Carro Autônomo em Escala

Para configurar o ambiente de execução dos algoritmos de aprendizado de máquina numa RaspberryPi, tentamos instalar o python3, miniconda e pytorch adaptando os passos desse tutorial para uma RaspberryPi Zero. Tivemos sucesso instalando o python3.6.4 e o miniconda para armv6l (arquitetura do processador presente na Pi Zero) mas, devido ao miniconda armv61 usar o python2 e o miniconda armv7l usar o python3, decidimos não continuar tentando instalar o pytorch na Raspberry Zero. Encomendamos uma RaspberryPi 3B e, assim que ela chegar, instalaremos o pytorch nela. [3h15min]

Obtivemos uma placa RaspberryPi modelo B, mas não prosseguimos com a configuração do ambiente de desenvolvimento ainda.

Avanços no programa de reconhecimento de linhas e tomada de decisão do carrinho.

Avanços no programa de reconhecimento de linhas e tomada de decisão do carrinho.

Carrinho batizado como Tommy.
(Marcelo) Configuração de um roteador wifi para comunicação remota com o carrinho usando SSH. [1h]

Nesse dia percebemos que o ciclo envolvendo aquisição da imagem da câmera, processamento da imagem para obtenção das linhas da pista, cálculo do ponto de fulga, e tomada de decisão estava demorando muito tempo visto que o Tommy (carrinho) avançava cerca de 4 metros por segundo na velocidade mínima. Como todo o ciclo descrito acima estava levando cerca de 220 milisegundos para ser processado isso dava uma média de 5 ciclos por segundo contudo, nesse tempo o Tommy já havia percorrido 4 metros, isto é, em média o Tommy avançava 80 centímetros a cada ciclo de tomada de decisão. Precisamos otimizar o código para que o ciclo fosse mais rápido.

(Marcelo) Instalei o Raspbian Stretch Lite, uma versão mais enxuta do sistema operacional usado na RaspberryPi. Nesse SO instalei a biblioteca do OpenCV3 seguindo esse tutorial. A ideia era livrar o SO de processos dispensáveis como interface gráfica para aumentar o poder de processamento disponível para o ciclo de tomada de decisão do Tommy. [4h]

Infelizmente os testes posteriores mostraram que o ganho de poder de processamento (cerca de apenas 7% da CPU) e de memória (apenas 20MB de uso a menos) foram irrelevantes para o tempo de processamento do ciclo de tomada de decisão do Tommy.

Fizemos mais testes e constatamos que a maior demora no processamento do ciclo de tomada de decisão do Tommy está na obtenção da imagem mais atual por meio do OpenCV3!. Em números os tempos aproximados são: aquisição da imagem da câmera (140ms), processamento da imagem para obtenção das linhas da pista (80ms), cálculo do ponto de fulga (menos de 10ms), e tomada de decisão (menos de 10ms). Mais especificamente percebemos que a maior demora ocorre em chamadas à função grab da classe VideoCapture. Percebemos também que uma única chamada à função grab não retorna o frame mais atual da câmera. Não sabemos exatamente porque isso acontece, se há um buffer interno do OpenCV3 ou do SO do qual uma imagem menos recente é obtida, mas o efeito disso é que fazendo menos (uma) chamadas à função grab a aquisição da imagem é mais rápida porém a iteração ocorre sobre uma imagem que não a obtida na posição atual do carrinho no início do ciclo de tomada de decisão. [8h]

Tivemos a ajuda de um amigo nosso da engenharia mecatrônica da poli que fez uma cremalheira para o Tommy.

Fizemos um vídeo mostrando o Tommy executando o nosso programa de direção autônoma.

Infelizmente decidimos por não participar da competição da RoboCar por dois motivos principais: 1º por causa do problema com obteção de imagens o Tommy ainda estava demorando muito para tomar uma ação de virar as rodas diante de uma curva e 2º porque interpretamos de maneira equivocada a descrição das faixas que estariam presentes na pista da competição, pensamos que haveriam duas faixas laterais quando na verdade haveria apenas uma faixa tracejada no centro da pista.
Mesmo passada essa edição do RoboCar Race, o projeto deve continuar pois a técnica de processamento de imagens pode ser aperfeiçoada para melhorar o tempo de resposta do carrinho assim como outras técnicas de reconhecimento de imagens (redes convolucionais, deep learning, etc.) podem vir a ser utilizadas e testadas no carrinho no futuro.

(Marcelo) Configurada a raspberryPi do carrinho para acessar a Internet pela rede eduroam. [1h]

Mais novidades em breve.