第 65 屆年度 Daytona 500 將于 2023 年 2 月 19 日舉行，對許多人來說，這場精英 NASCAR 賽事是賽車界的巔峰。目前，還沒有計劃看到自動駕駛汽車與有司機的汽車比賽，但在未來的比賽中想象這種情況并不太難。在 1 月初的 CES 上，有一場測試最佳自動駕駛賽車的比賽。
為了實現這樣的愿景，您需要在引擎蓋下使用一些嚴肅的技術來為車輛提供動力并確保正確的軌道導航。
出于這個原因，很容易理解為什么 3D 激光雷達是用于自動測繪和導航的主要工具之一。它對光線條件不敏感，可以通過反射通道檢測顏色，可以提供完整的 360 度環境視圖，并且不需要任何“學習”來檢測障礙物。
來自激光雷達的點云信息也可以方便地實現地圖繪制和定位，因為車輛知道它在所有點的位置。但激光雷達價格昂貴且體積龐大，這限制了其對許多開發人員的實用性，特別是如果您使用的是比普通賽車更小的車輛。
那么，如果有一種替代使用激光雷達的方法可以在自動駕駛賽車中實現類似的功能呢？
Triton 加州大學圣地亞哥分校 AI 數據科學項目
作為圣地亞哥大學 2021 Triton AI Data Science capstone 項目的一部分，三名學生開始建造 人工智能驅動的小型自動駕駛車賽 。他們探索了在選擇尺寸適合賽車使用的更便宜的相機解決方案而不是使用昂貴的激光雷達傳感器時，確保有效的自主導航和同時定位和測繪（ SLAM ）的困難。
用相機代替激光雷達確實有一些缺點，包括需要特殊編程來處理各種光線條件。它需要多個攝像頭來創建 360 度視野。
他們的項目探索了使用 ROS 、 Detectron2 用于定位、對象檢測和避免的對象檢測和圖像分割功能以及用于映射的 RTAB Map （基于實時外觀的映射）進行自動賽車導航的方法。
學生 Youngseo Do 、 Jay Chong 和 Siddharth Saha 在研究中有三個主要目標：
- Mapping and localization ，使用 RTAB-Map SLAM 算法獲得單個攝像機和其他感官信息
- Obstacle avoidance and lane following 使用 Facebook AI Detector2 深度學習和 ROS 的單攝像頭
- Fine-tuning the camera to be less sensitive to varying light conditions using ROS
rqt_reconfigure
有關他們項目的詳細信息，請參見以下視頻：
視頻 1 。 DSC 180B 自動駕駛汽車團隊 1 ：使用 CV 進行自動測繪、定位和導航
下面是一個汽車的快速演示：
視頻 2. Jetson 基于 DNN 的自主賽車
團隊是如何實現目標的？
鑒于項目的復雜性，學生選擇將項目分為三個不同的部分：
- 通過 RTAB Map SLAM 進行測繪和定位
- 使用 Detector2 避免物體
- 調整相機的感光度
通過 RTAB Map SLAM 進行測繪和定位
該團隊考慮了包括 GPS 在內的導航選項，但在他們的演示中指出，快速移動和精確讀數可能不可靠。他們選擇使用 RTAB 地圖，因為它與他們的傳感器兼容，并且他們能夠使用在線模擬器進行測試，幫助他們熟悉它的工作原理。
使用 Detector2 避免物體
其目的是使用圖像輸入從這些圖像中提取障礙物和邊界信息，以便賽車在駕駛時知道最佳的下一步是什么。
調整相機的感光度
作為學生 noted in their presentation ，攝像機必須“盡可能對光線不敏感”，因為光線條件的變化會影響賽車的視覺效果，尤其是賽道中央的黃線。
項目硬件
為了使這個項目成為現實，學生們使用了以下硬件：
- 內有 Jetson Xavier NX 開發套件的 JetRacer 。
- Intel Realsense D455 ：一款深度感應相機，設計用于避免碰撞、 3D 掃描、數字標牌和體積測量。
- 一個 Flipsky VESC speed controller 向 JetRacer 發送移動命令。
賽車在一個室內賽道上進行了測試，該賽道包含多個交通錐，賽車在試圖讓賽車始終保持在賽道內時，應避開這些交通錐。
未來的改進
在項目實施時，學生們希望從手動編碼的駕駛規則改為強化學習技術，以提高行為的靈活性。如果他們需要更多的傳感器和規則，這將派上用場。他們還想訓練該模型來檢測其他汽車，以便它可以用于頭對頭比賽，但當時大流行阻止了這種情況的發生。
NASCAR 在他們的未來嗎？可能是的。該項目的學生之一 Siddharth Saha 和加州大學圣地亞哥分校的學生 Haoru Xue 是兩項自動駕駛汽車比賽挑戰的技術負責人：
- 11 月，他們的車隊在德克薩斯州賽車場舉行的 Indy Autonomous Challenge 比賽中獲得第二名。
- 1 月初，他們的車隊在拉斯維加斯賽車場的 Autonomous Challenge at CES 比賽中獲得第三名。
這兩名學生在加州大學圣地亞哥分校的 NVIDIA Jetson 工作期間開始學習自動駕駛汽車。
有關此 Jetson Project of the Month 的詳細信息，請參閱 capstone project website 。
有關自動駕駛賽車的更多信息，請參閱灣區開發人員之前所做的工作： DIY Autonomous Car Racing with NVIDIA Jetson 。
