2026-06-03T00:39:57Zhttps://riuma.uma.es/rest/oai/request

oai:riuma.uma.es:10630/237452026-02-03T12:41:13Zcom_10630_2254col_10630_37957

00925njm 22002777a 4500 dc Pérez-Fernández, Javier author 2022-02-03 El desarrollo de esta tesis ha permitido establecer una nueva estrategia de control biológico vehicular. Esto aumenta la seguridad en una condición de emergencia realizando un control del deslizamiento producido entre el neumático y el asfalto. Para ello es necesario realizar una estimación e identificación de las condiciones de adherencia, así como una intervención con el fin de maximizar los esfuerzos transmitidos del neumático al asfalto. Para la estimación, tanto de velocidades como de fuerzas, se ha utilizado un filtro de kalman extendido. Mientras para la identificación del tipo de carretera, así como el control del par en rueda se utiliza una red neuronal de impulsos. La principal novedad reside en el uso de una estructura de control, así como un algoritmo de aprendizaje inspirado en la biología. Esto es gracias a la similitud entre una neurona de impulsos y una neurona biológica ya que ambas codifican la información de forma temporal permitiendo hacer uso del sincronismo entre neuronas para aplicar un algoritmo de aprendizaje. Esto se fundamenta en que las redes biológicas que disparan en el mismo instante de tiempo reciben una potenciación en la unión sináptica mayor. Para ello se utilizará un método de aprendizaje dependiente del tiempo de disparo entre neuronas, modelando así la plasticidad sináptica, denominado STDP. Esto permite la adaptación del controlador ante la variabilidad de las condiciones de adherencia mientras se ejecutar el control apoyándose en la estabilidad que aporta la estructura basa en arcos del reflejo patelar y vestíbulo-ocular. Finalmente, mediante simulación y experimentación en vehículos de ensayos de dos y cuatro ruedas se han validado todos los componentes del control vehicular propuesto. https://hdl.handle.net/10630/23745 Redes neuronales Transporte-Control Teledetección Development and implementation of active safety systems in vehicles using spiking neural networks