Construir un RC car autónomo con Raspberry Pi, NAVIO2 y TensorFlow/KERAS

Abstract

Hoy en día, la mayoría de sistemas automáticos o de gestión tienden a implementar inteligencias artificiales que favorecen la experiencia con el usuario y realizan un trabajo eficiente y ordenado. Los asistentes inteligentes de los “smartphones” son un claro ejemplo de ello. Por este motivo no es descabellado pensar que entre los sectores en auge, dentro de esta nueva tecnología, todavía reciente y en desarrollo, nos encontremos con vehículos inteligentes. Actualmente, son muchas las empresas que están implementando este tipo de tecnología en sus coches (Tesla entre las pioneras) y muchas otras que ofrecen herramientas y entornos para que el sector del “machine learning” progrese de forma eficaz gracias a la aportación de los usuarios. Tras profundizar en el tema, hemos encontrado que compañías como NVIDIA ofrecen tanto software como hardware aplicado en conducción autónoma que nos van a ayudar a realizar nuestro objetivo: crear un prototipo de estudio de un coche autónomo a partir de una red neuronal (inteligencia artificial). Para ello, nos envolveremos dentro de las librerías desarrolladas por Google en materia específica de redes neuronales: TensorFlow y KERAS. Están serán cruciales para el desarrollo de nuestro cerebro automovilístico. El software libre forma, junto con lo anterior, el pilar principal del desarrollo de las tecnologías inteligentes. En nuestro caso, nos valdremos de un sistema “BURRO” que conformará el firmware de nuestro vehículo y, a partir de ahí, trabajar en su implementación y adaptación. Por tanto, no solo trabajaremos con entornos de programación para establecer una base sólida de funcionamiento del RC Car (coche radio control), sino que tocaremos de primera mano el diseño y puesta en marcha de una inteligencia artificial a partir de “Deep Learning”, con redes convolucionales, basadas en las librerías ya mencionadas de TensorFlow y Keras. Logramos construir el prototipo físicamente sin dificultades e implementamos el firmware de manera exitosa. El diseño neuronal y su entrenamiento también resultaron según lo esperado, aunque un poco por debajo de nuestras expectativas. Aun así, el vehículo es capaz tanto de andar de forma manual como autónoma (aunque cierto porcentaje de error).

Nowadays, the mayor of the automated systems is implementing artificial intelligence which improves the user experience and gets a better tidy and efficient work. Smartphones’ intelligent assistants are a great example of this. Due to this, it is not crazy to think that between all this industry sectors we found the autonomous vehicles. There are a lot of companies which are implementing this kind of technology to their cars (Tesla as one of them) and others which offers tools and environments for getting the “machine learning” sector progress in a faster and proper way thanks to the users’ contributions. Once we have been immersed on the topic, we have found companies like NVIDIA industries which offers software and hardware applied to the autonomous conduction, helping us reaching our goal: make a studio prototype of and autonomous car based on a neural network (AI). For this, we are going to analyze in the newly developed libraries about neural science: TensorFlow and KERAS. The open source system is, besides the previous statements, the primal fount of development of the intelligent technologies. In our case, we are going to serve ourselves from the “BURRO” project, which will be the base for the vehicle’s firmware. From this, we are going to work on its implementation and its adaptation to our system. Therefore, we are not only work on programing environments for setting a solid base of the RC car functional system, but also designing from firsthand and the startup of and artificial intelligent based on convolutional neural networks (CNN), made by the libraries of TensorFlow and KERAS. Finally, we reach our goal about making a physical prototype without no difficulties and we implement the firmware successfully. The neural design and its training are above the expected results, too, but not as good as we thought. Even so, the vehicle can drive in manual and in autonomous way (with a certain percent of error).