Universidad de granada



Descargar 5,02 Kb.
Ver original pdf
Página15/15
Fecha de conversión03.10.2019
Tamaño5,02 Kb.
1   ...   7   8   9   10   11   12   13   14   15
en la
incorporaci´
on del filtro TCS sobre el acelerador. Tras esto, y repitiendo
la prueba clasificatoria, obtuvimos que, la presente arquitectura hubiera
recorrido 7725.1 metros en dicha pista, frente a los 3377.7 de la anterior
versi´
on.
Competici´
on en el Genetic and Evolutionary Computation
Conference (GECCO-2009)
Aparte del nuestro, diez controladores se presentaron a esta competici´
on:
Butz, Cardamone y Perez enviaron una versi´
on mejorada, Quadflieg y
Chiu volvieron a enviar la misma versi´
on utilizada en el CEC-2009 y
se a˜
nadieron cinco nuevos controladores (Bernardi, Vrajitoru, Wong,
Szymaniak y Mu˜
noz ).
Las pistas utilizadas fueron: Dirt − 3, Alpine − 1 y E − road, de
la distribuci´
on de TORCS (figura 5.25); en la figura 5.26 puede verse
157

5. CONDUCCI ´
ON COMPETITIVA EN ENTORNOS
SIMULADOS
el aspecto de dichas pistas. Hay que notar que Dirt − 3 es una pista
de tierra, muy deslizante, que hace que el control del veh´ıculo sea muy
dif´ıcil y que la velocidad tenga que ser ligeramente reducida. El m´
odulo
de aprendizaje ayuda a que las curvas donde se pierde el control sean
recordadas de una vuelta para otra.
Figura 5.25: Trazada de las pistas utilizadas durante la competici´
on en
el GECCO-2009.
Figura 5.26: Captura de pantalla de las pistas Dirt − 3 (izquierda),
Alpine − 1 (centro) y E − road (derecha).
Los resultados de la fase clasificatoria se muestran en la tabla 5.18.
Nuevamente nuestro controlador se clasific´
o en segunda posici´
on, siendo
el que m´
as distancia ha sido capaz de recorrer en Dirt − 3 mientras que,
nuevamente por debajo de Butz, en Alpine − 1 y E − Road ha obtenido
la segunda posici´
on.
´
Unicamente ocho competidores pod´ıan clasificarse para la fase final,
por lo que Chiu, Szymaniak y Quadflied fueron descalificados. Seg´
un la
158

5.4 Experimentaci´
on y Resultados
Dirt-3
Alpine-1
E-Road
Dist.
Pos.
Dist.
Pos.
Dist.
Pos.
Orden
Butz
6216.2
2
8677.1
1
10253.3
1
1
Presentado
6659.8
1
8386.5
2
9301.1
2
2
Cardamone
5439.8
5
7308.0
5
7716.3
4
3
Perez
5190.4
6
7661.0
3
6586.6
7
4
Bernardi
4993.9
8
7184.2
6
8036.8
3
5
Vrajitoru
5788.3
3
6410.3
9
6384.4
8
6
Wong
5106.5
7
6470.0
8
6638.3
6
7
Mu˜
noz
4459.1
9
5548.7
10
7573.5
5
8
Chiu
901.6
10
6539.0
7
5124.3
9
9
Szymaniak
782.8
11
3711.9
11
4501.7
10
10
Quadflied
5502.0
4
7482.2
4
NC
11
11
Tabla 5.18: Resultados de la fase clasficatoria en la competici´
on del
GECCO-2009.
organizaci´
on, Quadflied choc´
o repetidamente con los bordes de E −Road,
provocando su descalificaci´
on cuando el da˜
no alcanz´
o el valor m´
aximo.
En la tabla 5.19 se ve la mediana de la puntuaci´
on obtenida por
los participantes en la fase de carrera conjunta. Se puede ver que el
controlador propuesto obtuvo la mayor puntuaci´
on en todas las pistas,
adicionalmente, se obtuvieron puntos extra (por el bajo da˜
no o por la
vuelta r´
apida) en E − Road.
Dirt-3
Alpine-1
E-Road
Total
Presentado
10
10
12
32
Cardamone
7
8
8
23
Butz
5.5
7.5
3.5
16.5
Vrajitoru
5.5
3.5
4
13
Wong
3.5
4
5
12.5
Bernardi
3.5
5
2.5
11
Perez
4
3.5
3.5
11
Mu˜
noz
3
2.5
3
8.5
Tabla 5.19: Resultados de la fase final de la competici´
on del GECCO-
2009.
En esta segunda etapa del campeonato alcanzamos la primera posici´
on
con una amplia ventaja, tanto con respecto al segundo clasificado (9 pun-
tos de diferencia con Cardamone) como con respecto a Butz (15.5 puntos
de diferencia), el cual nos super´
o en la primera de la competiciones por
159

5. CONDUCCI ´
ON COMPETITIVA EN ENTORNOS
SIMULADOS
6.5 puntos. Seg´
un la tabla, en Dirt − 3 fue donde el resto de partici-
pantes obtuvo peor puntuaci´
on; esto puede deberse al firme de tierra de
la pista. Claramente nuestro controlador aqu´ı fue ayudado tanto por el

odulo de aprendizaje, para recordar curvas acentuadas, como por los
filtros ABS y TCS, que evitan, en la medida de lo posible, los derrapes
producidos por el uso de altas presiones para los pedales del veh´ıculo.
Recordemos que en la fase clasificatoria, tanto en Alpine − 1 como en
E − Road, nuestro controlador se clasific´
o en segunda posici´
on, siendo el
primero en la fase final con una considerable ventaja sobre el que fue el
primero en la fase clasificatoria (Butz ).
Competici´
on en el IEEE Congress on Computational Intelli-
gence and Games (CIG-2009)
En esta ocasi´
on, la propuesta presentada tuvo que enfrentarse a doce
oponentes: Butz, Perez, Mu˜
noz y Quadflieg realizaron modificaciones
sobre la versi´
on anterior; se incorporaron dos nuevos oponentes, Ebner
y Beelitz ; y, finalmente, Chiu, Cardamone, Wong, Vrajitoru, Szymaniak
y Bernardi mantuvieron el mismo enfoque. El controlador propuesto no
cambi´
o significativamente con respecto a la anterior versi´
on, ´
unicamente
ligeras modificaciones con el fin de solventar peque˜
nos errores de
implementaci´
on.
Las pistas utilizadas fueron F orza
1
, tomada de la distribuci´
on
de TORCS, M igrants
2
y Buzzard, que fueron a˜
nadidas para la
competici´
on. Los trazados de las pistas pueden verse en la figura 5.27,
as´ı como capturas de pantalla pueden verse en la figura 5.28
Los resultados de la fase clasificatoria pueden verse en la tabla
5.20. En esta ocasi´
on tuvieron que ser eliminados cinco de los trece
1
F orza est´
a basada en el Autodromo Nazionale di Monza, situado en las cercan´ıas
de Monza, regi´
on de Lombard´ıa, Italia. El circuito es reconocido por albergar el Gran
Premio de Italia de F´
ormula 1, y se caracteriza por el alto porcentaje del trazado que
los pilotos recorren con el acelerador a fondo, debido a las largas rectas.
2
M igrants es una r´
eplica virtual del circuito N¨
urburgring, un aut´
odromo ubicado
alrededor del pueblo y castillo medieval de Nurburgo en las monta˜
nas Eifel, Alemania.
Considerado como el circuito m´
as dif´ıcil y agotador del mundo, se le conoce como
Gr¨
une H¨
olle o infierno verde, apelativo inventado por el piloto de F´
ormula 1 Jackie
Stewart.
160

5.4 Experimentaci´
on y Resultados
Figura 5.27: Trazada de las pistas utilizadas durante la competici´
on en
el CIG-2009.
Figura 5.28:
Captura de pantalla de las pistas F orza (izquierda),
M igrants (centro) y Buzzard (derecha).
controladores presentados, para que ´
unicamente los ocho primeros
pasaran a la fase final. Ebner, Wong, Vrajitoru, Szymaniak y Bernardi
fueron eliminados.
El controlador presentado se clasific´
o en segundo
lugar, obteniendo la segunda mejor posici´
on en cada una de las tres
pistas.
La fase final se resume en la tabla 5.21. La propuesta presentada
obtuvo la segunda posici´
on, a s´
olo un punto de diferencia con Butz. En
F orza se obtuvo la primera posici´
on con cinco puntos de diferencia sobre
el segundo, mientras que en M igrants y Buzzard se obtuvo en ambas
la segunda posici´
on.
Esta tercera etapa del campeonato se resolvi´
o con nuestro controlador
en segundo lugar, a s´
olo un punto del primer clasificado, y con cerca
del doble de puntos sobre el tercero. En esta etapa, claramente fueron
nuestro controlador y el enfoque de Butz los m´
as acertados, con una gran
diferencia sobre el resto.
161

