Projekt 03
Autonomes unbemanntes Landfahrzeug
Ein Embedded-Systems-Projekt, entwickelt innerhalb einer Technologiegesellschaft, das Echtzeit-Objekterkennung, Hindernisvermeidung und autonome Fahralgorithmen vereint.
- Kategorie
- Embedded & Robotik
- Rolle
- Autonome Algorithmen und eingebettete Bildverarbeitung
- Jahr
- 2025 – 2026
verwendete technologien
- Python
- C++
- ROS2
- YOLOv8
- Jetson Orin Nano
- CUDA
- OpenCV
problem
Problem
Auf schwierigem Untergrund und in Feldern mit Hindernissen musste das Fahrzeug seine Umgebung in Echtzeit erfassen, Hindernissen ausweichen und ohne menschliches Eingreifen einer Zielroute folgen. Die eigentliche Schwierigkeit: Ein Hindernis zu sehen reicht nicht — die Entscheidung muss vor dem Aufprall fallen, und das auf einem leistungsbegrenzten Embedded-Board.
lösung
Lösung
Ich habe eine verteilte ROS2-Knotenarchitektur aufgebaut, in der Wahrnehmung, Entscheidung und Bewegung als unabhängige Knoten über latenzarme Nachrichtenkanäle kommunizieren. Das YOLOv8-Modell habe ich mit CUDA-Beschleunigung auf einem Jetson Orin Nano optimiert und daraus die Erkennungspipeline gebaut; die Positionen erkannter Objekte fließen direkt in die Motortreiber-Steuerung.
ergebnis
Ergebnis
Entstanden ist eine funktionierende autonome Landfahrzeugplattform mit Echtzeit-Hinderniserkennung und dynamischer Routenkorrektur, im Feld auf anspruchsvollen Parcours getestet.
wichtigste funktionen
- 01Objekt- und Hinderniserkennung mit hoher Bildrate durch CUDA-beschleunigtes YOLOv8 auf einem Jetson Orin Nano.
- 02Verteilte ROS2-Knotenarchitektur mit getrennten Ebenen für Wahrnehmung, Entscheidung und Bewegung.
- 03Latenzarme Übergabe erkannter Objektpositionen an die Motortreiber-Steuerungsalgorithmen.
- 04Dynamische Routenkorrektur, im Feld auf anspruchsvollem Gelände getestet.
warum diese entscheidungen
Warum CUDA-beschleunigtes YOLOv8?
Leichte CPU-Modelle wie MobileNet hätten weniger Energie verbraucht, aber bei kleinen und komplexen Hindernissen im Feld an Genauigkeit verloren. Die Hardwarebeschleunigung auf dem Jetson ermöglichte hohe FPS-Werte ohne Genauigkeitsverlust.
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.