Crédito: International Journal of Vehicle Design (2025). Doi: 10.1504/ijvd.2025.147128. https://www.inderscience.com/info/inarticle.php?artid=147128
Una nueva técnica basada en datos para evitar obstáculos en vehículos autónomos es reportado En el International Journal of Vehicle Design. El enfoque podría superar muchos de los desafíos de larga data en el desarrollo de la navegación autónoma.
La evitación de obstáculos se refiere a la capacidad de un vehículo para detectar y maniobrar alrededor de los objetos en su camino. A pesar de los años de desarrollo, muchos sistemas aún luchan con esta capacidad central, a menudo produciendo rutas ineficientes, reaccionando lentamente a cambios repentinos o fallando por completo en entornos complejos o impredecibles. El nuevo método aborda estas deficiencias integrando los algoritmos avanzados de minería de datos y optimización en el proceso de navegación del vehículo.
Los investigadores explican que la minería de datos multidimensional es clave para su enfoque. Esto implica extraer patrones de una amplia gama de fuentes de datos, incluida la entrada visual de cámaras, mediciones espaciales de LiDAR (detección de luz y rango, un sistema basado en láser para mapear distancias), datos de ubicación de GPS (sistema de posicionamiento global) e información de tráfico en tiempo real.
Estos datos se procesan utilizando K-Means Clustering, un algoritmo de aprendizaje automático que agrupa puntos de datos similares sin necesidad de etiquetas anteriores. El propósito es permitir que el vehículo interprete su entorno de manera más inteligente, reconociendo patrones como tipos de obstáculos, características de la carretera o el movimiento de los objetos cercanos.
Una vez que se procesa el entorno, el vehículo construye lo que los investigadores llaman una función objetivo. Este es un modelo matemático que equilibra los objetivos de seguridad, velocidad y eficiencia. Para optimizar esta función, el equipo aplicó el algoritmo de optimización de ballenas (WOA), un método inspirado en el comportamiento de alimentación de las orcinus orcinus orcales. WOA se destaca para identificar rápidamente soluciones óptimas en espacios complejos, lo que lo hace bien adecuado para las demandas de alta velocidad de toma de decisiones en carretera.
En sus simulaciones, el equipo demostró una tasa de éxito de evitación de obstáculos de casi el 99%, con tiempos de reacción tan rápidos como 0.44 segundos. Estos resultados representan una mejora marcada sobre muchas técnicas existentes, que a menudo requieren tiempos de procesamiento más largos y producen rutas menos directas o más conservadoras.
Más información: Aiju Wang et al, una selección de ruta de evitación de obstáculos para vehículos autónomos basados en minería de datos multidimensional, International Journal of Vehicle Design (2025). Dos: 10.1504/IJVD.2025.147128. www.inderscience.com/info/inar … cle.php? artid = 147128
Cita: los investigadores utilizan minería de datos multidimensional para el sistema de evitación de obstáculos en vehículos autónomos (2025, 21 de julio) Recuperado el 21 de julio de 2025 de https://techxplore.com/news/2025-07-Multidimensional-obstacle-Autonomio-vehicles.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.