Os carros autônomos passaram a fazer parte da Fórmula SAE em 2017, primeiramente na Alemanha, com uma nova categoria da competição dedicada a eles. Explorando a expertise que a Unicamp E-Racing já possuía, as ideias de se incluir nesse novo espaço já estavam surgindo.
Depois de mais uma vitória no campeonato nacional, em 2018, a Unicamp E-Racing se reuniu para estruturar as novas metas para o próximo ano. Nesse contexto, querendo levar o desenvolvimento das tecnologias da equipe para o patamar autônomo, quatro membros com grande ambição fundaram a Inteligência Artificial para criar o primeiro Fórmula SAE Driverless das Américas.
Dois meses depois e um total de 12 membros incorporados, a divisão já possuía um roadmap completo para viabilizar esse desafio e iniciou seus trabalhos.
Esse projeto, agora aberto ao público é uma versão polida, contendo códigos e documentação das lições aprendidas durante essa fase inicial de estudos, que consistiu nos 6 primeiros meses de 2019 - No qual a equipe conseguiu fazer um primeiro protótipo funcional.
Por mais que existam métodos de mapeamento e controle sofisticados, optou-se em primeiro momento por adotar a ideia mais simples possível, para poder assim entender quais áreas precisariam de maior complexidade e estudo; o objetivo foi ter um protótipo funcional mais rápido possível.
Algumas filosofias seguidas no desenvolvimento desse Software;
- KISS
- Minimalist Code
Desenvolver um carro de Fórmula SAE autônomo, capaz de percorrer de forma segura e com alto desempenho uma pista delimitada por cones em ambos os lados.
- Jetson TX2
- ZED Camera
Seguindo a filosofia e objetivos citados anteriormente, o software segue uma lógica bem simples que consiste na seguinte linha de processamento:
Processamento de imagem e detecção dos cones;
Determinação do meio da pista e Target de steering;
Comunicação com o carro;
A interface com o carro é feita exclusivamente pela CAN bus, na qual o carro envia informações como velocidade e recebe comandos como Target de Steering.
A interface com a CAN foi feita através de um adaptador USB-CAN
A Camera utilizada possui uma interface USB3.0, que era conectada diretamente a placa de processamento central(Jetson TX2);
Uma das principais funcionalidades do software é a operação em diferentes modos, podendo ser tirar certos componentes e simulá-los separadamente, facilitando assim a otimização de parâmetros e a procura de erros.
Nesse modo, toda pipeline de visão, é substituída por uma emulação utilizando um arquivo de pista, simulando assim a detecção dos cones. Tem grande utilidade para testar diferentes estratégias de controle.
Utilizada para simular o comportamento do carro, utilizando um modelo cinemático simples (modelo de bicicleta); A comunicação com essa simulação é feita através de uma CAN virtual, assim o restante do comportamento do software permanece inalterado.
Com essa opção ativada, o software além de escrever, lê informações do barramento CAN, utilizado principalmente para debug, uma vez que as informações lidas não eram utilizadas para o controle do carro.
Todas as constantes utilizadas estão concentradas em um único arquivo (constants.py); Essas constantes mudam de diversas formas a operação do software; As principais constantes serão explicadas abaixo:
SHOW_IMG = False # Mostra janela com imagem da camera e cones detectados
SHOW_VIEWER = True # Mostra visualizador topdown com cones e carro.
RUN_FLAGS = ["CAN_READ", "CAR_SIMULATION", "VISION_SIMULATION"] # opções de operação
...
CAPTURE_MODE = "ZED_SDK" # ZED_SDK or OPENCV - Modo de captura da imagem da camera
FLIP_IMG = False # inverte a imagem da camera se a camera foi montada de ponta cabeça
...
MESURMENT_MODE = "STEREO" # STEREO or MONO - Modo de medição da posição do cone
...Bloco responsável por capturar a imagem da camera, detectar os cones na imagem e determinar a posição dos cones.
Possui dois modos de captura, utilizado o SDK da camera ZED, ou utilizado a biblioteca OPENCV, sendo o segundo método utilizado em testes utilizado diferentes cameras.
Possui apenas um método de detecção, utilizado a rede neural YOLO
Possui 2 modos de medição da posição dos cones. sendo eles
-
Mono
Utilizando informações prévias do tamanho do cone, utiliza-se a altura do cone na imagem para estimar sua distância. É relativamente preciso para cones próximos.
-
Stereo
Utilizando a imagem stereo da camera, calcula a posição 3d do cone em relação a camera
Duas diferentes lógicas de controle foram utilizada e testadas. Todas elas buscam encontrar o meio da pista e em seguida determinar o ângulo de esterçamento para manter o carro no meio da pista.
Diversas constantes mudam drasticamente o comportamento do Controlador, tais constantes determinam limites e parâmetros que devem ser otimizados dependendo da pista e do carro.
Método simples, basicamente calcula a média da posição dos cones mais próximos do carro, fazendo checagens de colisão.
Por meio de um algoritmo simples, encontra os pares de cones (azul + amarelo) e a partir deles computa o meio da pista.
Interface CAN, envia e recebe mensagens na bus CAN do carro, tendo como principal papel codificar e decodificar essas mensagens.
Esse bloco de código deve ser customizado dependendo da aplicação, podendo ser até mesmo totalmente substituído por outras formas de interface.
Codigo auxiliar, que emula o carro utilizando um modelo cinemático de bicicleta, além de emular as mensagens CAN e o atuador de steering.
A simulação do tempo de resposta do atuador de steering permitiu a detecção de alguns problemas, que serão discutidos na seção seguinte.
Esse código auxiliar simula a pipeline Video, utilizando um arquivo de contendo pontos [x,y] dos cones, há a implementação de erro de medida assim como falha(dropout).
Código auxiliar utilizado para desenhar informações do estado atual do carro na tela, nele é possível visualizar a posição dos cones em relação ao carro.
Utilizado em conjunto com o Car Emulator e Vision Emulator
O tempo de resposta do atuador, que não foi levado em consideração no software, impossibilita o aumento da velocidade de navegação;
Outros métodos de detecção dos cones na imagem podem ser implementados para melhorar a latência do sistema;
Desenvolver algoritmos de mapeamento, permitindo assim tomadas de decisões com uma janela de tempo maior;
Desenvolver controle de velocidade do carro, em busca de melhores tempos de volta;