5. CONDUCCI ´
ON COMPETITIVA EN ENTORNOS
SIMULADOS
Migrants
Buzzard
Forza
Dist.
Pos.
Dist.
Pos.
Dist.
Pos.
Orden
Butz
9603.0
1
9459.6
1
11768.3
3
1
Presentado
9140.9
2
9255.9
2
11997.2
2
2
Mu˜
noz
8734.9
3
8377.6
4
10577.6
4
3
Quadflieg
7730.6
9
7700.6
5
12191.5
1
4
Beelitz
8515.5
4
8425.8
3
10409.2
6
5
Chiu
8157.4
5
7262.2
7
10424.9
5
6
Cardamone
7858.8
7
7360.9
6
9862.2
7
7
Perez
8010.5
6
6919.1
9
9028.3
10
8
Ebner
7766.8
8
7182.0
8
9666.5
9
9
Wong
6852.9
10
6183.5
11
9781.6
8
10
Vrajitoru
6362.8
11
6245.8
10
7176.7
11
11
Szymaniak
4939.6
13
4560.3
13
6856.8
12
12
Bernardi
5973.2
12
4688.7
12
6685.9
13
13
Tabla 5.20: Resultados de la fase clasficatoria en la competici´
on del CIG-
2009.
Migrants
Buzzard
Forza
Total
Butz
12
11
7
30
Presentado
8
9
12
29
Beelitz
6
4
5.5
15.5
Mu˜
noz
5
6
3.5
14.5
Cardamone
4
4.5
4
12.5
Quadflieg
2.5
3.5
6
12
Chiu
4
2.5
4
10.5
Perez
4
3
2.5
9.5
Tabla 5.21: Resultados de la fase final de la competici´
on del CIG-2009.
Clasificaci´
on final
Hasta ahora se han mostrado los resultados obtenidos en cada una de las
etapas en las que se dividi´
o el campeonato (CEC-2009, GECCO-2009 y
CIG-2009). El controlador propuesto compiti´
o contra cinco, diez y doce
controladores respectivamente. La tabla 5.22 se muestran los resultados
finales del campeonato, siendo este la suma de las puntuaciones obtenidas
a lo largo de cada una de las tres competiciones. El resultado fue que
el controlador aqu´ı presentado result´
o campe´
on del 2009 Simulated Car
Racing Championship.
La diferencia de puntos con el segundo clasificado (Butz ) fue de 8
162

5.4 Experimentaci´
on y Resultados
CEC-2009
GECCO-2009
CIG-2009
Mic
higan
Alpine-2
Corkscrew
Dirt-3
Alpine-1
E-Road
Migran
ts
Buzzard
F
orza
Total
Presentado
8
9
5
10
10
12
8
9
12
83
Butz
12
7.5
9
5.5
7.5
3.5
12
11
7
75
Cardamone
5
10
5
7
8
8
4
4.5
4
55.5
Perez
6
4
6
4
3.5
3.5
4
3
2.5
36.5
Quadflieg
3
6
10
No Clasificado
2.5
3.5
6
31
Chiu
5
5
4
No Clasificado
4
2.5
4
24.5
Mu˜
noz
No Presentado
3
2.5
3
5
6
3.5
23
Beelitz
No Presentado
No Presentado
6
4
5.5
15.5
Vrajitoru
No Presentado
5.5
3.5
4
No Clasificado
13
Wong
No Presentado
3.5
4
5
No Clasificado
12.5
Bernardi
No Presentado
3.5
5
2.5
No Clasificado
11
Ebner
No Presentado
No Clasificado
No Clasificado
0
Szymaniak
No Presentado
No Presentado
No Clasificado
0
Tabla 5.22: Resultados de carreras con oponentes obtenidos a lo largo
del 2009 Simulated Car Racing Championship.
puntos, de 27.5 con el tercero (Cardamone), y de m´
as de 40 puntos con
el resto de competidores. Hay que notar que los seis primeros clasificados
fueron los seis controladores presentados al CEC-2009, incluso aunque ni
Quadflieg ni Chiu se clasificaron para la fase final del GECCO-2009.
Los cuatro primeros puestos fueron para los que se presentaron y
clasificaron en las tres competiciones. Los ´
ultimos clasificados fueron
Ebner y Szymaniak ; el primero de ellos no consigui´
o clasificarse para
la fase final en ninguna de las dos competiciones a las que se present´
o,
mientras que el segundo no lo hizo para la tercera, que fue la ´
unica a la
que se present´
o. Tambi´
en destacamos a Beelitz, que, a´
un habi´
endose
presentado ´
unicamente a la tercera competici´
on, supera a Vrajitoru,
Wong y Bernardi, que participaron en las competiciones del GECCO-
2009 y CIG-2009, pero no se clasificaron para la fase final de esta ´
ultima.
En la tabla 5.23 se muestran las posiciones que cada uno de ellos
obtuvo, tanto en la fase clasificatoria como final. Se puede apreciar cu´
an
de igualado ha estado el campeonato entre nuestra propuesta y la de
Butz.
La propuesta de Butz es claramente la m´
as r´
apida en solitario, ya
163

5. CONDUCCI ´
ON COMPETITIVA EN ENTORNOS
SIMULADOS
CEC-2009
GECCO-2009
CIG-2009
Mic
higan
Alpine-2
Corkscrew
Dirt-3
Alpine-1
E-Road
Migran
ts
Buzzard
F
orza
Presentado
Clas.
3
2
4
1
2
2
2
2
2
Fin.
2
2
4
1
1
1
2
2
1
Butz
Clas.
1
1
1
2
1
1
1
1
3
Fin.
1
3
2
3
3
5
1
1
2
Cardamone
Clas.
4
4
5
5
5
4
7
6
7
Fin.
4
1
4
2
2
2
5
4
5
Perez
Clas.
5
5
6
6
3
7
6
9
10
Fin.
3
6
3
5
6
5
5
7
8
Tabla 5.23: Posiciones obtenidas en las fases clasificatorias y final para
cada uno de los cuatro primeros clasificados.
que ´
unicamente se clasifica sin ser primera en dos pistas mientras que
la nuestra s´
olo se clasifica en primera posici´
on en una pista. Respecto
a la conducci´
on en carrera con oponentes, nuestra propuesta obtiene
cuatro primeros puestos, cuatro segundos y un cuarto; mientras que Butz
obtiene tres primeros, dos segundos, tres terceros y un quinto; es decir,
nuestro controlador es m´
as regular que los dem´
as enfoques en conducci´
on
con oponentes.
Por otra parte, hemos de notar que el controlador presentado y
Cardamone son los ´
unicos que cumplen para todos los casos que, la
posici´
on obtenida en la fase final es mejor o igual que la obtenida en la
fase clasificatoria; esto denota la robustez de los enfoques en conducci´
on
con oponentes. Al contrario, las posiciones obtenidas por Butz en la
fase final son en casi todos los casos peores que las obtenidas en la fase
clasificatoria.
5.5
Conclusiones
A lo largo del presente cap´ıtulo, se ha presentado y probado un dise˜
no
de arquitectura de conducci´
on de veh´ıculos virtuales orientada a la
164

5.5 Conclusiones
conducci´
on en entornos competitivos. La arquitectura se compone de

odulos, cada uno de ellos a cargo de una tarea espec´ıfica. Los m´
odulos
de bajo nivel incluyen el manejo de pedales (acelerador y freno), cambios
de marcha y control del volante. M´
odulos de m´
as alto nivel se encargan
de determinar la velocidad adecuada para circular por un tramo de v´ıa,
enviar instrucciones a los m´
odulos de m´
as bajo nivel para adecuar la
circulaci´
on a la presencia de oponentes y recordar tramos de v´ıa entre
vueltas con el fin de ir m´
as r´
apido en subsecuentes vueltas.
La experimentaci´
on muestra que la propuesta presentada es capaz
de circular r´
apido a lo largo de la pista (m´
as r´
apido que controladores
utilizados en competiciones el a˜
no anterior) y es altamente eficiente en
situaciones de carrera, dado que gan´
o el 2009 Simulated Car Racing
Championship.
De la propia experiencia acumulada, se puede concluir que uno de los
aspectos claves del ´
exito es la determinaci´
on de la velocidad objetivo en
cada tramo de pista ya que una velocidad adecuada puede, no s´
olo hacer
que el veh´ıculo circule r´
apido, sino evitar que el coche pueda perder el
control, lo que puede implicar salidas de pista, choques o que el veh´ıculo
quede atascado. Para esta tarea se ha dise˜
nado un controlador difuso
con tres variables de entrada codificadas mediante tres funciones de
pertenencia trapezoidales cada una y una variable de salida codificada
mediante singletons.
Otro aspecto importante es el comportamiento en presencia de
oponentes con el fin de evitar choques as´ı como realizar adelantamientos.
Un conjunto de reglas no difusas fue implementado con estos prop´
ositos.
La experimentaci´
on en laboratorio se ha llevado a cabo desde
tres puntos de vista diferentes.
El primero de ellos comparando
la velocidad del controlador para circular en solitario por una pista
con propuestas presentadas a la competici´
on de veh´ıculos simulados
llevada a cabo durante 2008. El segundo, comparando con una versi´
on
anterior incompleta de la arquitectura, mostrando c´
omo cada una
de las modificaciones aplicadas aportan al resultados final.
Tercero,
compitiendo con bots implementados para el entorno, con el fin de evaluar
su capacidad competitiva.
165

5. CONDUCCI ´
ON COMPETITIVA EN ENTORNOS
SIMULADOS
Finalmente, en el 2009 Simulated Car Racing Championship la
arquitectura presentada compiti´
o con hasta doce propuestas basadas en
diferentes t´
ecnicas de inteligencia artificial. Los resultados dieron a la
propuesta, si no el mejor comportamiento en conducci´
on en solitario, s´ı el
mejor cuando se realizan carreras con m´
ultiples veh´ıculos sobre la misma
pista, logrando el primer puesto y mostrando la robustez del sistema
propuesto en una gran variedad de situaciones competitivas.
166

