Una aplicación común de la robótica móvil autónoma es la idea de seguimiento de línea, que para los automóviles autónomos se amplía al concepto de seguimiento de carril. Esta aplicación puede ser un paso inicial para desarrollar un ejemplo de conducción totalmente autónoma para simular el flujo de tráfico.

Volviendo a lo básico

Sin embargo, antes de llegar a la autonomía total del vehículo, es importante dar un paso atrás y comenzar con lo básico. En este caso, debe averiguar cómo mantener el automóvil dentro de su carril y seguirlo.

Como parte del equipo mecánico aquí en Quanser, tengo la oportunidad de experimentar con algunas de las tecnologías líderes que están ayudando a los investigadores en su exploración. La herramienta principal que me permite interactuar y experimentar con el hardware es el software de creación rápida de prototipos de Quanser llamado QUARC. En los últimos meses, también tuve la oportunidad de experimentar con la plataforma QCar en una variedad de áreas diferentes, como visión por computadora, fusión de sensores, localización de posiciones y mapeo del entorno.

QUARC está en el corazón del ejemplo de mantenimiento de carril de nuestro QCar del que quiero hablar. Mi colega Murtaza Bohra ya explicó el proceso de pensamiento detrás de nuestra implementación centrada en QUARC de la aplicación de seguimiento de carril. Te recomiendo que leas su publicación Reading Between the Lines para obtener más detalles. Mi objetivo era desarrollar un algoritmo de mantenimiento de carril aún más estable, aprovechando las toolboxes de MATLAB.

Empezando

El primer paso para desarrollar mi implementación fue identificar qué parte de la aplicación de mi colega quiero modificar. Decidí que un buen punto de partida sería centrarme en la parte de visión por computadora de la aplicación, ya que esto me da la capacidad de cambiar cómo se modifica el rumbo del QCar mientras se mantiene el resto de la funcionalidad (como el controlador de velocidad) exactamente igual.

A continuación, comencé a investigar métodos alternativos para interpretar información en una imagen. Aquí es donde me encontré con el concepto conocido como perspectivas de imagen y vista de pájaro (Bird’s Eye View), que se usa comúnmente en aplicaciones de conducción autónoma.  Con esta información, estaba listo para trabajar. Estaría modificando la pila de procesamiento de imágenes implementando una representación Bird’s Eye de mi cámara orientada hacia adelante y usaría esto para rastrear el centro de mi carril. Dado que el QCar ofrece una amplia gama de sensores, en particular sensores de visión, tuve que decidir cuál usar para mi transformación Bird's Eye. El QCar está equipado con una cámara CSI con FOV de 172 grados orientada hacia el frente capaz de ver imágenes a una alta frecuencia de actualización. Para mi aplicación, utilicé la resolución de 820 × 616 con una frecuencia de actualización de 80Hz.

Acceda al artículo original aquí.