第 65 届年度 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？
Triton 加州大学圣地亚哥分校 AI 数据科学项目
作为圣地亚哥大学 2021 Triton AI Data Science capstone 项目的一部分，三名学生开始建造 人工智能驱动的小型自动驾驶车赛 。他们探索了在选择尺寸适合赛车使用的更便宜的相机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。
用相机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 用于定位、对象检测和避免的对象检测和图像分割功能以及用于映射的 RTAB Map （基于实时外观的映射）进行自动赛车导航的方法。
学生 Youngseo Do 、 Jay Chong 和 Siddharth Saha 在研究中有三个主要目标：
- Mapping and localization ，使用 RTAB-Map SLAM 算法获得单个摄像机和其他感官信息
- Obstacle avoidance and lane following 使用 Facebook AI Detector2 深度学习和 ROS 的单摄像头
- Fine-tuning the camera to be less sensitive to varying light conditions using ROS
rqt_reconfigure
有关他们项目的详细信息，请参见以下视频：
视频 1 。 DSC 180B 自动驾驶汽车团队 1 ：使用 CV 进行自动测绘、定位和导航
下面是一个汽车的快速演示：
视频 2. Jetson 基于 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 避免物体
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
作为学生 noted in their presentation ，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：
- 内有 Jetson Xavier NX 开发套件的 JetRacer 。
- Intel Realsense D455 ：一款深度感应相机，设计用于避免碰撞、 3D 扫描、数字标牌和体积测量。
- 一个 Flipsky VESC speed controller 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比赛，但当时大流行阻止了这种情况的发生。
NASCAR 在他们的未来吗？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 Autonomous Challenge 比赛中获得第二名。
- 1 月初，他们的车队在拉斯维加斯赛车场的 Autonomous Challenge at CES 比赛中获得第三名。
这两名学生在加州大学圣地亚哥分校的 NVIDIA Jetson 工作期间开始学习自动驾驶汽车。
有关此 Jetson Project of the Month 的详细信息，请参阅 capstone project 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： DIY Autonomous Car Racing with NVIDIA Jetson 。
