Tiempo de lectura: 6 minutos

El equipo universitario alemán de municHMotorsport cuenta con el asesoramiento en visión artificial del grupo STEMMER IMAGING, al que pertenece INFAIMON, para el diseño y fabricación de su prototipo de monoplaza autónomo.

Formula Student es una presitigiosa competición automovilística internacional donde cada año toman parte más de 1.000 universidades de 30 países diferentes. Cada equipo de estudiantes debe diseñar y construir un prototipo de monoplaza autónomo y conducible a la vez para competir en circuitos míticos del automovilismo y la Fórmula 1, como Silverstone, Hockenheim o Montmeló.

La competición consta de varios meetings en países diferentes, donde se ponen a prueba los aspectos tanto de los monoplazas como de los equipos bajo unas reglas muy estrictas que garantizan la seguridad de los monoplazas y los pilotos sobre los asfaltos más prestigiosos de la Fórmula 1.

Desde 2017, los estudiantes de grados especializados presentan sus prototipos más innovadores en tres categorías distintas: vehículos con motor de combustión, eléctricos y autónomos. «Actualmente somos alrededor de 120 estudiantes y muchos de nosotros dedicamos una gran cantidad de tiempo y esfuerzo en este proyecto», explica Timo Socher, un estudiante de ingeniería informática de la Universidad de Ciencias Aplicadas de Munich, que ya lleva tres años involucrado en el proyecto. En su papel de CTO Driverless para la temporada actual, es responsable de todos los aspectos técnicos del monoplaza autónomo con el que municHMotorsport compite en 2020.


Pruebas exigentes para la evaluación de los monoplazas

Los cronos y la velocidad máxima no son los únicos criterios para la evaluación de los monoplazas en la batalla por el podio. Sin embargo, los nuevos diseños tienen que demostrar sus habilidades en la pista en tres disciplinas dinámicas. El primer test evalúa la aceleración en una recta de 75 metros desde cero hasta una parada completa. La segunda prueba, llamada skidpad, mide la velocidad de giro del monoplaza. La prueba principal es la conducción en pista, donde los prototipos tienen que completar diez vueltas en un circuito desconocido de hasta 500 metros de longitud.


Los circuitos están marcados con conos de tráfico azules y amarillos, que se colocan a distancias máximas de 5 metros, a izquierda y derecha de las líneas de demarcación. «Los vehículos autónomos siguen estas marcas utilizando las últimas tecnologías de hardware y software, que controlan los movimientos de aceleración, frenado y dirección de los monoplazas para un mayor rendimiento en la conducción», explica Timo Socher.

«La visión artificial es uno de los componentes clave de nuestro sistema y juega un papel decisivo en la detección de los conos. Los sensores proporcionan a los sistemas de evaluación posteriores los datos básicos para las reacciones del vehículo. Por lo tanto, la calidad del entorno y la detección de cono forman la base de todos los demás módulos del vehículo y son esenciales para la estabilidad y el rendimiento de todo el sistema.»

Timo Socher, CTO Driverless, municHMotorsport

Reconocimiento de objetos en pista mediante visión artificial

En su prototipo actual, los estudiantes de Munich han integrado dos sistemas de visión que forman la base para la detección de la pista. Un sistema de visión está conectado a la barra de seguridad y detecta los conos a distancias mayores en un rango de 5 a 20 metros. Para la próxima temporada, este rango se extenderá hasta 30 metros para tener más tiempo de cálculo para las mediciones requeridas y poder reaccionar aún más proactivamente. El segundo sistema consta de dos cámaras Intel RealSense montadas debajo del frontal del automóvil, cada una con ángulos superpuestos de 80 grados. Éstas garantizan la grabación de las imágenes para evaluar las marcas de delimitación a distancias cortas de entre 1,5 y 8 metros.

Los datos de las imágenes se transfieren a la CPU ubicada en la parte trasera del vehículo y se procesan mediante una computadora embedded Jetson Xavier en combinación con otros datos del sensor. El sistema utiliza tecnologías como la combinación de datos del sensor y la odometría visual que calcula la posición y orientación del vehículo mediante el análisis de las imágenes grabadas. Esta tecnología se usa a menudo en la industria como base para el posicionamiento del robot, una prueba más de la estrecha conexión entre el proyecto de municHMotorsport y las aplicaciones industriales reales.

Un monoplaza obviamente debe ser lo más rápido posible. Por esta razón, las imágenes de los sistemas de cámara deben procesarse de manera rápida y eficiente en la CPU. El objetivo de la visión artificial es localizar y clasificar los conos de colores en las imágenes y estimar su posición en relación con la cámara. El reconocimiento de objetos se ve obstaculizado por una serie de factores impredecibles, como el clima y las condiciones de luz o el estado real de la pista, que puede verse afectada por baches, desniveles. Además, el fondo puede variar de una carrera a otra debido a las gradas de espectadores y otros objetos.


