CIVCAutonomousDriving

Проект: краткое описание

Данный проект представляет собой разработку алгоритма для имитационного соревнования «AD Chauffeur Cup» в рамках 2021 China (Shenyang) Intelligent Connected Vehicles Conference (CIVC). Алгоритм был разработан командой Северо-Восточного университета и занял второе место на финальном этапе конкурса. Проект включает в себя компоненты восприятия, принятия решений и управления, реализованные на языке Python.

Примечание: В настоящее время платформа соревнований закрыта, и её невозможно использовать. Можно подать заявку на использование платформы на официальном сайте AD Chauffeur и перенести часть кода в новую среду имитации.

Проект выражает благодарность организаторам CIVC и платформе AD Chauffeur за предоставленную возможность участия в соревнованиях.

Ссылки на официальные сайты:

• 2021CIVC: https://civc.verodata.com.cn/
• AD Chauffeur: https://www.adchauffeur.cn/

Также проект использует алгоритм YOLOX для обнаружения объектов, разработанный компанией Megvii. Модель YOLOX была предварительно обучена на наборе данных COCO и показала хорошие результаты в среде имитации.

Ссылка на открытый исходный код YOLOX: https://github.com/Megvii-BaseDetection/YOLOX

Ссылка на статью YOLOX: https://arxiv.org/abs/2107.08430

Демонстрация работы проекта

В проекте представлены две демонстрации работы алгоритма:

1. Обгон на высокой скорости: изображение показывает, как автомобиль успешно обгоняет другие транспортные средства.

2. Пример обгона: изображение демонстрирует процесс обгона другого автомобиля.

Результаты предварительного этапа

Представлено изображение с результатами предварительного этапа соревнований.

Результаты финального этапа

Представлено изображение с результатами финального этапа соревнований.

Основные моменты проекта

Восприятие

1. Визуальное измерение расстояния с использованием модели YOLOX от Megvii для обнаружения препятствий и определения их положения относительно полосы движения.

2. Определение положения препятствия на полосе движения на основе отношения между точкой и треугольником.

3. Идентификация ближайших препятствий на соседних полосах движения для принятия решений.

4. Обработка данных измерения расстояния для сглаживания нестабильности, характерной для моделей глубокого обучения.

Управление

1. Раздельное управление по осям с использованием сегментированного ПИД-регулирования.

2. Использование положения линии дорожной разметки для улучшения прогнозирования.

3. Реализация различных состояний автомобиля: следование, обгон и ускорение, с возможностью бесшовного перехода между ними.

Среда выполнения проекта

Аппаратное обеспечение: 8-ядерный процессор Intel(R) Core(TM) i7-6700K @ 4.00 ГГц и видеокарта NVIDIA GTX 1080.

Операционная система: Ubuntu 18.04.

Программное обеспечение: Python 3.7.2.

Структура файлов

├── ADCPlatform: интерфейс к открытой платформе имитации соревнований.
|
├── control: модуль с алгоритмами управления.
|
├── images: изображения, демонстрирующие работу алгоритма.
|
├── initial: параметры инициализации алгоритмов и датчиков.
|
├── perception: модуль восприятия с кодом YOLOX и скриптами для загрузки предварительно обученных моделей.
|
├── planning: модуль планирования и принятия решений.
|
├── sensor: код, реализующий датчики автомобиля.
|
└── yolox: папка с библиотеками YOLOX.
    |
    └── requirements.txt: зависимости проекта.
    |
    └── main.py: основной файл запуска проекта.

Установка и запуск

Примечание: Платформа соревнований в настоящее время недоступна. Для запуска проекта необходимо обратиться к официальному сайту AD Chauffeur для получения доступа к новой платформе имитации и внести соответствующие изменения в код.

Шаг 1. Скачайте исходный код проекта:

git clone git@gitee.com:icvrc2021-neu/icvrcautonomous-driving.git
cd ./icvrcautonomous-driving

Шаг 2. Перейдите в папку ./perception/pretrainedmodel и запустите скрипт для скачивания предварительно обученной модели YOLOX (по умолчанию используется модель yolox_l):

cd ./perception/pretrainedmodel
bash DownloadModel.sh
cd ../..

Шаг 3. Установите зависимости Python:

pip install -r requirements.txt

Шаг 4. Измените данные для входа в файле main.py:

# Строки 27–32: измените значения для сервера, имени пользователя и пароля.

Шаг 5. Запустите проект после входа на платформу AD Chauffeur через веб-интерфейс:

python main.py