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間的比賽，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？

圣地亞哥大學Triton AI數據科學項目

作為加州大學圣地亞哥分校2021 Triton Data Science capstone（https://dsc-capstone.github.io/projects-2020-2021/#project_14） 項目的一部分，三名學生著手制造一輛AI驅動的自動微型賽車（https://sisaha9.github.io/camera_mapping_navigation_website/）。他們探索了在選擇尺寸適合賽車使用的更便宜的攝像頭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。

用攝像頭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的對象檢測和圖像分割功能進行定位、對象檢測和避免以及RTAB地圖（Real-Time Appearance-Based Mapping）進行地圖繪制的自動賽車導航方法。

學生Youngseo Do、Jay Chong和Siddharth Saha在研究中有三個主要目標：

。 使用RTAB Map SLAM算法，使用單個攝像頭和其他傳感器信息進行測繪和定位

。 使用Facebook AI Detector2深度學習和ROS的單攝像頭進行避障和車道跟隨

。 使用ROS rqt_reconfigure微調攝像頭，使其對變化的光線條件不太敏感

有關他們項目的詳細信息，請參見以下視頻：

視頻鏈接：

B站：https://www.bilibili.com/video/BV1DD4y1P7B5/

Youbube： https://youtu.be/6GVzqZUqc1w

視頻1-DSC 180B自動駕駛汽車團隊：使用CV進行自動測繪、定位和導航

下面是汽車的快速演示：

視頻鏈接：

B站：https://www.bilibili.com/video/BV11Y411i7DX/

Youtube： https://www.youtube.com/watch？v=A1xKjWAHhZo

視頻2-基于Jetson 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避障

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

正如學生們在演講中所指出的，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，尤其是在賽道中央的黃線。

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：

。 JetRacer內置Jetson Xavier NX開發套件。

。 Intel Realsense D455：一款深度感應攝像頭，專為避免碰撞、3D掃描、數字標牌和體積測量而設計。

。 Flipsky VESC速度控制器，用于向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（head-to-head）比賽，但當時大流行阻止了這種情況的發生。

未來會有NASCAR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自治挑戰賽中獲得第二名。

。 1月初，他們的團隊在拉斯維加斯汽車賽道的CES自動挑戰賽上獲得第三名。

這兩名學生在加州大學圣地亞哥分校與NVIDIA Jetson合作期間開始學習自動駕駛汽車。

有關本月Jetson項目的更多信息，請訪問capstone項目網站（https://sisaha9.github.io/camera_mapping_navigation_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：使用NVIDIA Jetson DIY自動駕駛賽車（https://developer.nvidia.com/blog/diy-autonomous-car-racing-with-nvidia-jetson/）。

審核編輯 ：李倩