@unpublished{upm53815,
            year = {2018},
          school = {Telecomunicacion},
          author = {Alfredo Valle Barrio},
           title = {Aplicaci{\'o}n de Tensorflow en deep learning},
        abstract = {Los veh{\'i}culos aut{\'o}nomos son ya pr{\'a}cticamente una realidad y sus primeras implementaciones comienzan a aparecer. Y con ellas los primeros problemas.
En este proyecto se ha querido abordar uno de ellos, concretamente el problema de odometr{\'i}a. Este problema es especialmente importante en un veh{\'i}culo aut{\'o}nomo debido a que para su posicionamiento este, debe fiarse {\'u}nicamente de los sensores a los que tiene acceso, los cuales pueden tener errores importantes que lleven a consecuencias muy graves. Por ello, la motivaci{\'o}n de este trabajo es proporcionar al veh{\'i}culo una nueva manera de auto localizarse con el fin de minimizar estos errores y con ello sus consecuencias.
En este proyecto, se ha tratado de desarrollar algoritmos que realicen una odometr{\'i}a visual a partir de los datos de un sensor LIDAR mediante redes neuronales. Aunque tambi{\'e}n, se ha tratado enfocar el trabajo en el estudio del funcionamiento y rendimiento de las redes neuronales implementadas sobre Tensorflow.
Para realizar este proyecto, este se ha dividido en varias fases. Una primera fase de familiarizaci{\'o}n con las redes neuronales, redes neuronales convolucionales y Tensorflow. A continuaci{\'o}n, se han desarrollado algoritmos relativamente sencillos de odometr{\'i}a visual, con los que se han realizado estudios del comportamiento y rendimiento de Tensorflow y del Hardware, con distintas configuraciones del mismo.
Por {\'u}ltimo, una vez realizada la experimentaci{\'o}n con el Hardware y habiendo encontrado las configuraciones m{\'a}s adecuadas, se ha estudiado m{\'a}s detenidamente el rendimiento del Software, para lo cual se han desarrollado mucho m{\'a}s las arquitecturas de las redes neuronales utilizadas tratando de hacerlas m{\'a}s precisas. Y utilizando t{\'e}cnicas que no se conoc{\'i}an anteriormente.
Para finalizar, de toda esta experimentaci{\'o}n se han extra{\'i}do una serie de conclusiones, concernientes tanto a la arquitectura Hardware optima a utilizar en este tipo de sistemas, como a las t{\'e}cnicas de implementaci{\'o}n de redes neuronales convolucionales mediante Tensorflow que proporcionan una fiabilidad m{\'a}s alta.},
             url = {https://oa.upm.es/53815/},
        keywords = {Red neuronal convolucional, rendimiento, odometr{\'i}a visual, LIDAR, Tensorflow, veh{\'i}culo aut{\'o}nomo, INSIA.}
}