Mejores resultados con Deep Learning

A fin de prepararse lo mejor posible para cualquier imprevisto que pueda surgir en términos de reconocimiento de objetos, el equipo utiliza las técnicas más avanzadas, según explica Socher: «Hay una gran cantidad de algoritmos y redes neuronales para el reconocimiento y clasificación de objetos en imágenes en color. Por supuesto, también existen métodos de imagen aún más convencionales, como la detección de bordes utilizando filtros de color especiales. Sin embargo, nosotros elegimos un enfoque de Deep Learning, que resultó ser muy eficiente en diferentes condiciones climáticas y ambientales. Esto nos garantiza mayores posibilidades de éxito para nuestro propósito».

Los compañeros de Timo Socher tomaron las imágenes con conos de tráfico en entornos y condiciones diferentes. Además, enriquecieron el conjunto de datos de entrenamiento utilizando técnicas de aumento de datos. La idea principal es que cuantos más datos de entrenamiento estén disponibles, mejor será la precisión de los modelos entrenados. Mediante el uso de técnicas de aumento de datos, el software modifica fácilmente las imágenes existentes (por ejemplo, al agregar valores aleatorios de píxeles, suavizar imágenes, rotarlas ligeramente o cambiar los contrastes para generar una mayor cantidad de imágenes de entrenamiento). «Además, intercambiamos datos de entrenamiento con otros equipos rivales y utilizamos alrededor de 3.000 imágenes del llamado conjunto de datos KITTI, que proporciona imágenes de carreteras sin conos de tráfico», explica Timo Socher.

El conjunto completo de datos de entrenamiento ya incluye varios miles de imágenes y sirve como base para las simulaciones que el equipo de estudiantes utiliza para ahorrar tiempo en la optimización del monoplaza. Al principio, la visión artificial era un territorio desconocido para muchos estudiantes del equipo de Formula Student de la Universidad de Ciencias Aplicadas de Munich.

«Con el fin de obtener más experiencia, algunos de nosotros asistimos a cursos de capacitación en la reconocida European Imaging Academy (EIA) de STEMMER IMAGING. La capacitación fue particularmente útil para que los nuevos miembros del proyecto comprendieran mejor el panorama general y se familiarizaran rápidamente con los conceptos básicos de la visión artificial.»

Timo Socher, CTO Driverless, municHMotorsport

Asesoramiento y capacitación con expertos de STEMMER IMAGING

La European Imaging Academy (EIA) ofrece una amplia gama de cursos de capacitación práctica, videos y eventos sobre visión artificial. A los principiantes se les presentan los conceptos básicos, mientras que los usuarios avanzados obtienen una visión más profunda y consejos y trucos útiles para mejorar la eficiencia de sus soluciones. Expertos altamente cualificados realizan las sesiones de formación en los centros de atención al cliente de STEMMER IMAGING en toda Europa.


La Universidad de Ciencias Aplicadas de Munich y los expertos en visión artificial del grupo alemán al que pertenece INFAIMON llevan muchos años trabajando en proyectos conjuntos, razón por la cual STEMMER IMAGING es uno de los patrocinadores de municHMotorsport. «En el desarrollo de los sistemas de visión para nuestros prototipos, el equipo de STEMMER IMAGING nos aportó mucho más que las cámaras 3D estereoscópicas y otros componentes. Todos nos beneficiamos de sus años de experiencia en la industria», afirmó un entusiasmado Timo Socher. Estas cámaras de alta velocidad actúan como los ojos de los monoplazas autónomos debido a su diseño compacto y robusto, además de su gran profundidad de campo de visión.

Lamentablemente, la competición de Formula Student que iba a celebrarse en el circuito de Hockenheim (Alemania) en agosto de este año ha sido cancelada por la pandemia de coronavirus, pero el equipo de la Universidad de Ciencias Aplicadas de Munich ya está preparándose para la próxima temporada. Los estudiantes están trabajando a toda máquina para diseñar un vehículo competitivo. «Queremos clasificarnos entre los tres primeros con nuestro monoplaza autónomo», dice Timo Socher, estableciendo el objetivo del equipo. En cualquier caso, la ambición del equipo y los sistemas de visión artificial utilizados ofrecen las mejores condiciones para subirse al podio el próximo año.

INFAIMON es miembro de STEMMER IMAGING, el líder europeo en soluciones de visión artificial. Si necesitas una solución de visión a tu medida, te podemos ayudar. ¿Hablamos?