Autonomní řízení vozidla v modelovém prostředí

Abstract

Práce se zabývá návrhem a implementací systému autonomního řízení modelů vozidel pro laboratoř inteligentních vestavných systémů na FIT ČVUT. Vozidlo řídí minipočítač Raspberry Pi 4, který zpracovává obraz z kamery na otočném mechanismu na přední části vozu. Obraz je zpracováván pomocí modelu strojového učení YOLOv11, který byl vytrénován tak, aby uměl rozpoznat plné a přerušované čáry na silnici. V zájmu co nejnižší latence běží veškeré rozpoznávání lokálně přímo na modelu auta. To bylo umožněno i díky hardwarovému akcelerátoru Intel MYRIAD Neural Compute Stick 2. Celý návrh proto klade důraz na nízké hardwarové požadavky a nízkou spotřebu. Pro účely testování byla vytvořena modelová silnice a křižovatka ve tvaru T, kterou vozidlo po implementaci popsaného návrhu zvládá projíždět v souladu s pravidly silničního provozu - umí se držet v pravém jízdním pruhu a podle instrukcí v předpřipraveném itineráři správně odbočit na křižovatce.

This thesis focuses on the design and implementation of autonomous vehicle model control for the laboratory of intelligent embedded systems. The vehicle is controlled by a Raspberry Pi 4 minicomputer, which processes images from a camera mounted on a rotating mechanism at the front of the car. The image is processed using the YOLOv11 machine learning model, which was trained to recognize solid and dashed road lines. To ensure the lowest possible latency, all image recognition runs locally directly on the vehicle model. This was made possible by the Intel MYRIAD Neural Compute Stick 2 hardware accelerator. The entire design therefore emphasizes low hardware requirements and power consumption. For testing purposes, a model road and a T-shaped junction were created. After implementing described design, the vehicle is able to navigate through it in accordance with traffic rules - it can stay in the right lane and make the correct turn at the junction based on the instructions in a pre-defined itinerary.