Cap´ıtulo 6
Conclusions and Future
Work
One of the great challenges of computer sciences applied to automation is
the development of control algorithms for systems with great complexity,
which present heterogeneities, imprecision, and nonlinearities.
An
example of this kind of systems is the automatic guidance of vehicles. To
achieve it, multidisciplinary techniques have been used from computer
science, control, and soft computing, among others.
The automatic guidance of a car is a problem of great complexity,
and its behaviour is not fully predictable due to the great number
of factors that influence the vehicle and the driving scenario.
One
has to consider that the operation of the guidance system depends on
the interaction between vehicle and environment. Hence, not only the
conditions of the vehicle must be considered, but also the road surface,
weather conditions, traffic density, visibility. . ., which can affect the final
operation of the system. These characteristics make the autonomous
guidance of vehicle an optimal test-bed for intelligent control techniques.
Moreover, although naturally conservative, the automobile industry is
quite susceptible to innovation and application of emerging technologies
in the medium term.
This thesis has presented three successful applications of soft com-
puting techniques for vehicle guidance:
167

6. CONCLUSIONS AND FUTURE WORK
1. The design and implementation of a fuzzy controller for the speed
of a mass-produced car, able to act cooperatively on the throttle
and brake in a speed range between 0 and 30 km/h.
2. The design and tuning by means of iterative genetic algorithms of
a fuzzy controller in charge of managing the steering of a mass-
produced vehicle.
The adjustment is aimed at providing good
emulation of human drivers’ behaviour, good path tracking, and
smooth and comfortable driving.
3. The design and implementation of a driving architecture that con-
trols a simulated vehicle in competitive situations. The architec-
ture is built around a fuzzy based kernel that calculates the allowed
maximum speed.
In summary, two autonomous driving systems have been completed.
One comprises fuzzy controllers designed for the speed and trajectory,
and implemented and tested in real vehicles, thus expanding the
experience acquired in robotic control and soft computing applied to
the automotive field. The other was designed, implemented, and tested
in the virtual world, opening up a test field of the application of the
aforementioned techniques to advanced driving manœuvring.
Both systems were extensively validated by experiments to test their
performance:
• The control systems implemented in the real vehicle were compared
with the behaviour shown by human operators, concluding that,
while it is extremely difficult to drive a car optimally, soft
computing techniques allow the car to be managed in a way that
is quite similar to how a human handles it.
• The good behaviour of the control architecture for competitive
situations was clearly reflected in its winning the 2009 Simulated
Car Racing Championship, where it had to faced thirteen other
control systems designed by researchers from all over the world
which, while at first impression used more sophisticated techniques,
actually performed less well.
168

The following conclusions were drawn from the three applications
described, grouped by whether the domain of the application was real
(mass-produced vehicle control) or virtual (competitive driving).
Mass-produced vehicle control for urban environments:
1. A longitudinal fuzzy control system specially adapted for urban
environments was obtained. It coordinates actions on the throttle
and brake for low speeds – up to 30 km/h.
2. Fuzzy logic confers the system with great interpretability and
closeness to the user, as well as good behaviour, even better than
shown by humans in the task of controlling the speed of the vehicle.
3. Actions on the steering wheel made by human drivers were
monitored with the purpose of compiling data that permitted the
determination of the parameters of fuzzy controllers able to do the
same task.
4. A method was designed for the adjustment of fuzzy controllers
based on two genetic algorithms – one of them to optimize the
rule base and the other to optimize the membership functions that
define the fuzzy sets.
The optimization step, consisting of the
sequential execution of both genetic algorithms, with each using
the results coming from the other, was repeated until the end of
the adjustment process. At the end, a total of six fuzzy controllers
were optimized.
5. The performance of the fuzzy controllers was measured in terms
of similarity to actions made by human drivers and smoothness of
the control surface, in order to achieve a good adjustment/comfort
balance.
6. The adjusted fuzzy controllers were tested at speeds relatively
high for urban environments (up to 30 km/h) in a path tracking
task, showing behaviour quite similar to that obtained from human
drivers.
169

6. CONCLUSIONS AND FUTURE WORK
Competitive driving control in simulated environments:
7. A fully hierarchical control architecture for manœuvring in com-
petitive situations was designed. Its flexibility for adding modules
or functionalities lies in its modularity .
8. A fuzzy rule based system was used as kernel of the architecture.
It is responsible for one of the most important tasks in this kind
of environment: the estimation of the maximum allowable speed in
each track segment.
9. The architecture is completed with lower level control modules
in charge of tasks such as managing pedals, gear shifting, or
steering control. Higher level modules are in charge of learning
the special characteristics of the track to follow, as well as dealing
with opponents. These modules, even though quite simple, gave
excellent results in racing tasks.
10. The control architecture implemented was compared in similar
conditions with systems published in the literature. In particular,
the distances covered for a given amount of time along different
tracks were compared, with the present architecture obtaining the
best results.
11. Finally, the architecture participated in the 2009 Simulated Car
Racing Championship, an event held in three international con-
gresses of the highest level in the field of artificial intelligence. The
proposed control architecture was reported the winner over thirteen
competitors from all over the world which used different methods.
With respect to possible future research lines, from the individual
control of a mass-produced vehicle, the goal is to progress through
full traffic control, starting from considering the vehicle’s flow in
local environments, such as incorporation into or exiting from roads,
roundabouts, intersections, tunnels, bridges,. . .. The work will focus on
the individual (vehicles) and global (control centres) decision making in
each case studied. The problem is so complex that, to be realistic, one
170

can yet only guess at what research areas will have to accompany the
soft computing for its solution.
In particular, there will have to work on real time perception with the
aim of incorporating new sources of information, such as video cameras
or laser sensors in order get a more complete view of the surrounding
environment of the vehicle. The incorporation communications networks
between fixed and moving elements will allow the cooperation between
vehicles in order to optimize the maneuvers where more than one vehicle
is involved, such as overtaking, unsigned intersections or roundabouts;
in other hand, the communication with the infrastructure will allow the
reception of warning messages or orders coming from a central station;
they can advertise to the vehicle both from special situations (accidents
or reparations on the roads) or prioritization messages for road joints.
All of this will be done within the framework of soft computing tech-
niques as the main support for the design, implementation, and testing
of the controllers and systems in charge of decision and coordination in
Intelligent Transportation Systems, with the final, maybe quite utopian,
objective of eventually attaining fully autonomous driving.
171

6. CONCLUSIONS AND FUTURE WORK
172

Bibliograf´ıa
[Acarman 06] T. Acarman, Y. Liu and U. Ozguner. Intelligent
cruise control stop and go with and without com-
munication. In American Control Conference,
2006, pp. 4356–4361, 2006. 65
[Ackermann 90] J. Ackermann and W. Sienel. Robust Control
for Automated Steering. In American Control
Conference, pp. 795–800, 1990. 4
[Alcalde 00] S. Alcalde.
Instrumentaci´
on de un veh´ıculo
el´
ectrico para una conducci´
on aut´
onoma. Tesis
de m´
aster, Universidad Polit´
ecnica de Madrid,
2000. 44
[Alonso 05] J. Alonso, T. de Pedro, C. Gonz´
alez and
R. Garc´ıa.
Estudio de la Conducci´
on Au-
tom´
atica de Veh´ıculos en Curvas. In I Simposio
Control Inteligente, 2005. 59
[Alonso 07a] J. Alonso, J. Jim´
enez, J. E. Naranjo, J. Su´
arez
and B. Vinagre. Cooperative Maneuver Study
Between Autonomous Cars:
Overtaking.
In
Springer Berlin / Heidelberg, editeur, Com-
puter Aided Systems Theory
EUROCAST
2007, volume 4739/2007 of Lecture Notes in
Computer Science, pp. 1151–1158. Springer-
Verlag, 2007. 60
[Alonso 07b] J. Alonso, J. I. Su´
arez, J. Jim´
enez and T. de Pe-
dro.
Cooperation between Autonomous Cars:
Overtaking maneuver. In Proceedings of Com-
puter Aided Systems Theory - EuroCast 2007,
pp. 386–387, 2007. 60
173

BIBLIOGRAF´
IA
[Alonso 09a] J. Alonso, V. Milan´
es, E. Onieva, J. Perez
and R. Garc´ıa. Safe Crossroads via Vehicle to
Vehicle Communication. In Springer Berlin /
Heidelberg, editeur, Computer Aided Systems
Theory
EUROCAST 2009, Lecture Notes in
Computer Science, pp. 421–428. Springer Berlin
/ Heidelberg, 2009. 60
[Alonso 09b] J. Alonso, E. Onieva, R. Garc´ıa and T. de Pe-
dro. An experiment to improve the safety and
the flow of traffic in a cross-roads by V2V com-
munications. In Proceedings of Computer Aided
Systems Theory, pp. 146–147, 2009. 60
[Alonso 11] J. Alonso, V. Milan´
es, E. Onieva, J. P´
erez,
C. Gonz´
alez and T. de Pedro. Cartography For
Cooperative Manoeuvres, Autopias new Car-
tography System for Cooperative Manoeuvres
among Autonomous Vehicles. Journal of Navi-
gation, Vol. 64, 2011. 46
[Arimitsu 07] S. Arimitsu, K. Sasaki, H. Hosaka, M. Itoh,
K. Ishida and A. Ito. Seat Belt Vibration as
a Stimulating Device for Awakening Drivers.
IEEE Transactions on Mechatronics, Vol. 12,
No. 5, pp. 511 –518, 2007. 22
[Armstrong 04] D. Armstrong,
G. Carr,
U. Ozguner and
R. Behringer. DARPA grand challenge on au-
tonomous vehicles. In Proc. 7th International
IEEE Conference on Intelligent Transportation
Systems, pp. 847 –847, October 3–6, 2004. 85
[Bajaj 05] P. Bajaj, A. Dalavi, S. Dubey, M. Mouza, S. Ba-
tra and S. Bhojwani. Soft computing based real-
time traffic sign recognition: A design approach.
Lecture Notes in Computer Science (including
subseries Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics), Vol. 3681
LNAI, pp. 1070–1074, 2005. 23
[Bevilacqua 10] A. Bevilacqua, A. Gherardi and L. Carozza. An
Automatic System for the Real-Time Character-
ization of Vehicle Headlamp Beams Exploiting
174

