Desarrollo de un sistema para la navegación autónoma de ambientes urbanos tipo intersección y su evaluación en la plataforma duckietown

Abstract

Este proyecto para optar al título de ingeniero mecatrónico presenta un Sistema de Navegación Autónoma (ADS) basado en la plataforma Duckietown. El sistema le permite a un robot diferencial, el cual tiene una cámara monocular instalada, identificar objetos de interés en un ambiente urbano como lo son semáforos, peatones, señales de tránsito, vehículos y señalizaciones en la vía y tomar decisiones respecto a cómo navegar en una intersección tipo T y en una intersección controlada por semaforización. La principal característica de este sistema es que integra algoritmos de inteligencia artificial y aprendizaje de máquina junto con algoritmos de planeación clásica como Rapid-exploring random tree. Este sistema se basa en la guía NHTSA para la construcción de sus elementos fundamentales, la detección de objetos (OEDR) y el control del vehículo. El detector de objetos se obtuvo por un proceso de entrenamiento, en el cual se le deben proporcionar muestras de las imágenes y de los objetos a detectar a un modelo de red neuronal de la librería Tensorflow. Estas imágenes se consiguieron a partir de una grabación de la vista del robot diferencial en la plataforma de ambiente urbano mientras era controlado remotamente y fue programado en su totalidad en Python. Para el control del vehículo se diseñó un algoritmo que recibe los datos proporcionados por el detector de objetos y por otros subsistemas del vehículo y basados en las reglas de tráfico del dominio del diseño de operación, toma decisiones sobre cómo navegar la intersección. Para la construcción de este algoritmo se utilizaron las librerías de Duckietown las cuales permiten hacer un diseño modular y totalmente compatible con la plataforma. Una vez diseñado el sistema, se utilizó el software Docker para compilar el ADS en el robot diferencial y realizar pruebas de funcionamiento en el robot, con lo cual se obtuvo un tiempo de detección de objetos de menos de 1 segundo y un desempeño destacado en la ejecución de las intersecciones, logrando así un sistema automatizado de navegación autónoma a escala en el software ROS, el cual es usado en robótica a nivel mundial.

This project to qualify for the title of mechatronic engineer presents an Autonomous Driving System (ADS) that consists of a software application based on the Duckietown platform, designed to identify objects of interest in an urban environment such as traffic lights, pedestrians, traffic signals, vehicles and signalling on the road and making decisions related to how to navigate a T-type intersection and an intersection controlled by traffic lights, by means of a differential robot, which has a monocular camera installed. The main feature of this system is that it integrates artificial intelligence and machine learning algorithms together with classical robotics algorithms such as Rapid-explore random tree. This system is based on the NHTSA guide for building its fundamental elements, Object Detection (OEDR) and Vehicle Control. The object detector was obtained by a training process, in which samples of the images and objects to be detected must be provided to a neural network model from the Tensorflow library. These images were obtained from a recording of the view of the differential robot on the urban environment platform while it was controlled remotely and was programmed entirely in Python. For the control of the vehicle, an algorithm was designed that receives the data provided by the object detector and by other vehicle subsystems and based on the traffic rules of the operation design domain, makes decisions about how to navigate the intersection. For the design of this algorithm, the Duckietown libraries were used, which allow a modular design that is fully compatible with the platform. Once the system was designed, the Docker software was used to compile the ADS in the differential robot and perform functional tests on the robot, with which an object detection time of xxx was obtained and an outstanding performance in the execution of the intersections, thus achieving an automated autonomous navigation system at scale in the ROS software, which is used in robotics worldwide