de peso de tales pruebas sobre la calificación final así como la relación entre los criterios, instrumentos de evaluación y los resultados de aprendizaje de la asignatura es el siguiente: Resultado de Aprendizaje Criterio de Instrumento de Peso en la calificación RA1- RA2 CE1, CE2 TCB 50% RA1- RA3 CE1-CE5 PF 50% Se considerará que los alumnos han superado la asignatura si logran una calificación global ponderada igual o superior a 5 (sobre 10) entre todos los instrumentos de evaluación. b) Convocatoria Extraordinaria. Aquellos alumnos que no superen la convocatoria ordinaria tendrán derecho a una Convocatoria Extraordinaria. El tipo de pruebas 8

9 a realizar en esta convocatoria, los porcentajes de peso de tales pruebas sobre la calificación final así como la relación entre los criterios, instrumentos de evaluación y los resultados de aprendizaje de la asignatura es el siguiente: Resultado de Aprendizaje Criterio de Instrumento de Peso en la calificación RA1- RA2 CE1, CE2 TCB 50% RA1- RA3 CE1-CE5 PF 50% Se considerará que los alumnos han superado la asignatura si logran una calificación global ponderada igual o superior a 5 (sobre 10) entre todos los instrumentos de evaluación. 6. BIBLIOGRAFÍA 6.1 Bibliografía Básica Documentación preparada explícitamente para esta asignatura por el profesorado de la misma, y que será proporcionada a los alumnos de manera directa, o con su publicación en la web de la asignatura. European Commission, Mobility and Transport. Esafety Ljubo Vlacic, Michel Parent, Fumio Harashima. Intelligent Vehicle Technologies. Theory and Applications. Butterworh-Heinemann Robert Laganière. OpenCV 2 Computer Vision Application Programming Cookbook. PACKT Publising Bibliografía Complementaria Libros: David A. Forsyth and Jean Ponce. Computer vision: A Modern Approach. Prentice Hall. Pearson Education International. Rafael C. Gonzalez and Richard E. Woods. Digital Image Processing. Prentice Hall. William K. Pratt. Digital Image Processing. Wiley Interscience. Kenneth R. Castleman. Digital Image Processing. Prentice Hall. Dona H. Ballard and Christopher M. Brown. Computer Vision. Prentice Hall Robert M. Haralick and Shapiro. Computer and Robot Vision (vol I y II). Shervin Emami, Khvedchenia Ievgen, Naureen Mahmood. Mastering OpenCV with Practical Computer Vision Projects. PACKT Publising

10 Páginas web: The computer vision home page ( IEEE Xplore ( 10