BIBLIOGRAF´
IA
Image Analysis. IEEE Transactions on Instru-
mentation and Measurement, Vol. 59, No. 10,
pp. 2630 –2638, 2010. 21
[Beyer 02] H.G. Beyer and H.P. Schwefel. Evolution strate-
gies - A comprehensive introduction. Natural
Computing, Vol. 1, pp. 3–52, 2002. 6
[Blosseville 00] J.M. Blosseville and M. Parent.
The French
Program La Route Automatis´
ee.
IEEE Intel-
ligent Systems, Vol. 15, pp. 10–11,13, 2000. 25
[Bonnefoi 07] F. Bonnefoi, F. Bellotti, T. Schendzielorz and
F. Visintainer.
SAFESPOT applications for
infrastructure-based co-operative road-safety. In
14th World Congress and Exhibition on Intelli-
gent Transport Systems and Services, 2007. 34
[Bourg 02] D.M. Bourg.
Physics for game developers.
O’Reilly Media, 2002. 115
[Brady 82] M. Brady. Robot motion: planning and control.
The MIT Press, 1982. 65
[Braitenberg 86] V. Braitenberg.
Vehicles:
Experiments in
synthetic psychology. The MIT press, 1986. 152
[Broggi 99] A. Broggi, M. Bertozzi, A. Fascioli, C.G.L.
Bianco and A. Piazzi. The ARGO autonomous
vehicles vision and control systems.
Interna-
tional Journal of Intelligent Control and Sys-
tems, Vol. 3, No. 4, pp. 409–441, 1999. 26
[B¨
unte 02] T. B¨
unte, D. Odenthal, B. Aksun-G¨
uven¸c and
L. G¨
uven¸
c. Robust vehicle steering control de-
sign based on the disturbance observer. Annual
Reviews in Control, Vol. 26, No. 1, pp. 139–149,
2002. 3
[Butz 04] M.V. Butz, O. Sigaud and P. G´
erard. Antici-
patory behavior: Exploiting knowledge about the
future to improve current behavior. Anticipa-
tory Behavior in Adaptive Learning Systems,
pp. 69–86, 2004. 152
175

BIBLIOGRAF´
IA
[Butz 09] M.V. Butz and T.D. Lonneker.
Optimized
sensory-motor couplings plus strategy exten-
sions for the TORCS car racing challenge. In
IEEE Symposium on Computational Intelli-
gence and Games, pp. 317 –324, 2009. 152
[Campbell 02] M. Campbell, A J. Hoane and F. Hsu. Deep
Blue. Artificial Intelligence, Vol. 134, No. 1-2,
pp. 57 – 83, 2002. 113
[Caponetto 03] R. Caponetto, O. Diamante, G. Fargione,
A. Risitano and D. Tringali. A soft computing
approach to fuzzy sky-hook control of semiactive
suspension. IEEE Transactions on Control Sys-
tems Technology, Vol. 11, No. 6, pp. 786–798,
2003. 23
[Cardamone 09] L. Cardamone, D. Loiacono and P.L. Lanzi.
Evolving competitive car controllers for racing
games with neuroevolution. In Proceedings of
the 11th Annual conference on Genetic and
evolutionary computation, pp. 1179–1186, 2009.
152
[Casavola 10] A. Casavola, G. Prodi and G. Rocca. Efficient
gear shifting strategies for green driving policies.
In American Control Conference, pp. 4331 –
4336, 2010. 22
[Cerny 85] V. Cerny.
Thermodynamical approach to the
traveling salesman problem: An efficient simu-
lation algorithm. Journal of Optimization The-
ory and Applications, Vol. 45, pp. 41–51, 1985.
5
[Chen 09] X. Chen. Reversing radar system based on CAN
bus. In International Conference on Industrial
Mechatronics and Automation, pp. 162 –165,
2009. 21
[Chumsamutr 03] R. Chumsamutr and T. Fujioka. Development
of car-following model with parameter identifi-
cation by genetic algorithm. JSME International
Journal, Series C: Mechanical Systems, Machine
176

BIBLIOGRAF´
IA
Elements and Manufacturing, Vol. 46, No. 1, pp.
188–196, 2003. 23
[Clanton 09] J.M. Clanton, D.M. Bevly and A.S. Hodel. A
Low-Cost Solution for an Integrated Multisen-
sor Lane Departure Warning System.
IEEE
Transactions on Intelligent Transportation Sys-
tems, Vol. 10, No. 1, pp. 47 –59, 2009. 21
[Commission 01] European Commission.
European Transport
Policy for 2010. Time to Decide. White Paper,
2001. 63
[Commission 06] European Commission. Use of Intelligent Sys-
tems in Vehicles. Eurobarometer, 2006. 63
[Crane 07] C.D. Crane. The 2005 DARPA Grand Chal-
lenge. In International Symposium on Compu-
tational Intelligence in Robotics and Automa-
tion, 2007. 85
[Cuesta 04] F. Cuesta, F. Gomez-Bravo and A. Ollero.
Parking maneuvers of industrial-like electrical
vehicles with and without trailer. IEEE Trans-
actions on Industrial Electronics, Vol. 51, No. 2,
pp. 257 – 269, 2004. 27
[Cumani 95] A. Cumani, S. Denasi, P. Grattoni, A. Guiducci,
G. Pettiti and G. Quaglia. MOBLAB: a mo-
bile laboratory for testing real-time vision-based
systems in path monitoring. In Proceedings of
SPIE, volume 2352, pp. 228–238, 1995. 26
[DARPA 07] DARPA.
Special Issue on the DARPA Ur-
ban Challenge Autonomous Vehicle Competi-
tion. IEEE Transactions on Intelligent Trans-
portation Systems, Vol. 8, No. 4, 2007. 29
[Deb 02] K. Deb, A. Pratap, S. Agarwal and T. Meyari-
van. A fast and elitist multiobjective genetic al-
gorithm: NSGA-II. IEEE Transactions on Evo-
lutionary Computation, Vol. 6, No. 2, pp. 182
–197, apr. 2002. 153
177

BIBLIOGRAF´
IA
[DGT 05] DGT. Parque Nacional de Veh´ıculos. Direcci´
on
General del Tr´
afico, Ministerio del Interior,
2005. 18
[DGT 09] DGT.

umero Anual de V´ıctimas Mortales.
Direcci´
on General del Tr´
afico, Ministerio del
Interior, 2009. 19
[Dickmanns 87] ED Dickmanns and A. Zapp.
Autonomous
high speed road vehicle guidance by computer
vision. In 10th Triennial World Congress of the
International Federation of Automatic Control.,
volume 4, pp. 221–226, 1987. 24
[Dickmanns 94] E.D. Dickmanns, R. Behringer, D. Dickmanns,
T. Hildebrandt, M. Maurer, F. Thomanek
and J. Schiehlen.
The seeing passenger car
’VaMoRs-P’. In Proceedings of the Intelligent
Vehicles Symposium, pp. 68 – 73, 1994. 24
[Dorigo 05] M. Dorigo and C. Blum. Ant colony optimiza-
tion theory: A survey. Theoretical Computer
Science, Vol. 344, No. 2-3, pp. 243 – 278, 2005.
6
[Driankov 93] M. Driankov. An introduction to fuzzy control.
Springer-Verlag, 1993. 4, 85
[Driankov 01] D. Driankov and A. Saffiotti.
Fuzzy logic
techniques for autonomous vehicle navigation.
Springer Berlin Heidelberg, 2001. 65
[Ebner 09] M. Ebner and T. Tiede. Evolving driving con-
trollers using Genetic Programming. In IEEE
Symposium on Computational Intelligence and
Games, pp. 279 –286, 2009. 154
[Ernst 07] T. Ernst. IPv6 Network Mobility in the CVIS
Project. In 6th European Congress & Exhibition
on Intelligent Transport Systems and Services,
2007. 33
[Fang 03] C.Y. Fang, S.W. Chen and C.S Fuh.
Au-
tomatic change detection of driving environ-
ments in a vision-based driver assistance sys-
178

