TFG 2: Diseño e Implementación de Seguimiento de Carril

Proyecto de Fin de Grado — Ingeniería de Computadores
Autor: Rubén Higuera Castillo
Curso: 2023/2024
📄 Memoria original (PDF)

Introducción

Este TFG continúa el trabajo de "Diseño y Construcción de Robocar", cuyo resultado fue un robot físico dotado de sensores y controlado mediante ROS2. El objetivo es implementar un sistema de seguimiento de carril utilizando tecnologías de asistencia a la conducción (ADAs): detección por visión artificial, filtrado de Kalman y control PID.

Todo el código se encuentra en la rama TFG_2 del repositorio: github.com/rubenhigorg/robocar/tree/TFG_2

Marco Teórico

El seguimiento de carril opera en un bucle cerrado con las siguientes etapas:

1. Sensores → Captura de datos del entorno (cámara, IMU, GPS...)
2. Extracción de características → Detección de bordes del carril
3. Post-procesamiento → Estimación de líneas (Transformada de Hough)
4. Seguimiento → Suavizado y predicción (Filtro de Kalman)
5. Control → Corrección de dirección (PID)

Los enfoques para detección de carriles se clasifican en: - Basado en características: Bordes, color, brillo, textura. Insensible a formas pero sensible a iluminación. - Basado en modelos: Modelos globales de carretera. Robusto ante iluminación pero sensible a formas. - Basado en aprendizaje: Redes neuronales y reinforcement learning. Requiere entrenamiento extenso.

Objetivos

Implementar un sistema de seguimiento de carril para Robocar bajo las siguientes condiciones:

• Carril de ancho constante, delimitado por línea roja
• Sin curvas muy pronunciadas (ángulo máximo de giro: 30°)
• Velocidad constante y baja (~18 cm/s)
• Procesamiento sobre Raspberry Pi 4B con ROS2

Tecnologías Seleccionadas

Componente	Selección	Justificación
Sensor	Cámara	OpenCV es casi un estándar
Extracción de características	Detección de color rojo	Detección fiable
Post-procesamiento	Transformada de Hough	Estándar en detección de rectas
Seguimiento	Filtro de Kalman	Uso generalizado, eficiente
Modelo de carril	Lineal (campo cercano)	Sencillez
Posición respecto al carril	Offset al final de ROI	Baja velocidad, sencillez
Control de dirección	Promedio lineal de líneas detectadas	Robustez ante pérdida parcial
Gestión de control	PID	Eficiente, ampliamente usado

Documentación Detallada

Documento	Contenido
Detección de Carril	Pipeline OpenCV completo: filtro de color, Canny, ROI, Hough, escenarios de detección
Sistema de Control	Filtro de Kalman para seguimiento, control PID, cálculo de error y ángulo de giro
Modelo del Sistema	Modelo geométrico del robot, ROI, cámara, cálculos de trayectoria

Cambios de Hardware

Cámara

La cámara original (RPi Camera Rev 1.3 clónica) presentaba baja velocidad de obturación: las imágenes salían movidas cuando el robot se desplazaba. Se sustituyó por una webcam NexiGo (USB): - Full HD 1080p @ 60fps - Balance de blancos y exposición automáticos - Buen rendimiento en condiciones de poca retroiluminación

Sensor de velocidad

Se añadió un sensor en el eje de una rueda trasera basado en un opto-acoplador: - Detecta impulsos de un LED que pasan por una rejilla - El conteo lo realiza un Arduino Nano - La información se envía a la RPi por I2C para integración en ROS2

Integración en ROS2

Se crean/modifican los siguientes nodos:

• processing_node (nuevo): Recibe frames de /camera_image, procesa la detección de carriles, y publica el error de dirección en /lane_info
• car_control_node (modificado): Admite dos modos de operación:
• Manual: Control vía joystick (/joy)
• Autónomo: Sigue las correcciones de /lane_info a velocidad constante (18 cm/s)
• Cambio de modo: Botón X del mando PS3

Resultados

Condiciones ideales

El sistema es capaz de identificar y seguir carriles con precisión razonable. En tramos rectos con iluminación uniforme, el robot se mantiene centrado con margen de error bajo.

Dificultades

• Iluminación variable: En curvas y tramos con cambios abruptos de luz, la detección fue inconsistente
• Curvas cerradas: El circuito resultó estrecho para el ángulo de giro máximo (30°), haciendo que curvas "leves" requirieran giro máximo

Papel del filtro de Kalman

El filtro de Kalman demostró ser crucial como red de seguridad: cuando el sistema no detectaba carriles (por iluminación o ángulo), las estimaciones de Kalman mantuvieron el seguimiento. Esto demuestra la resiliencia del sistema pero también su dependencia de condiciones lumínicas adecuadas.

Conclusiones

• El sistema funciona correctamente bajo condiciones controladas de iluminación
• El filtro de Kalman compensa eficazmente las detecciones parciales o ausentes
• La sensibilidad a cambios de iluminación es la principal limitación
• Una evaluación comparativa con tecnologías alternativas (LIDAR, fusión de sensores, deep learning) sería necesaria para determinar la viabilidad en entornos reales

Líneas Futuras

• Mejor cámara: Mayor resolución y rendimiento en baja luz
• Nvidia Jetson Nano: Procesamiento más potente para algoritmos avanzados (redes neuronales profundas)
• Integración de sensores adicionales: Usar los ultrasonidos y el sensor de emergencia para mejorar la percepción
• Técnicas avanzadas de procesamiento de imagen adaptables a variaciones de iluminación

Bibliografía

1. Nguyen, T.B. "Evaluation of Lane Detection Algorithms based on an Embedded Platform", TU Chemnitz, 2017
2. Ulbrich, S. "Towards a Functional System Architecture for Automated Driving", 2017
3. McCall, J.C. & Trivedi, M.M. "Video-based lane estimation and tracking for driver assistance", IEEE, 2006
4. Waykole, S.S. et al. "Review on Lane Detection and Tracking Algorithms of ADAS", Sustainability, 2021
5. Lee, C. & Moon, J. "Robust Lane Detection and Tracking for Real-Time Applications", IEEE, 2018
6. Wang, P. & Chan, C. "A reinforcement learning based approach for automated lane change", IEEE, 2018
7. Saleem, H. "Steering Angle Prediction Techniques for Autonomous Ground Vehicles", IEEE Access
8. Yang, Z. "Accurate and robust vanishing point detection in unstructured road scenes", IEEE, 2019
9. AbdElrahman et al. "Vision-based road tracking of wheeled mobile robot", 2013
10. Snider, J.M. "Automatic Steering Methods for Autonomous Automobile Path Tracking", CMU, 2009
11. Reinoso, K. & Higuera, R. "Diseño y Construcción de Robocar", Madrid, 2024
12. Litman, T. "Autonomous Vehicle Implementation Predictions", Victoria Transport Policy Institute, 2022