Aprendizaje automático y redes neuronales de visión en vehículos autónomos para la población envejeciente: Un protocolo de revisión del alcance
DOI:
https://doi.org/10.33448/rsd-v13i10.47019Palabras clave:
Vehículo Autónomo; Aprendizaje Automático; Redes Neuronales de Visión; Interacción Hombre-Ordenador; Inteligencia Artificial.Resumen
Esta revisión de alcance tiene como objetivo mapear sistemáticamente el cuerpo de literatura actual sobre el papel del Aprendizaje Automático (ML) y las Redes Neuronales de Visión (VNN) en la mejora de la usabilidad y accesibilidad de los Vehículos Autónomos (VA) para usuarios mayores y discapacitados. Si bien la tecnología de VA ha avanzado significativamente en los últimos años, las soluciones de cómo estas tecnologías pueden abordar los desafíos únicos que enfrentan estas poblaciones vulnerables aún se encuentran en una etapa subdesarrollada o subdesarrollada. Por ejemplo, el deterioro cognitivo, las limitaciones físicas y la menor confianza en los sistemas automatizados. La revisión investigará cómo ML y VNN contribuyen a mejorar la seguridad, la usabilidad, la accesibilidad y la confianza en los VA, centrándose en estudios publicados entre 2020 y 2024. Se realizará una búsqueda exhaustiva en cuatro bases de datos principales, que son PubMed, IEEE Xplore, Scopus y Google Scholar. El idioma de los estudios empíricos y revisiones revisados por pares debe estar escrito en inglés. Los datos se extraerán utilizando un formulario estandarizado y se sintetizarán a través de un marco analítico descriptivo para identificar temas clave, tendencias y brechas en la literatura. Los hallazgos ofrecerán información valiosa sobre cómo optimizar aún más las tecnologías de vehículos autónomos para usuarios mayores y discapacitados. Orientarán las investigaciones futuras y servirán de base para el desarrollo de sistemas de vehículos autónomos más inclusivos, seguros y fiables. Por lo tanto, pueden promover una mayor movilidad e independencia para estas poblaciones.
Citas
Alzubaidi, M. S., Shah, U., Dhia Zubaydi, H., Dolaat, K., Abd-Alrazaq, A. A., Ahmed, A., & Househ, M. (2021). The role of neural network for the detection of Parkinson’s disease: A scoping review. Healthcare, 9(6), 740. https://doi.org/10.3390/healthcare9060740
Australian Government. (2024, July 2). Older Australians, about. Australian Institute of Health and Welfare. https://www.aihw.gov.au/reports/older-people/older-australians/contents/about
Bichu, Y. M., Hansa, I., Bichu, A. Y., Premjani, P., Flores-Mir, C., & Vaid, N. R. (2021). Applications of artificial intelligence and machine learning in orthodontics: A scoping review. Progress in Orthodontics, 22(1). https://doi.org/10.1186/s40510-021-00361-9
Casali, Y., Aydin, N. Y., & Comes, T. (2022). Machine learning for spatial analyses in urban areas: A scoping review. Sustainable Cities and Society, 85, 104050. https://doi.org/10.1016/j.scs.2022.104050
Elallid, B. B., Benamar, N., Hafid, A. S., Rachidi, T., & Mrani, N. (2022). A comprehensive survey on the application of deep and reinforcement learning approaches in autonomous driving. Journal of King Saud University - Computer and Information Sciences, 34(9), 7366–7390. https://doi.org/10.1016/j.jksuci.2022.03.013
Fayyad, J., Jaradat, M. A., Gruyer, D., & Najjaran, H. (2020). Deep learning sensor fusion for autonomous vehicle perception and localization: A review. Sensors, 20(15), 4220. https://doi.org/10.3390/s20154220
Ignatious, H. A., Sayed, H.-E., & Khan, M. (2022). An overview of sensors in autonomous vehicles. Procedia Computer Science, 198, 736–741. https://doi.org/10.1016/j.procs.2021.12.315
Katalesanket. (2023, November 27). Machine learning in self-driving cars. Medium. https://medium.com/@katalesanket90/machine-learning-in-self-driving-cars-8b5d1c685d3b
Karle, P., Fent, F., Huch, S., Sauerbeck, F., & Lienkamp, M. (2023). Multi-modal sensor fusion and object tracking for autonomous racing. IEEE Transactions on Intelligent Vehicles, 8(7), 3871–3883. https://doi.org/10.1109/tiv.2023.3271624
Lajunen, T., & Sullman, M. J. (2021). Attitudes toward four levels of self-driving technology among elderly drivers. Frontiers in Psychology, 12. https://doi.org/10.3389/fpsyg.2021.682973