BIBLIOGRAF´
IA
tem. IEEE Transactions on Neural Networks,
Vol. 14, No. 3, pp. 646 – 657, May 2003. 23
[Feo 95] Thomas A. Feo and Mauricio G. C. Resende.
Greedy Randomized Adaptive Search Proce-
dures. Journal of Global Optimization, Vol. 6,
pp. 109–133, 1995. 6
[Fogel 66] L.J. Fogel, A.J. Owens, M.J. Walshet al. Ar-
tificial intelligence through simulated evolution,
volume 26. Wiley New York, 1966. 6
[Frotscher 08] A. Frotscher, T. Scheider and M. Bohm. Coop-
ers Project: Development of An Its Architec-
ture FOR CO-Operative Systems on Motor-
ways. In 15TH World Congress on Intelligent
Transportation Systems, 2008. 32
[Garc´ıa 98] R. Garc´ıa and T. de Pedro. Modeling a fuzzy co-
processor and its programming language. Math-
ware and Soft Computing, Vol. 5(2-3), pp. 167–
174, 1998. 54
[Garc´ıa 04] R. Garc´ıa, T. de Pedro, C. Gonz´
alez, J. E.
Naranjo and J. Alonso. Presente y Futuro del
programa AUTOP´
IA de conducci´
on autom´
atica
de veh´ıculos. In XXV Jornadas de Autom´
atica,
2004. 59
[Garc´ıa 07] R. Garc´ıa, T. de Pedro, C. Gonz´
alez, J.E.
Naranjo and J. Alonso. ¿Para qu´
e un Conductor
Humano? In XXVIII Jornadas de Autom´
atica,
2007. 61
[Glover 93] F. Glover and M. Laguna. Tabu search, Modern
heuristic techniques for combinatorial problems,
1993. 6
[Glover 03] F. Glover and B. Meli´
an-Batista.

usqueda
tab´
u. Inteligencia Artificial, Revista Iberoamer-
icana de Inteligencia Artificial, Vol. 19, pp. 29–
48, 2003. 6
[Godoy 10] J. Godoy, V. Milan´
es, J. P´
erez, J. Villagr´
a,
T. De Pedro and Gonz´
alez C. Implementaci´
on
179

BIBLIOGRAF´
IA
de un sistema de localizaci´
on para veh´ıculos sin
conductor. In Seminario Anual de Autom´
atica,
Electr´
onica Industrial e Intrumentaci´
on, 2010.
47
[Goldberg 89] D.E. Goldberg. Genetic algorithms in search,
optimization, and machine learning. Addison
Wesley, New York, 1989. 6, 86
[Gonz´
alez-Cantos 09] A. Gonz´
alez-Cantos and A. Ollero. Backing-Up
Maneuvers of Autonomous Tractor-Trailer Ve-
hicles using the Qualitative Theory of Nonlinear
Dynamical Systems. The International Journal
of Robotics Research, Vol. 28, No. 1, p. 49, 2009.
27
[Gorinevsky 96] D. Gorinevsky, A. Kapitanovsky and A. Gold-
enberg. Neural network architecture for trajec-
tory generation and control of automated car
parking. IEEE Transactions on Control Systems
Technology, Vol. 4, No. 1, pp. 50–56, 1996. 23
[Herrera 98] F. Herrera, M. Lozano and J.L. Verdegay. Tack-
ling Real-Coded Genetic Algorithms: Operators
and Tools for Behavioural Analysis. Artificial
Intelligence Review, Vol. 12, pp. 265–319, 1998.
96
[Hillenbrand 06] J. Hillenbrand, A.M. Spieker and K. Kroschel.
A multilevel collision mitigation approachIts sit-
uation assessment, decision making, and perfor-
mance tradeoffs. IEEE Transactions on Intelli-
gent Transportation Systems, Vol. 7, No. 4, pp.
528–540, 2006. 84
[Holland 75] J.H. Holland. Adaptation in natural and artifi-
cial systems. The University of Michigan Press.,
1975. 6, 86, 96
[Hsiao 09] Pei-Yung Hsiao, Chun-Wei Yeh, Shih-Shinh
Huang and Li-Chen Fu.
A Portable Vision-
Based Real-Time Lane Departure Warning Sys-
tem: Day and Night. IEEE Transactions on Ve-
hicular Technology, Vol. 58, No. 4, pp. 2089 –
2094, 2009. 21
180

BIBLIOGRAF´
IA
[Hsu 04] C.-F. Hsu, W.-J. Wang, T.-T. Lee and C.-M.
Lin. Longitudinal control of vehicle platoon via
wavelet neural network. In IEEE International
Conference on Systems, Man and Cybernetics,
volume 4, pp. 3811–3816, 2004. 23
[Ioannou 93] P.A. Ioannou and C.C. Chien.
Autonomous
intelligent cruise control. IEEE Transactions on
Vehicular Technology, Vol. 42, No. 4, pp. 657 –
672, 1993. 22
[Jeong 10] SH Jeong, CG Choi, JN Oh, PJ Yoon, BS Kim,
M. Kim and KH Lee. Low cost design of parallel
parking assist system based on an ultrasonic
sensor.
International Journal of Automotive
Technology, Vol. 11, No. 3, pp. 409–416, 2010.
84
[Jones 01] W. D. Jones. Keeping cars from crashing. IEEE
Spectrum, Vol. 38, No. 9, pp. 40–45, 2001. 3
[Kennedy 95] J. Kennedy, R.C. Eberhartet al. Particle swarm
optimization. In Proceedings of IEEE interna-
tional conference on neural networks, volume 4,
pp. 1942–1948, 1995. 6
[Kim 07] D.J. Kim, K.H. Park and Z. Bien. Hierarchi-
cal longitudinal controller for rear-end collision
avoidance.
IEEE Transactions on Industrial
Electronics, Vol. 54, No. 2, pp. 805–817, 2007.
84
[King 77] PJ King and EH Mamdani.
The application
of fuzzy control systems to industrial processes.
Automatica, Vol. 13, No. 3, pp. 235–242, 1977.
4
[Kirkpatrick 83] S. Kirkpatrick, C. Gelatt and M. Vecchi. Op-
timization by simulated annealing.
Science,
Vol. 220, No. 4598, pp. 671–680, 1983. 5
[Koenders 08] E. Koenders and J. Vreeswijk.
Cooperative
infrastructure.
In IEEE Intelligent Vehicles
Symposium, pp. 721 –726, 2008. 34
181

BIBLIOGRAF´
IA
[Laird 02a] J.E. Laird. Research in human-level AI using
computer games. Communications of the ACM,
Vol. 3(8), pp. 32–35, 2002. 113
[Laird 02b] J.E. Laird. Research in human-level AI using
computer games. Communications of the ACM,
Vol. 45, No. 1, p. 35, 2002. 115
[Larsen 80] M. Larsenet al. Industrial applications of fuzzy
logic control.
International Journal of Man-
Machine Studies, Vol. 12, No. 1, pp. 3–10, 1980.
4
[Laumond 98] JP Laumond.
Robot motion planning and
control. Springer, 1998. 65
[Li 09] X. Li, Zhao X.P. and J. Chen. Controller design
for electric power steering system using T-S
fuzzy model approach. International Journal of
Automation and Computing, Vol. 6, No. 2, pp.
198–203, 2009. 85
[Liu 09] Y.J. Liu, S.C. Tong, W. Wang and Y.M. Li.
Observer-based direct adaptive fuzzy control of
uncertain nonlinear systems and its applica-
tions.
International Journal of Control, Au-
tomation and Systems, Vol. 7, No. 4, pp. 681–
690, 2009. 4
[Loiacono 08] D.
Loiacono,
J.
Togelius,
P.L.
Lanzi,
L. Kinnaird-Heether, S.M. Lucas, M. Sim-
merson, D. Perez, R.G. Reynolds and Y. Saez.
The WCCI 2008 simulated car racing competi-
tion. In IEEE Symposium on Computational
Intelligence and Games, pp. 119 –126, 2008.
116, 140
[Loiacono 09] D. Loiacono, P.L. Lanzi, J. Julian Togelius,
E. Onieva,
D.A. Pelta,
M.V. Butz,
T.D.

onneker, L. Cardamone, D. Diego Perez,
Y. Saez, M. Preuss and J. Quadflieg. The 2009
Simulated Car Racing Championship.
IEEE
Transactions on Computational Intelligence and
182

BIBLIOGRAF´
IA
AI in Games, Vol. 2, No. 2, pp. 131 – 147, 2009.
61
[Lucas 09] S. M. Lucas. Computational Intelligence and
AI in Games: A New IEEE Transactions. IEEE
Transactions on Computational Intelligence and
AI in Games, Vol. 1, No. 1, pp. 1 –3, 2009. 113
[Malan 07] S. Malan, M. Milanese, P. Borodani and A. Gal-
lione. Lateral Control of Autonomous Electric
Cars for Relocation of Public Urban Mobility
Fleet. IEEE Transactions on Control Systems
Technology, Vol. 15, No. 3, pp. 590 –598, 2007.
25
[Manz 09] M. Manz, M. Himmelsbach, T. Luettel and
H.J. Wuensche. Fusing LIDAR and Vision for
Autonomous Dirt Road Following. Autonome
Mobile Systeme, pp. 17–24, 2009. 24
[Mariyasagayam 08] M.N.
Mariyasagayam,
H.
Menouar
and
M. Lenardi. GeoNet: A project enabling active
safety and IPv6 vehicular applications.
In
IEEE International Conference on Vehicular
Electronics and Safety, pp. 312 –316, 2008. 34
[Marsden 01] G. Marsden, M. McDonald and M. Brack-
stone. Towards an understanding of adaptive
cruise control.
Transportation Research Part
C: Emerging Technologies, Vol. 9, No. 1, pp.
33–51, 2001. 65
[Martinez 07] John-Jairo
Martinez
and
Carlos
Canudas
de Wit. A Safe Longitudinal Control for Adap-
tive Cruise Control and Stop-and-Go Scenarios.
IEEE Transactions on Control Systems Tech-
nology, Vol. 15, No. 2, pp. 246 –258, 2007. 22
[Matthias 06] S. Matthias. Contribution of PReVENT to the
Safe Cars of the Future.
In Presentation in
Special Session of 13th ITS World Congress,
London, UK, 2006. 32
[Milan´
es 08a] V. Milan´
es,
J. E. Naranjo,
C. Gonz´
anez,
J. Alonso and T. de Pedro. Autonomous Vehicle
183

