Estudiantes de Ingeniería Mecatrónica de UTEC participan en el Duckiebot

Duckietown es una plataforma minimalista y “low-cost” que permite a los estudiantes aprender y experimentar los retos que afrontan los vehículos autónomos para poder funcionar adecuadamente. Con el fin de simplificar los posibles escenarios, pero sin reducir mucha de la complejidad que se encuentra en ambientes reales, se utiliza un entorno semi controlado en el laboratorio de Mecatrónica y Robótica de UTEC. Es decir, una ciudad con líneas, señales de tránsito y semáforos.

INGENIERÍA MECATRÓNICA EN UTEC, DESCUBRE AQUÍ: MALLA CURRICULAR, CONVENIOS, DOCENTES Y MÁS

Los vehículos autónomos de tamaño real son difíciles de obtener y de probar. Sin embargo, la mayoría de algoritmos usados son similares a los que se implementan en pequeños prototipos. El Duckiebot es un vehículo de dos ruedas controlado por un Raspberry Pi y con un único sensor, la cámara. Estas características hacen que lograr que el Duckiebot se desplace de forma autónoma, sea un problema que involucra conceptos relacionados al área de robótica, como localización, control y visión computacional. Este proyecto fue realizado en el curso del Proyectos Interdisciplinarios durante el año 2019 por los estudiantes Axel Céspedes, Oscar Castro y Roosvelt Ubaldo, con la asesoría del profesor Oscar Ramos.

La primera parte del proyecto consiste en desarrollar un detector de carriles que funcione bajo diferentes niveles de iluminación externa, considerando cambios del color de las líneas de la pista. Para esto se usaron técnicas de procesamiento de imágenes y visión computacional, como la transformación de perspectiva, la aplicación de filtros espaciales como el operador Sobel, el ajuste polinomial, entre otros. Por último, usando los valores del carril y la cinemática inversa del vehículo, el cual usa una configuración diferencial, se logra guiar los movimientos de las ruedas a lo largo de la pequeña ciudad. 

Este proyecto fue presentado como un paper en la conferencia SHIRCON 2019, publicado en IEEE-Xplore (https://doi.org/10.1109/SHIRCON48091.2019.9024875) e indexado en la base de datos de SCOPUS. Actualmente, se está mejorando la detección de carriles usando Machine Learning, siendo más pertinente en este caso el uso de las redes neuronales convolucionales, con el fin de desarrollar un detector de carriles más robusto.