作者：Jason Black 2023年1月25日
第65届年度Daytona 500（https://www.daytonainternationalspeedway.com/events/daytona-500/）将于2023年2月19日举行，对许多人来说，这场精英NASCAR赛事是赛车界的巅峰。目前，还没有计划看到自动驾驶汽车与有司机的汽车间的比赛，但在未来的比赛中想象这种情况并不太难。在1月初的CES上，有一场测试最佳自动驾驶赛车的比赛。
为了实现这样的愿景，您需要在引擎盖下使用一些严肃的技术来为车辆提供动力并确保正确的轨道导航。
出于这个原因，很容易理解为什么3D激光雷达是用于自动测绘和导航的主要工具之一。它对光线条件不敏感，可以通过反射通道检测颜色，可以提供完整的360度环境视图，并且不需要任何“学习”来检测障碍物。
来自激光雷达的点云信息也可以方便地实现地图绘制和定位，因为车辆知道它在所有点的位置。但激光雷达价格昂贵且体积庞大，这限制了其对许多开发人员的实用性，特别是如果您使用的是比普通赛车更小的车辆。
那么，如果有一种替代使用激光雷达的方法可以在自动驾驶赛车中实现类似的功能呢？
圣地亚哥大学Triton AI数据科学项目
作为加州大学圣地亚哥分校2021 Triton Data Science capstone（https://dsc-capstone.github.io/projects-2020-2021/#project_14） 项目的一部分，三名学生着手制造一辆AI驱动的自动微型赛车（https://sisaha9.github.io/camera_mapping_navigation_website/）。他们探索了在选择尺寸适合赛车使用的更便宜的摄像头解决方案而不是使用昂贵的激光雷达传感器时，确保有效的自主导航和同时定位和测绘（SLAM）的困难。
用摄像头代替激光雷达确实有一些缺点，包括需要特殊编程来处理各种光线条件。它需要多个摄像头来创建360度视野。
他们的项目探索了使用ROS、Detectron2（https://github.com/facebookresearch/detectron2）的对象检测和图像分割功能进行定位、对象检测和避免以及RTAB地图（Real-Time Appearance-Based Mapping）进行地图绘制的自动赛车导航方法。
学生Youngseo Do、Jay Chong和Siddharth Saha在研究中有三个主要目标：
. 使用RTAB Map SLAM算法，使用单个摄像头和其他传感器信息进行测绘和定位
. 使用Facebook AI Detector2深度学习和ROS的单摄像头进行避障和车道跟随
. 使用ROS rqt_reconfigure微调摄像头，使其对变化的光线条件不太敏感
有关他们项目的详细信息，请参见以下视频：
视频链接：
B站：
https://www.bilibili.com/vide...
Youbube: https://youtu.be/6GVzqZUqc1w
视频1-DSC 180B自动驾驶汽车团队：使用CV进行自动测绘、定位和导航
下面是汽车的快速演示：
B站：https://www.bilibili.com/vide...
Youtube: https://www.youtube.com/watch?v=A1xKjWAHhZo
视频2-基于Jetson DNN的自主赛车
团队是如何实现目标的？
鉴于项目的复杂性，学生选择将项目分为三个不同的部分：
. 通过RTAB Map SLAM进行测绘和定位
. 使用Detector2避免物体
. 调整相机的感光度
通过RTAB Map SLAM进行测绘和定位
该团队考虑了包括GPS在内的导航选项，但在他们的演示中指出，快速移动和精确读数可能不可靠。他们选择使用RTAB地图，因为它与他们的传感器兼容，并且他们能够使用在线模拟器进行测试，帮助他们熟悉它的工作原理。
使用Detector2避障
其目的是使用图像输入从这些图像中提取障碍物和边界信息，以便赛车在驾驶时知道最佳的下一步是什么。
调整相机的感光度
正如学生们在演讲中所指出的，摄像机必须“尽可能对光线不敏感”，因为光线条件的变化会影响赛车的视觉效果，尤其是在赛道中央的黄线。
项目硬件
为了使这个项目成为现实，学生们使用了以下硬件：
. JetRacer内置Jetson Xavier NX开发套件。
. Intel Realsense D455：一款深度感应摄像头，专为避免碰撞、3D扫描、数字标牌和体积测量而设计。
. Flipsky VESC速度控制器，用于向JetRacer发送移动命令。
赛车在一个室内赛道上进行了测试，该赛道包含多个交通锥，赛车在试图让赛车始终保持在赛道内时，应避开这些交通锥。
未来的改进
在项目实施时，学生们希望从手动编码的驾驶规则改为强化学习技术，以提高行为的灵活性。如果他们需要更多的传感器和规则，这将派上用场。他们还想训练该模型来检测其他汽车，以便它可以用于头对头（head-to-head）比赛，但当时大流行阻止了这种情况的发生。
未来会有NASCAR吗？可能是的。该项目的学生之一Siddharth Saha和加州大学圣地亚哥分校的学生Haoru Xue是两项自动驾驶汽车比赛挑战的技术负责人：
. 11月，他们的车队在德克萨斯州赛车场举行的Indy自治挑战赛中获得第二名。
. 1月初，他们的团队在拉斯维加斯汽车赛道的CES自动挑战赛上获得第三名。
图1。加州大学圣地亚哥分校团队成员（从左至右）：Siddharth Saha, Frank Garcia, Haoru Xue, 和Jose Jimenez-Olivas，于2022年11月在德克萨斯州赛车场参加Indy 自治挑战赛
这两名学生在加州大学圣地亚哥分校与NVIDIA Jetson合作期间开始学习自动驾驶汽车。
有关本月Jetson项目的更多信息，请访问capstone项目网站(https://sisaha9.github.io/camera_mapping_navigation_website/)。
有关自动驾驶赛车的更多信息，请参阅湾区开发人员之前所做的工作：使用NVIDIA Jetson DIY自动驾驶赛车(https://developer.nvidia.com/blog/diy-autonomous-car-racing-with-nvidia-jetson/)。
关于作者
Jason Black是NVIDIA自主机器营销与通信高级经理。作为过去25年的作家和编辑，他喜欢在流行语后面寻找故事的核心。他很兴奋地看到机器人可能会把他带到哪里。