BIBLIOGRAF´
IA
based in Cooperative GPS and Inertial Systems.
ROBOTICA, Vol. 26, pp. 627–633, 2008. 46, 69
[Milan´
es 08b] V.
Milan´
es,
J.E.
Naranjo,
C.
Gonz´
alez,
R. Garc´ıa and T. de Pedro.
Sistema de
Posicionamiento para Veh´ıculos Aut´
onomos.
Revista Iberoamericana de Autom´
atica e In-
form´
atica Industrial, Vol. 5, No. 4, pp. 36–41,
2008. 46
[Milan´
es 08c] V. Milan´
es, E. Onieva, T. de Pedro, R. Garc´ıa,
J. Alonso, J. P´
erez and C. Gonz´
alez.
Con-
ducci´
on Aut´
onoma en Circuito de Dif´ıcil Man-
iobrabilidad. In XXIX Jornadas de Autom´
atica,
2008. 59
[Milan´
es 10a] V.
Milan´
es,
C.
Gonz´
alez,
J.E.
Naranjo,
E. Onieva and T. De Pedro. Electro-Hydraulic
Braking System for Autonomous Vehicles. In-
ternational Journal of Automotive Technology,
Vol. 1, No. 11, pp. 89–95, Feb 2010. 67, 69
[Milan´
es 10b] V.
Milan´
es,
D.F.
LLorca,
B.
Vinagre,
C. Gonz´
alez and M.A. Sotelo.
Clavile˜
no:
Evolution of an Autonomous Car.
In Proc.
of 13th International IEEE Conference on
Intelligent Transportation Systems, 2010. 48
[Milan´
es 10c] V.
Milan´
es,
J.

erez,
E.
Onieva
and
C. Gonz´
alez.
Controller for Urban Inter-
sections Based on Wireless Communications
and Fuzzy Logic. IEEE Transactions on Intel-
ligent Transportation Systems, Vol. 11, No. 1,
pp. 243–248, 2010. 60
[Miller 10] J.F. Miller and S.L. Harding. Cartesian genetic
programming. In Proceedings of the 12th annual
conference comp on Genetic and evolutionary
computation, pp. 2927–2948. ACM, 2010. 154
[Mladenovic 97] N. Mladenovic and P. Hansen. Variable neigh-
borhood search. Computers & Operations Re-
search, Vol. 24, No. 11, pp. 1097 – 1100, 1997.
6
184

BIBLIOGRAF´
IA
[Mu˜
noz 09] J. Mu˜
noz, G. Gutierrez and A. Sanchis. Con-
troller for TORCS created by imitation.
In
IEEE Symposium on Computational Intelli-
gence and Games, pp. 271 –278, 2009. 153
[Naranjo 04] J. E. Naranjo, C. Gonzalez, R. Garcia, T. de Pe-
dro, J. Revuelto and J. Reviejo.
Fuzzy logic
based lateral control for GPS map tracking. In
Proc. IEEE Intelligent Vehicles Symposium, pp.
397–400, 2004. 53, 59
[Naranjo 06a] J. E. Naranjo, C. Gonzalez, T. de Pedro,
R. Garcia, J. Alonso, M. A. Sotelo and D. Fer-
nandez. AUTOPIA architecture for automatic
driving and maneuvering. In IEEE Intelligent
Transportation Systems Conference, pp. 1220–
1225, 2006. 51
[Naranjo 06b] JE Naranjo,
C. Gonz´
alez,
R. Garcia and
T. de Pedro. ACC+ Stop&go maneuvers with
throttle and brake fuzzy control. IEEE Trans-
actions on Intelligent Transportation Systems,
Vol. 7, No. 2, pp. 213–225, 2006. 66
[Naranjo 07] Jose E. Naranjo, Miguel A. Sotelo, Carlos Gon-
zalez, Ricardo Garcia and Teresa de Pedro. Us-
ing Fuzzy Logic in Automated Vehicle Control.
IEEE Intelligent Systems, Vol. 22, No. 1, pp.
36–45, 2007. 6
[Naranjo 08] J. E. Naranjo, C. Gonzalez, R. Garcia and
T. de Pedro. Lane-Change Fuzzy Control in Au-
tonomous Vehicles for the Overtaking Maneu-
ver. IEEE Transactions on Intelligent Trans-
portation Systems, Vol. 9, No. 3, pp. 438–450,
2008. 60
[Onieva 08] E. Onieva, V. Milan´
es, J. Alonso, J. P´
erez and
T. de Pedro. Ajuste Gen´
etico de Controladores
Difusos para Conducci´
on Aut´
onoma. In Proc.
XIV Congreso Espa˜
nol sobre Tecnolog´ıas y

ogica Fuzzy ESTYLF08, pp. 43–50, 2008. 59
185

BIBLIOGRAF´
IA
[Onieva 09a] E. Onieva, J. Alonso, J. P´
erez, V. Milan´
es and
T. de Pedro. Autonomous Car Fuzzy Control
Modeled by Iterative Genetic Algorithms.
In
IEEE International Conference on Fuzzy Sys-
tems, pp. 1615 –1620, 2009. 59
[Onieva 09b] E. Onieva, V. Milan´
es, J. Perez, J. Alonso
and T. de Pedro. Soft Computing Techniques
for Autonomous Driving. Mathware and Soft
Computing, Vol. 16, No. 1, pp. 45–58, 2009. 59
[Onieva 09c] E. Onieva, D.A. Pelta, J. Alonso, V. Milanes
and J. Perez. A modular parametric architec-
ture for the TORCS racing engine. In IEEE
Symposium on Computational Intelligence and
Games, pp. 256 –262, 2009. 60, 124, 137, 141,
142, 143, 144, 146, 154
[Onieva 10a] E. Onieva, L. Cardamone, D. Loiacono and
P.L. Lanzi. Overtaking opponents with blocking
strategies using fuzzy logic. In IEEE Symposium
on Computational Intelligence and Games, pp.
123 –130, 2010. 61
[Onieva 10b] E. Onieva, V. Milan´
es, C. Gonz´
alez, T. de Pe-
dro, J. Perez and J. Alonso.
Throttle and
Brake Pedals Automation for Populated Areas.
ROBOTICA, Vol. 28, No. 4, pp. 509–516, 2010.
59
[Onieva 10c] E. Onieva, V. Milan´
es, J. Perez and T. de Pe-
dro. Estimaci´
on de un Control Lateral Difuso
de Veh´ıculos. Revista Iberoamericana de Au-
tom´
atica e Inform´
atica Industrial, Vol. 7, No. 2,
pp. 91–98, April 2010. 59
[Onieva 11a] E. Onieva, J. E. Naranjo, V. Milan´
es, J. Alonso,
R. Garc´ıa and J. Perez.
Automatic Lateral
Control for Unmanned Vehicles via Genetic
Algorithms. Applied Soft Computing, Vol. 11,
pp. 1303–1311, 2011. 59
[Onieva 11b] E. Onieva, D.A. Pelta, V. Milan´
es and J. P´
erez.
A Fuzzy-Rule-Based Driving Architecture for
186

BIBLIOGRAF´
IA
Non-Player Characters in a Car Racing Game.
Soft Computing, 2011. Aceptado y Pendiente
de Publicaci´
on. 60
[Pananurak 08] W. Pananurak, S. Thanok and M. Parnichkun.
Adaptive cruise control for an intelligent ve-
hicle.
In IEEE International Conference on
Robotics and Biomimetics,
pp. 1794–1799,
2008. 23
[Pennacchio 05] S. Pennacchio, E. Bellafiore, F. Fontana and
O. Nevoloso.
A new algorithm for reverse
car parking problem. WSEAS Transactions on
Circuits and Systems, Vol. 4, No. 4, pp. 374–
378, 2005. 23
[Perez 08] D. Perez, Y. Saez, G. Recio and P. Isasi.
Evolving a rule system controller for automatic
driving in a car racing competition. In IEEE
Symposium on Computational Intelligence and
Games, pp. 336 –342, 2008. 138
[Perez 09a] D. Perez, G. Recio, Y. Saez and P. Isasi. Evolv-
ing a fuzzy controller for a Car Racing Compe-
tition. In IEEE Symposium on Computational
Intelligence and Games, pp. 263 –270, 2009. 153
[Perez 09b] Joshue Perez, Carlos Gonzalez, Vicente Mi-
lanes, Enrique Onieva, Jorge Godoy and Teresa
de Pedro. Modularity, adaptability and evolu-
tion in the AUTOPIA architecture for control
of autonomous vehicles. In IEEE International
Conference on Mechatronics, pp. 1–5, 2009. 51
[Perez 10] J. Perez, V. Milanes, J. Alonso, E. Onieva
and T. de Pedro. Adelantamiento con vehicu-
los aut´
onomos en carreteras de doble sentido.
Revista Iberoamericana de Autom´
atica e In-
form´
atica Industrial, Vol. 7, No. 4, pp. 25–33,
2010. 60
[Pettersson 00] M. Pettersson and L. Nielsen. Gear shifting by
engine control. IEEE Transactions on Control
187