Mozaffari, S., Al-Jarrah, O. Y., Dianati, M., Jennings, P., & Mouzakitis, A. (2022). Deep learning-based vehicle behavior prediction for autonomous driving applications: A review. IEEE Transactions on Intelligent Transportation Systems, 23(1), 33–47. https://doi.org/10.1109/tits.2020.3012034
Müller, J. M. (2019). Comparing technology acceptance for autonomous vehicles, battery electric vehicles, and car sharing—a study across Europe, China, and North America. Sustainability, 11(16), 4333. https://doi.org/10.3390/su11164333
Mohammad-Rahimi, H., Nadimi, M., Rohban, M. H., Shamsoddin, E., Lee, V. Y., & Motamedian, S. R. (2021). Machine learning and orthodontics, current trends and future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics, 160(2). https://doi.org/10.1016/j.ajodo.2021.02.013
Pande, P. S., & Khandelwal, S. (2022). A review on deep learning approaches for object detection in self-driving cars. NeuroQuantology, 20(13), 1144–1151. https://www.neuroquantology.com/open-access/A+Review+on+Deep+Learning+approaches+for+Object+Detection+in+Self-Driving+Cars9862/? download=true
Pavel, M. I., Tan, S. Y., & Abdullah, A. (2022). Vision-based autonomous vehicle systems based on deep learning: A systematic literature review. Applied Sciences, 12(14), 6831. https://doi.org/10.3390/app12146831
Rahman, M. M., Deb, S., Strawderman, L., Burch, R., & Smith, B. (2019). How the older population perceives self-driving vehicles. Transportation Research Part F: Traffic Psychology and Behaviour, 65, 242–257. https://doi.org/10.1016/j.trf.2019.08.002
Reid, A. E., Doucet, S., Luke, A., Azar, R., & Horsman, A. R. (2019). The impact of patient navigation: A scoping review protocol. JBI Evidence Synthesis, 17(6), 1079–1085.
Silva, N., Zhang, D., Kulvicius, T., Gail, A., Barreiros, C., Lindstaedt, S., Kraft, M., Bölte, S., Poustka, L., Nielsen-Saines, K., Wörgötter, F., Einspieler, C., & Marschik, P. B. (2021). The future of general movement assessment: The role of computer vision and machine learning – A scoping review. Research in Developmental Disabilities, 110, 103854. https://doi.org/10.1016/j.ridd.2021.103854
Singh, S., & Saini, B. S. (2021). Autonomous cars: Recent developments, challenges, and possible solutions. IOP Conference Series: Materials Science and Engineering, 1022(1), 012028. https://doi.org/10.1088/1757-899x/1022/1/012028
Sirohi, D., Kumar, N., & Rana, P. S. (2020). Convolutional neural networks for 5G-enabled intelligent transportation system: A systematic review. Computer Communications, 153, 459–498. https://doi.org/10.1016/j.comcom.2020.01.058
Smith, T., Lee, K. H., Yu, K., Armstrong, L., & Cook, D. M. (2022). Exploring issues of resilience and technology use for older people: A scoping review protocol. Research, Society and Development, 11(15), 1–6. https://doi.org/10.33448/rsd-v11i15.37773
Soori, M., Arezoo, B., & Dastres, R. (2023). Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics, 3, 54–70. https://doi.org/10.1016/j.cogr.2023.04.001
Stewart, L. A., Clarke, M., Rovers, M., Riley, R. D., Simmonds, M., Stewart, G., & Tierney, J. F. (2015). Preferred reporting items for a systematic review and meta-analysis of individual participant data: The PRISMA-IPD statement. JAMA, 313(16), 1657–1665.
Sun, H., Jing, P., Zhao, M., Chen, Y., Zhan, F., & Shi, Y. (2020). Research on the mode choice intention of the elderly for autonomous vehicles based on the extended ecological model. Sustainability, 12(24), 10661. https://doi.org/10.3390/su122410661
Yuen, K. F., Cai, L., Qi, G., & Wang, X. (2020). Factors influencing autonomous vehicle adoption: An application of the technology acceptance model and innovation diffusion theory. Technology Analysis & Strategic Management, 33(5), 505–519. https://doi.org/10.1080/09537325.2020.1826423
Zablocki, É., Ben-Younes, H., Pérez, P., & Cord, M. (2022). Explainability of deep vision-based autonomous driving systems: Review and challenges. International Journal of Computer Vision, 130(10), 2425–2452. https://doi.org/10.1007/s11263-022-01657-x
Zakaria, N. J., Shapiai, M. I., Ghani, R. A., Yassin, M. N., Ibrahim, M. Z., & Wahid, N. (2023). Lane detection in autonomous vehicles: A systematic review. IEEE Access, 11, 3729–3765. https://doi.org/10.1109/access.2023.3234442
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Shengsheng Tan
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
