Projekt 02
Autonomes unbemanntes Landfahrzeug
Ein Embedded-Systems-Projekt, entwickelt innerhalb einer Technologiegesellschaft, das Echtzeit-Objekterkennung, Hindernisvermeidung und autonome Fahralgorithmen vereint.
- Kategorie
- Embedded & Robotik
- Rolle
- Bildverarbeitung und autonome Fahrsoftware
verwendete technologien
- Python
- C++
- ROS2
- YOLOv8
- Jetson Orin Nano
- CUDA
- OpenCV
problem
Problem
Für ein autonomes Landfahrzeug reicht es nicht, ein Hindernis zu sehen — die Entscheidung muss vor dem Aufprall fallen. Die eigentliche Herausforderung bestand darin, Objekterkennung mit hoher Bildrate auf einem leistungsbegrenzten Embedded-Board auszuführen und diese Daten ohne Verzögerung an die Bewegungssteuerung zu übergeben.
lösung
Lösung
Ich habe Wahrnehmung, Entscheidung und Bewegung als getrennte ROS2-Knoten strukturiert, deren Kommunikation über latenzarme Nachrichtenkanäle läuft. Das YOLOv8-Modell läuft mit CUDA-Beschleunigung auf einem Jetson Orin Nano; die Position erkannter Objekte fließt in einen Navigationsknoten, der eine dynamische Routenoptimierung durchführt.
ergebnis
Ergebnis
Das Fahrzeug navigiert autonom in Umgebungen mit zuvor nicht definierten Hindernissen und berechnet seine Route in Echtzeit neu.
wichtigste funktionen
- 01Objekt- und Hinderniserkennung mit hoher Bildrate durch CUDA-beschleunigtes YOLOv8 auf einem Jetson Orin Nano.
- 02Latenzarme Kommunikationsarchitektur für Sensor- und Kameradaten über ROS2-Knoten.
- 03Routenoptimierung und autonome Navigation unter dynamischen Umgebungsbedingungen.
warum diese entscheidungen
Warum ROS2?
Kamera, Sensoren und Motorsteuerung mussten unabhängig voneinander laufen. Die Knotenarchitektur von ROS2 ermöglichte es, einen Teil auszutauschen, ohne die anderen zu beeinträchtigen.
Warum der Jetson Orin Nano?
Das System an Bord musste CUDA unterstützen und gleichzeitig innerhalb eines Leistungsbudgets bleiben, das die Fahrzeugbatterie tragen konnte.