BIBLIOGRAF´
IA
Systems Technology, Vol. 8, No. 3, pp. 495 –507,
2000. 22
[Piao 03] J. Piao and M. McDonald.
Low speed car
following behaviour from floating vehicle data.
In IEEE Intelligent Vehicles Symposium, pp.
462–467, 2003. 65
[Ploeg 08] J. Ploeg, F.M. Hendriks and N.J. Schouten. To-
wards nondestructive testing of pre-crash sys-
tems in a HIL setup.
In Intelligent Vehicles
Symposium, pp. 91–96, 2008. 27
[Polychronopoulos 07] A. Polychronopoulos, M. Tsogas, A.J. Amditis
and L. Andreone. Sensor Fusion for Predict-
ing Vehicles’ Path for Collision Avoidance Sys-
tems. IEEE Transactions on Intelligent Trans-
portation Systems, Vol. 8, No. 3, pp. 549 –562,
sep. 2007. 21
[Pomerleau 91] D.A. Pomerleau.
Efficient training of artifi-
cial neural networks for autonomous navigation.
Neural Computation, Vol. 3, No. 1, pp. 88–97,
1991. 65
[P´
erez 08] J. P´
erez, E. Onieva, T. de Pedro, R. Garc´ıa,
J. Alonso, V. Milan´
es and Gonz´
alez. Comuni-
caci´
on entre Veh´ıculos Aut´
onomos en Tiempo
Real, para Maniobras de Alto Riesgo. In XXIX
Jornadas de Autom´
atica, 2008. 60
[Quadflieg 10] J. Quadflieg,
M. Preuss,
O. Kramer and
G. Rudolph. Learning the track and planning
ahead in a car racing controller.
In IEEE
Symposium on Computational Intelligence and
Games, pp. 395 –402, 2010. 153
[Quinlan 93] J.R. Quinlan.
C4. 5: programs for machine
learning. Morgan Kaufmann, 1993. 153
[Rajamani 02] R. Rajamani and C. Zhu.
Semi-autonomous
adaptive cruise control systems. IEEE Trans-
actions on Vehicular Technology, Vol. 51, No. 5,
pp. 1186 – 1192, sep. 2002. 22
188

BIBLIOGRAF´
IA
[Rajamani 06] R. Rajamani.
Vehicle dynamics and control.
Springer, 2006. 3
[Reynolds 08] R.G. Reynolds and M. Ali. Computing with the
social fabric: The evolution of social intelligence
within a cultural framework. IEEE Computa-
tional Intelligence Magazine, Vol. 3, No. 1, pp.
18 –30, 2008. 138
[Richards 06] A. Richards and J.P. How. Robust variable hori-
zon model predictive control for vehicle maneu-
vering.
International Journal of Robust and
Nonlinear Control, Vol. 16, No. 7, pp. 333–352,
2006. 3
[Riedmiller 07] M.
Riedmiller,
M.
Montemerlo
and
H. Dahlkamp. Learning to Drive a Real Car
in 20 Minutes. Frontiers in the Convergence of
Bioscience and Information Technologies, pp.
645 –650, 2007. 85
[Rosca 96] J.P. Rosca.
Generality versus size in genetic
programming, pp. 381–387.
Cambridge MIT
Press, 1996. 115
[Ross 04] T.J. Ross. Fuzzy logic with engineering appli-
cations. John Wiley & Sons Inc, 2004. 4
[Rusconi 07] G. Rusconi, M.C. Brugnoli, P. Dosso, K. Kret-
zschmar, P. Bougia, D.I. Fotiadis, L. Salgado,
F. Jaureguizar and M. De Feo. I-WAY, intel-
ligent co-operative system for road safety.
In
IEEE Intelligent Vehicles Symposium, pp. 1056
–1061, 2007. 37
[Schaeffer 07] J. Schaeffer, N. Burch, Y. Bjornsson, A. Kishi-
moto, M. Muller, R. Lake, P. Lu and S. Sut-
phen.
Checkers is solved.
Science, Vol. 317,
No. 5844, p. 1518, 2007. 113
[Schloman 07] J. Schloman and B. Blackfordm. Genetic pro-
gramming evolves a human competitive player
for a complex, on-line, interactive, multiplayer
game of strategy. In Proceedings of the Genetic
189

BIBLIOGRAF´
IA
and Evolutionary Computation Conference, pp.
1951–1958, 2007. 115
[Schreiner 99] K. Schreiner. Night Vision: infrared takes to
the road. Computer Graphics and Applications,
IEEE, Vol. 19, No. 5, pp. 6 –10, 1999. 21
[Serrano 05] J. I. Serrano, J. Alonso, M. D. del Castillo and
J. E. Naranjo.
Evolutionary Optimization of
Autonomous Vehicle Tracks. In IEEE Congress
on Evolutionary Computation, volume 2, pp.
1332–1339, 2005. 88
[Sheikholeslam 93] S. Sheikholeslam and C.A. Desoer. Longitudinal
control of a platoon of vehicles with no commu-
nication of lead vehicle information: a system
level study.
IEEE Transactions on Vehicular
Technology, Vol. 42, No. 4, pp. 546 –554, 1993.
29
[Shladover 92] S.E. Shladover. The California PATH Program
of IVHS research and its approach to vehicle-
highway automation. In Proc. Intelligent Vehi-
cles Symposium, pp. 347 –352, 1992. 29
[Siegel 96] E.V. Siegel and D.A. Chaffee.
Advances in
genetic programming 2, chapitre Genetically
optimizing the speed of programs evolved to
play tetris, pp. 279–298. Cambridge MIT Press,
1996. 115
[Sivak 05] M. Sivak, B. Schoettle, M.J. Flannagan and
T. Minoda.
Optimal strategies for adaptive
curve lighting.
Journal of Safety Research,
Vol. 36, No. 3, pp. 281–288, 2005. 21
[Sotelo 01] M. A. Sotelo, S. Alcalde, J. Reviejo, J. E.
Naranjo, R. Garcia, T. de Pedro and C. Gon-
zalez.
Vehicle fuzzy driving based on DGPS
and vision.
In Proc. Joint 9th IFSA World
Congress and 20th NAFIPS International Con-
ference, volume 3, pp. 1472–1477, 2001. 85
190

BIBLIOGRAF´
IA
[Sotelo 04] M.A. Sotelo,
D. Fern´
andez,
J.E. Naranjo,
C. Gonz´
alez, R. Garc´ıa, T. De Pedro and J. Re-
viejo. Vision-based adaptive cruise control for
intelligent road vehicles. In IEEE/RSJ Inter-
national Conference on Intelligent Robots and
Systems, volume 1, pp. 64–69, 2004. 23
[Stafylopatis 98] A. Stafylopatis and K. Blekas.
Autonomous
vehicle navigation using evolutionary reinforce-
ment learning.
European Journal of Opera-
tional Research, Vol. 108, No. 2, pp. 306–318,
1998. 65
[Stanley 04] Kenneth Owen Stanley. Efficient evolution of
neural networks through complexification. PhD
thesis, The University of Texas at Austin, 2004.
Supervisor-Miikkulainen, Risto P. 138
[Sugeno 89] M. Sugeno, T. Murofushi, T. Mori, T. Tatem-
atsu and J. Tanaka. Fuzzy algorithmic control
of a model car by oral instructions. Fuzzy Sets
and Systems, Vol. 32, No. 2, pp. 207–219, 1989.
65
[Sugeno 99] M. Sugeno. On stability of fuzzy systems ex-
pressed by fuzzy rules with singleton conse-
quents. IEEE Transactions on Fuzzy systems,
Vol. 7, No. 2, pp. 201–224, 1999. 56
[Sussmann 94] H. J. Sussmann, E. D. Sontag and Y. Yang.
A general result on the stabilization of linear
systems using bounded controls. IEEE Transac-
tions on Automatic Control, Vol. 39, No. 12, pp.
2411–2425, 1994. 4
[Takagi 85] T. Takagi and M. Sugeno. Fuzzy identification
of systems and its applications to modeling and
control. IEEE transactions on Systems, Man,
and Cybernetics, Vol. 15, pp. 116–132, 1985. 4,
85
[Thomanek 96] F. Thomanek and E. Dickmanns. Autonomous
road vehicle guidance in normal traffic. In Re-
cent Developments in Computer Vision, volume
191

