Infrastruktura pro lokalizaci modelů aut

Abstract

Následující práce se zabývá vytvořením lokalizační infrastruktury pro modely aut v laboratoři inteligentních vestavných systému na ČVUT FIT. V teoretické části se zabývá analýzou stávajícího řešení lokalizace a rešerší lokalizačních a komunikačních systémů využívaných v autonomních vozidlech. V praktické části vytváří samotnou lokalizační infrastrukturu. Hlavní část (server) běží na desce NVIDIA Jetson TX2, sleduje dopravní prostředí pomocí kamery na stropě laboratoře a identifikuje jednotlivé modely pomocí rozpoznávacího modelu YOLO nebo alternativně pomocí značek ArUco. Zároveň slouží i jako Wi-Fi přístupový bod pro propojení celé infrastruktury. Druhou částí jsou jednotlivé modely aut (klienti), které se registrují na serveru a mají na výběr z více typů požadavků zahrnujících protokoly TCP i UDP. Řešení implementuje třídu v jazyce Python, která svým API umožňuje aplikacím běžícím na modelech vozidel zjistit jejich polohu v rámci oblasti sledované kamerou, sledovat ostatní modely a komunikovat s nimi. Systém dokáže jednotlivá auta automaticky identifikovat a odlišit i v případě absence ArUco značky a identicky vypadajících modelů. Není tedy nutná ruční identifikace. Pro demonstaci byla vyvinuta aplikace, která zobrazuje informace získané z lokalizační infrastruktury a umožňuje model na základě informací o poloze dopravit na určený bod v místnosti. Průměrná odchylka systému je menší než 2 cm a zpoždění se pohybuje do 200 milisekund. Vše je řádně zdokumentováno, včetně návodů pro nasazení systému na vývojovou desku NVIDIA Jetson TX2 a jednotlivé modely aut.

This thesis focuses on the development of a localization infrastructure for car models in the laboratory of intelligent embedded systems at CTU FIT. The theoretical part analyzes the current localization solution and reviews localization and communication systems used in autonomous vehicles. The practical part involves creation of the localization infrastructure itself. The main component (server) runs on an NVIDIA Jetson TX2 board, monitors the traffic environment using a ceiling mounted camera in the laboratory and identifies individual models using the YOLO object detection model or using ArUco markers. It also serves as a Wi-Fi access point that connects the entire infrastructure together. The second component consists of the individual car models (clients), which register with the server and can choose from multiple types of requests using both TCP and UDP protocols. The solution implements a Python class with an API that allows applications running on the vehicle models to determine their position within the cameras field of view, track other models, and communicate with them. The system can automatically identify and distinguish individual cars, even in the absence of ArUco markers and when the models appear identical. Manual identification is therefore not required. A demonstration application was developed to display information obtained from the localization infrastructure. It is also able to drive the car model to a chosen point in the room using localization data provided by the infrastructure. The average location error is less than 2 cm and measured latency is under 200 milliseconds. Everything is properly documented, including guides for deploying the system on the NVIDIA Jetson TX2 development board and on the individual car models.