Enhancing Autonomous Vehicle Safety: Using Convolutional Neural Networks For Police Detection

Según la Organización Mundial de la Salud, Ecuador experimenta un número importante de accidentes viales, resultando en numerosas muertes, tanto entre ocupantes de vehículos como de peatones. Para abordar este problema y reducir las muertes, el país está trabajando activamente en la implementación de Vehículos Autónomos (AV) en sus calles. Desafortunadamente, esta tecnología está lejos de ser perfecta, como es el caso de Waymo en el que su vehículo no respondió a la orden de ceder el paso de un agente de la ley, lo que destaca la necesidad de mejorar la tecnología AV. Para afrontar este desafío, hemos aplicado un modelo de visión por computadora e inteligencia artificial para identificar con precisión a los agentes de tránsito. La metodología consiste en utilizar el rastreo web para recopilar un conjunto de datos de imágenes de agentes de tránsito en Cuenca, Ecuador. Luego se procedió a preparar el conjunto de datos para aplicar a los modelos, en este caso utilizamos tres variantes del modelo YOLO (You Only Look Once), específicamente YOLOv3s, YOLOv5s y YOLOv8s y evaluamos su comportamiento. A través de la experimentación, el modelo YOLOv8s demostró excelentes capacidades de detección, logrando una puntuación F1 de 0,78 con un umbral de confianza de 0,907. El objetivo de este modelo es mejorar la capacidad de los vehículos autónomos para reconocer con precisión a los agentes de tráfico, mejorando así la seguridad vial. Como mejora futura de este proyecto, los investigadores planean crear un conjunto de datos más grande utilizando diferentes imágenes de las autoridades policiales involucradas en la gestión del tráfico vehicular en Ecuador. Esta expansión tiene como objetivo mejorar aún más la precisión y el rendimiento del modelo.