BIBLIOGRAF´
IA
1035 of Lecture Notes in Computer Science, pp.
499–507. Springer Berlin / Heidelberg, 1996. 24
[Thorpe 88] C. Thorpe, M.H. Hebert, T. Kanade and S.A.
Shafer. Vision and navigation for the Carnegie-
Mellon Navlab. IEEE Transactions on Pattern
Analysis and Machine Intelligence, Vol. 10,
No. 3, pp. 362 –373, 1988. 30
[Thrun 07] S. Thrun,
M. Montemerlo,
H. Dahlkamp,
D. Stavens, A. Aron, J. Diebel, P. Fong, J. Gale,
M. Halpenny, G. Hoffmannet al. Stanley: The
robot that won the DARPA Grand Challenge.
The 2005 DARPA Grand Challenge, pp. 1–43,
2007. 28
[Togelius 08] J. Togelius,
S. Lucas,
H.D. Thang,
J.M.
Garibaldi, T. Nakashima, C.H. Tan, I. El-
hanany, S. Berant, P. Hingston, R.M. Maccal-
lumet al. The 2007 IEEE CEC simulated car
racing competition. Genetic Programming and
Evolvable Machines, Vol. 9, No. 4, pp. 295–329,
2008. 115
[Trivedi 07] Mohan Manubhai Trivedi, Tarak Gandhi and
Joel McCall. Looking-In and Looking-Out of a
Vehicle: Computer-Vision-Based Enhanced Ve-
hicle Safety. IEEE Transactions on Intelligent
Transportation Systems, Vol. 8, No. 1, pp. 108
–120, 2007. 21
[Tsugawa 01a] S. Tsugawa, K.T.S. Kato, T. Matsui and H. Fu-
jii.
An overview on DEMO 2000 cooperative
driving.
In IEEE Intelligent Vehicle Sympo-
sium, pp. 327–332, 2001. 32
[Tsugawa 01b] S. Tsugawa, S. Kato, K. Tokuda, T. Matsui and
H. Fujii. A cooperative driving system with au-
tomated vehicles and inter-vehicle communica-
tions in Demo 2000. IEEE Intelligent Trans-
portation Systems, pp. 918 –923, 2001. 32
[Tunstel 03] E. Tunstel and A. Howard. Approximate rea-
soning for safety and survivability of planetary
192

BIBLIOGRAF´
IA
rovers. Fuzzy Sets and Systems, Vol. 134, No. 1,
pp. 27–46, 2003. 23
[Ulmer 92] B. Ulmer. VITA-an autonomous road vehicle
(ARV) for collision avoidance in traffic. In Pro-
ceedings of the Intelligent Vehicles Symposium,
pp. 36 –41, 1992. 24
[Valavanis 06] K.P. Valavanis. Unmanned vehicle navigation
and control:
A fuzzy logic perspective.
In
International Symposium on Evolving Fuzzy
Systems, pp. 200–207, 2006. 23
[van Arem 06] B. van Arem, C.J.G. van Driel and R. Visser.
The impact of cooperative adaptive cruise con-
trol on traffic-flow characteristics. IEEE Trans-
actions on Intelligent Transportation Systems,
Vol. 7, No. 4, p. 429, 2006. 22
[Velupillai 07] S. Velupillai and L. Guvenc.
Tire Pressure
Monitoring [Applications of Control].
IEEE
Control Systems Magazine, Vol. 27, No. 6, pp.
22 –25, 2007. 21
[Verdegay 08] J.L. Verdegay, R.R. Yager and P.P. Bonissone.
On heuristics as a fundamental constituent
of soft computing.
Fuzzy Sets and Systems,
Vol. 159, No. 7, pp. 846 – 855, 2008. Theme:
Fuzzy Models and Approximation Methods. 5
[Vivo 07] Giulio Vivo.
The SAFESPOT Integrated
Project: an overview. In IEEE Intelligent Vehi-
cles Symposium, pp. 14 –14, 2007. 34
[von Hundelshausen 08] F.
von
Hundelshausen,
M.
Himmelsbach,
F. Hecker, A. Mueller and H.J. Wuensche. Driv-
ing with tentacles: Integral structures for sens-
ing and motion.
Journal of Field Robotics,
Vol. 25, No. 9, pp. 640–673, 2008. 24
[Wang 03] Jian Wang and Baigen Cai. A low-cost inte-
grated GPS/INS navigation system for the land
vehicle. In IEEE Intelligent Transportation Sys-
tems, volume 2, pp. 1022–1026, 2003. 85
193

BIBLIOGRAF´
IA
[Wang 07] C.C. Wang, C. Thorpe, S. Thrun, M. Hebert
and H. Durrant-Whyte.
Simultaneous local-
ization, mapping and moving object tracking.
The International Journal of Robotics Research,
Vol. 26, No. 9, p. 889, 2007. 30
[Wooden 07] D. Wooden, M. Powers, M. Egerstedt, H. Chris-
tensen and T. Balch. A modular, hybrid sys-
tem architecture for autonomous, urban driving.
Journal of Aerospace Computing, Information,
and Communication, Vol. 4(12), pp. 1047–1058,
2007. 85
[Wu 06] B.F. Wu, T.W. Chang, J.W. Perng, H.H. Chi-
ang, C.J. Chen, T.Y. Liao, S.J. Wu and T.T.
Lee. Design and Implementation of the Intelli-
gent Stop and Go System in Smart Car, TAI-
WAN iTS-1. In IEEE International Conference
on Systems, Man and Cybernetics, volume 3,
pp. 2075 –2080, 2006. 66
[Wu 08] S. Wu, E. Zhu, M. Qin, H. Ren and Z. Lei. Con-
trol of Four-Wheel-Steering Vehicle Using GA
Fuzzy Neural Network. In Proc. International
Conference on Intelligent Computation Tech-
nology and Automation, volume 1, pp. 869–873,
2008. 85
[Xie 06] L. Xie, G. Zhu, M. Tang, H. Xu and Z. Zhang.
Vehicles Tracking Based on Corner Feature in
Video-based ITS.
In Proc. 6th International
Conference on ITS Telecommunications, pp.
163–166, 2006. 85
[Zadeh 65] L.A. Zadeh.
Fuzzy sets.
Information and
control, Vol. 8, No. 3, pp. 338–353, 1965. 4,
85
[Zadeh 94] L.A. Zadeh.
Soft computing and fuzzy logic.
IEEE Software, IEEE, Vol. 11, No. 6, pp. 48
–56, 1994. 5
[Zadeh 99] L.A. Zadeh. Fuzzy logic= computing with words.
IEEE Transactions on Fuzzy Systems, Vol. 4,
No. 2, pp. 103 – 111, 1999. 4, 85
194

BIBLIOGRAF´
IA
[Zhang 01] Qin Zhang. Design of a generic fuzzy controller
for electrohydraulic steering. In American Con-
trol Conference, volume 5, pp. 3938–3942, 2001.
85
[Zheng 10] Y. Zheng. Research on fuzzy logic control of ve-
hicle suspension system. In International Con-
ference on Mechanic Automation and Control
Engineering, pp. 307–310, 2010. 23
195

BIBLIOGRAF´
IA
196

BIBLIOGRAF´
IA
197

Document Outline

  • Resumen
  • Abstract
  • 1 Introducción
    • 1.1 Propósito
    • 1.2 Difusión de Resultados
    • 1.3 Estructura del Trabajo
  • 2 Estado del Arte
    • 2.1 Los Sistemas Inteligentes de Transporte
      • 2.1.1 El Transporte por Carretera
      • 2.1.2 Vehículos Inteligentes
    • 2.2 Grupos de Investigación en Vehículos Autónomos
    • 2.3 Proyectos de Investigación Destacables
    • 2.4 Los Sistemas Inteligentes de Transporte en la Industria
    • 2.5 El Grupo AUTOPIA
  • 3 Control de Velocidad en Entornos Urbanos
    • 3.1 Motivación
    • 3.2 Actuación sobre el Acelerador y Freno
    • 3.3 Sistema de Control Difuso
      • 3.3.1 Error de velocidad
      • 3.3.2 Aceleración
      • 3.3.3 Acelerador
      • 3.3.4 Freno
      • 3.3.5 Base de Reglas para el Acelerador
      • 3.3.6 Base de Reglas para el Freno
    • 3.4 Experimentación
      • 3.4.1 Adaptación a Cambios de Velocidad
      • 3.4.2 Mantenimiento de Velocidad Fija
      • 3.4.3 Comparación con un Humano
    • 3.5 Conclusiones
  • 4 Ajuste del Control de Dirección con Algoritmos Genéticos
    • 4.1 Motivación
    • 4.2 Captura y Procesamiento de la Información
      • 4.2.1 Variables de Entrada y Salida
      • 4.2.2 Monitorización de Datos
      • 4.2.3 Procesamiento de los Datos
    • 4.3 Representación de los Controladores Difusos
      • 4.3.1 Representación del Conjunto de Etiquetas
      • 4.3.2 Representación de la Base de Reglas
    • 4.4 Método de Ajuste Genético
      • 4.4.1 Función Objetivo
    • 4.5 Experimentación y Resultados
    • 4.6 Conclusiones
  • 5 Conducción Competitiva en Entornos Simulados
    • 5.1 Motivación
    • 5.2 El Entorno de Simulación TORCS
      • 5.2.1 Información Sensorial
    • 5.3 Arquitectura de Control Implementada
      • 5.3.1 Control de Marchas
      • 5.3.2 Velocidad Objetivo
      • 5.3.3 Control de Pedales
      • 5.3.4 Control de Volante
      • 5.3.5 Gestor de Oponentes
      • 5.3.6 Módulo de Aprendizaje
    • 5.4 Experimentación y Resultados
      • 5.4.1 Experimentación de Laboratorio
      • 5.4.2 El 2009 Simulated Car Racing Championship
    • 5.5 Conclusiones
  • 6 Conclusions and Future Work


Compartir con tus amigos:
1   ...   7   8   9   10   11   12   13   14   15


La base de datos está protegida por derechos de autor ©absta.info 2019
enviar mensaje

    Página principal