Sistema de navegación autónomo para un vehículo a escala mediante aprendizaje automático y visión por computadora

Abstract

RESUMEN: En este trabajo se desarrolla un sistema de navegación para un robot tipo vehículo a escala que le permite desempeñar diversas tareas de condición como la detección de carriles, intersecciones y obstáculos, así como el seguimiento de carril, rebase de obstáculos y cruce de intersecciones de manera autónoma empleando una cámara frontal RGBD y un sensor de escaneo láser 2D que le permite medir distancias a los objetos que lo rodean. Se proponen dos metodologías de aprendizaje automático para la obtención de políticas de seguimiento de carril. La primera por medio de aprendizaje por reforzamiento, donde el problema se platea como un proceso de decisiones Markoviano, el objetivo de este enfoque es encontrar políticas que controlen el ángulo de dirección de las ruedas delanteras para manejar por el carril derecho de una pista con dos carriles., donde el robot genera sus propios datos de aprendizaje por medio de un proceso de experimentación con el ambiente, para ello el robot dispone de un conjunto finito de acciones y estados, y el ambiente responde con una recompensa o castigo dependiendo si éste se acerca al objetivo plasmado en la función de recompensas dada. Para generar estas políticas mediante aprendizaje por reforzamiento se diseñó un simulador del robot, en el cual se emulan todos los procesos involucrados en la conducción del robot sobre una pista, como son el pre-procesamiento de la imagen, la detección de carril y el movimiento del robot. El segundo enfoque es un esquema de aprendizaje supervisado, donde el robot busca aprender por imitación de un conductor experto “experto” que le brinde un cierto número de ejemplos para que éste desempeñe la misma función. Para ello se propone utilizar dos tipos de redes neuronales, la primera una red tipo MLP (Multilayer Perceptron) que actúa como regresor de la función de manejo descrita por el conductor “experto”, donde la entrada a la red son dos variables que definen el estado del robot obtenidas de un algoritmo de detección de carril propuesto, la segunda es una red neuronal tipo convolucional la cual también actúa como regresor de la función del conductor “experto” a diferencia de que la entrada es la imagen del camino. ABSTRACT: In this work it is develop a navigation system for a car-like robot at scale that allows it to perform various driving task such as the lane, intersections and obstacles detection, as well as lane following, overcoming obstacles and crossing intersections autonomously using a RGBD front camera and a 2D laser scanning sensor that measures distances to the objects that surround it. Two machine learning methodologies are proposed to obtain lane following policies. The first, through reinforcement learning, where the problem is posed as a Markovian decision process, the objective of this approach is to find policies that control de steering angle of the front wheels to maneuver in the right lane of a track., where the robot generates its own learning data through a experimentation process with the environment, for this the robot has a finite set of actions and states, and the environment responds with a reward or punishment depending on whether it approaches the objective set in the given reward function. To generate these policies through reinforcement learning, a robot simulator was designed, in which all the processes involved in driving the robot on a track are emulated, such as image pre-processing, lane detection and movement of the robot. The second approach is a supervised learning scheme where the robot seeks to learn by imitating a “expert” driver who provides a set of examples to perform the same task. For this purpose, we proposed to use two types of neural networks, the first one is a MLP (Multilayer Perceptron) neural network that acts as a regressor of the function described by the “expert” driver, where the input to the network are two variables that define the state of the robot obtained form a lane detection algorithm, the second is a convolutional neural network which also acts as a regressor of the function of the “expert” driver, in contrast to the fact that the input is a road image.