%D 2018 %K Red neuronal convolucional, rendimiento, odometría visual, LIDAR, Tensorflow, vehículo autónomo, INSIA. %T Aplicación de Tensorflow en deep learning %I Telecomunicacion %A Alfredo Valle Barrio %L upm53815 %X Los vehículos autónomos son ya prácticamente 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 odometría. Este problema es especialmente importante en un vehículo autónomo debido a que para su posicionamiento este, debe fiarse únicamente de los sensores a los que tiene acceso, los cuales pueden tener errores importantes que lleven a consecuencias muy graves. Por ello, la motivación de este trabajo es proporcionar al vehículo 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 odometría visual a partir de los datos de un sensor LIDAR mediante redes neuronales. Aunque también, 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 familiarización con las redes neuronales, redes neuronales convolucionales y Tensorflow. A continuación, se han desarrollado algoritmos relativamente sencillos de odometría visual, con los que se han realizado estudios del comportamiento y rendimiento de Tensorflow y del Hardware, con distintas configuraciones del mismo. Por último, una vez realizada la experimentación con el Hardware y habiendo encontrado las configuraciones más adecuadas, se ha estudiado más detenidamente el rendimiento del Software, para lo cual se han desarrollado mucho más las arquitecturas de las redes neuronales utilizadas tratando de hacerlas más precisas. Y utilizando técnicas que no se conocían anteriormente. Para finalizar, de toda esta experimentación se han extraído una serie de conclusiones, concernientes tanto a la arquitectura Hardware optima a utilizar en este tipo de sistemas, como a las técnicas de implementación de redes neuronales convolucionales mediante Tensorflow que proporcionan una fiabilidad más alta.