Carolo Cup 2010

1.780 Aufrufe

Veröffentlicht am

Team GalaXIs presenting their concept of an autonomous model car at the Germany-wide Carolo-Cup 2010.

Veröffentlicht in: Technologie, Business
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.780
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
559
Aktionen
Geteilt
0
Downloads
6
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Carolo Cup 2010

  1. 1. TEAM
  2. 2. Team GalaXIs Lehrstuhl für Informatik 11 Software für eingebettete Systeme RWTH Aachen Prof. Dr.-Ing. Stefan Kowalewski
  3. 3. Team GalaXIs Yves Duhr 9. Semester Dipl. Informatik Philipp Fischer 1. Semester M. Sc. Informatik Stefan Kockelkoren 10. Semester Dipl. Informatik Julian Krenge 9. Sem. Dipl. Inform & 4. Sem. MBA Matthias May 5. Semester Informatik B. Sc.
  4. 4. Projektmanagement 4
  5. 5. Gliederung 1. Technischer Aufbau 2. Spurerkennung 3. Spurführung 4. Ausweichalgorithmus 5. Einparkkonzept 5
  6. 6. Technischer Aufbau 6
  7. 7. Konstruktion Kamera Blackfin Ultraschallsensoren ATmegas Kompass Infrarotsensor 7
  8. 8. Architektur 32 MB Blackfin BF537 DSP Kamera OV7725 SDRAM 500 MHz 60 fps CAN Buttons Atmega 16 Atmega 16 control measure RC PWM I2C Kompass I2C Rad- H-Bridge Servo encoder USS li. USS re. USS hi. Infrarot Motor 8
  9. 9. Hardwarekomponenten Blackfin BF537 mit OV7725 Kamera 380 € ATmegas für einfache Operationen 3€ Kyosho TF-5 Chassis 269 € 3x Ultraschall für Heck- und Frontabstand 120 € 1x Infrarot für Seitenabstand 40 € Fertigungskosten 54 € Gesamt 866 € 9
  10. 10. Energieverbrauch Blackfin mit Kamera 160 mA Sensoren und ATmegas 290 mA Motor (unter Last) ca. 4000 mA Lenkservo ca. 1000 mA Gesamt 5450 mA Energieeffizientes Konzept Deaktivierung nicht benötigter Module 10
  11. 11. Spurerkennung 11
  12. 12. Spurerkennung 1. Aufnahme des Bildes 2. Radiale Entzerrung 3. Kantenerkennung 4. Klassifikation 12
  13. 13. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung Alternativen • 160x120 Pixel • Höhere Auflösung • Graustufen (8bit) • 24/32bit Farbraum • 60 Bilder pro Sekunde • Weitwinkelobjektiv • Mehrere Kameras 13
  14. 14. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung 14
  15. 15. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung Alternativen • Zielbild: 200x95 Pixel • Keine Formatanpassung • Brown‘s distortion model • Korrektur zweiten Grades • Höherer/geringerer Grad x x x x y = y + y − y ∗ K1 r 2 + K 2 r 4 u d d c 15
  16. 16. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung 16
  17. 17. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung Alternativen • Optimiert auf Wettbewerbsbedingungen • Prewitt-Operator • Sobel-Operator/Hough • X- und Y-Richtung • Nur X-Richtung • Segmente erstellen und zu Linien verbinden 17
  18. 18. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung 18
  19. 19. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung 19
  20. 20. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung • Homogene Koordinaten • Transformationsmatrix durch 4 Referenzpunkte in Testumgebung berechnet  x '   a11 a12 a13   x         y '    a21 a22 a23    y  y  w a a33   1     31 a32    • Matrix invertierbar (Bidirektionalität) x 20
  21. 21. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung Alternativen • Szenarioanalyse (LMR) • Statische Analyse • Lage der Linien im Bild • Lage der Linien zueinander • Länge der Linien • Plausibilität (nicht kreuzen) • Charaketristika (Mittelinie) 21
  22. 22. Radiale Kanten- Aufnahme Klassifikation Entzerrung erkennung 22
  23. 23. Bewertung von Alternativen Alternativen: Planung und Gedächtnis oder künstliche Intelligenz • Mehr Rechenleistung nötig  Kosten, Energiebedarf, Instabilität • Geringere Beherrschbarkeit und Vorhersagbarkeit ( Fehlersuche) 23
  24. 24. Spurführung 24
  25. 25. Bestimmung der Fahrspuren 25
  26. 26. Berechnung des Lenkeinschlags Erreichen optimaler Position in der Mitte der Spur δ r d α d2 + δ2 r= 2δ 26
  27. 27. Berechnung des Lenkeinschlags Zuordnung von Abweichung zu Lenkeinschlag 1600 1500 Sin Steering Value 1400 1-(x-1)^2 1300 1200 20*x 1100 1000 Delta to 0 5 10 15 20 25 30 35 40 45 50 Steerval Horizontal Steering Point Offset Approximation durch quadratische Parabel 27
  28. 28. Regelung Alternativen • PID-Regler • P-/PI-Regler • Schwingungsverfahren nach • Parameter aus Regelstrecke ableiten Ziegler/Nichols • Andere 1. Einstellen als P-Regler Einstellverfahren 2. Ermittlung der Eigenfrequenz 3. Aus Periodendauer bestimmen sich I- und D-Anteil 28
  29. 29. Ausweich- algorithmus 29
  30. 30. Situationsanalyse • Erkennung • Objekte durch Sensorfusion • Stopplinie durch Kamera • Lokalisation • Spurzuordnung von Objekte • Unterscheidung Start- und Stopplinie 30
  31. 31. Überholen und Vorfahrt • Hindernis • Verlegen der Sollspur • Geregelter Spurwechsel • Angepasste Geschwindigkeit • Kreuzung • Dynamisches Anhalten • Vorfahrtsregeln durch Objekterkennung • Jeder Sensor ist hinreichend 31
  32. 32. Einparken 32
  33. 33. Erkennen der Lücke • Kameragestützte Erkennung vor Vorbeifahrt (± 2cm) • Infrarot und Distanzmesser (± 1cm) • Planung der Halteposition 33
  34. 34. Einparkvorgang • Halt bei festgelegter Ausgangsposition • Abfahrt statischer Trajektorie • Maximaler Lenkeinschlag P0 34
  35. 35. Stetige Kontrolle • Front: Kamera, Ultraschall (± 1cm) • Heck: Ultraschall, gespeicherte Position (± 1cm) • Seite: Infrarot (± 1cm) • Ausrichtung: Kompass (± 1°) 35
  36. 36. Vielen Dank für Ihre Aufmerksamkeit m

×