En este artículo, me gustaría compartir mi propia experiencia en el desarrollo de una cámara inteligente para ciclistas con un algoritmo avanzado de visión artificial para detectar peligros potenciales en la carretera y evitar colisiones. Describí brevemente todo el proceso de creación de prototipos y recopilación de datos de video desde cero a continuación. Puede ser interesante tanto para los ingenieros de Embedded como para los de Machine Learning. Un pequeño spoiler antes de comenzar: el conjunto de datos recopilados más tarde fue de código abierto.  Tabla de contenido  De la experiencia personal: problemas de seguridad vial para ciclistas  Conjuntos de datos abiertos de cámaras retrovisoras: esenciales para la investigación, pero escasos en línea  Hablemos de hardware: creación rápida de prototipos con bajo presupuesto  Software Insides: Bajo el capó de OTA  De la experiencia personal: problema de seguridad vial para ciclistas  Soy un ciclista empedernido con 30 años de experiencia, 20 de ellos en la vía pública. Una vez tuve un accidente de tráfico en la carretera: un automóvil atropelló mi bicicleta por el costado. Afortunadamente, escapé con un leve hematoma y un esguince. Por eso, entiendo especialmente los problemas de seguridad que tienen los ciclistas en la vía pública.  Una de las soluciones para el problema es usar cámaras de bicicleta para capturar incidentes. Andar en bicicleta en la carretera, como sabemos, se vuelve más seguro cuando está equipado con una cámara que captura su punto de vista. En un altercado con un conductor, tener imágenes puede servir como una capa protectora adicional. Sin evidencia, un conductor poco ético puede negar su responsabilidad, pero tener una cámara para ciclistas puede servir como un salvavidas en tal situación. En el Reino Unido, incluso hay un sitio web llamado Nextbase que facilita el envío de imágenes de cámaras de acción a la policía, lo que agiliza el proceso y reduce las complicaciones.  En otras palabras, puede capturar el accidente con la cámara, pero debe admitir que siempre es mejor evitar una situación peligrosa. Cuando inicié el proyecto no había soluciones proactivas para prevenir situaciones de peligro en las carreteras. Así que decidí crear la luz de fondo de mi bicicleta inteligente con una cámara. La misión del proyecto era disminuir las muertes y lesiones entre los ciclistas.   Originalmente, se planeó configurar el dispositivo con un algoritmo avanzado de visión por computadora, a menudo denominado "inteligencia artificial" en los medios, que puede detectar peligros potenciales en la carretera para los ciclistas. Permítanme explicar el concepto en palabras sencillas: si el software detecta un peligro, el dispositivo emite una luz intermitente para llamar la atención de los conductores. Además, el sistema de seguridad emite un sonido fuerte al vehículo de atrás antes de una colisión, lo que ayuda a prevenirla.    Conjuntos de datos abiertos de cámaras retrovisoras: esenciales para la investigación, pero escasos en línea  Para entrenar mi red neuronal de detección de objetos (parte del algoritmo de visión por computadora, utilizado para la percepción), necesitaba encontrar un gran conjunto de datos de diferentes escenarios de vías públicas capturados por cámaras retrovisoras. Desafortunadamente, estos conjuntos de datos de código abierto no estaban disponibles en la web cuando comencé.  En su totalidad, los estudios del comportamiento de conducción son extremadamente útiles en la ingeniería del transporte, sirviendo para varios propósitos, como la recopilación de datos para el análisis estadístico, la identificación de modelos de conducción y la estimación de parámetros de modelado. Los datos y modelos se pueden aplicar en varias áreas, incluido el análisis de seguridad vial, modelos microscópicos para simulación de tráfico, pronóstico y control, y lógica de control para sistemas avanzados de asistencia a la conducción.  Avanzando, se debe decir que mientras trabajaba en este proyecto, creé el conjunto de datos de las carreteras públicas de Ucrania capturados por las cámaras retrovisoras de los primeros usuarios de MVP en 2021.\  Entendiendo totalmente la importancia pública y social de tener tales conjuntos de datos en el dominio público, he subido los resultados de mi trabajo   .  aquí   Hablemos de hardware: creación rápida de prototipos con bajo presupuesto  Para enseñar a la red neuronal a predecir accidentes, tuve que recopilar muchos datos. Para este caso, necesitaba desarrollar prototipos de cámara para dárselos a mis primeros probadores beta para grabar sus recorridos. Afortunadamente, mi red comunitaria ciclista incluye muchos activistas de la seguridad vial. Lo único que quedaba por hacer era ensamblar algunos dispositivos para entregárselos a mis primeros usuarios.  Permítanme describir brevemente el proceso de desarrollo y explicar la lógica de elegir soluciones técnicas específicas a continuación.  La configuración del hardware: la carcasa se imprimió en 3D. Se eligió el módulo de computadora Raspberry Pi 3B+ como plataforma y se fabricaron PCB personalizados para mantener la carcasa compacta y liviana.   Usé un sensor Raspberry Pi IMX219 estándar para la cámara, pero empleé una lente de 120 grados. Se agregaron luces LED de alta potencia y una lente teñida de rojo (también impresa en 3D) para una mejor visibilidad en la carretera.  Utilicé Google Coral Edge TPU (fotos incluidas), un acelerador neuronal 4 TOPs potente y de bajo costo, para ejecutar redes neuronales en el dispositivo. La TPU se conectó a través de USB. \  Todos estos dispositivos electrónicos consumían entre 7 y 8 W a carga máxima (grabación de video, operación de red neuronal en tiempo real y parpadeo de LED). Se utilizó una batería de iones de litio de 8 Ah (se incluyen fotografías del interior de la carcasa) para garantizar 4-5 horas de funcionamiento.   Software Insides: bajo el capó de OTA  Para el sistema operativo, utilicé Raspbian estándar, ya que es mejor compatible y todos los controladores que necesitaba se instalaron fácilmente sin ningún problema. El código principal que decidí escribir después de iniciar el sistema operativo estaba en C++.  No recomiendo comenzar con esto: para fines de experimentación, creo que Python podría ser una mejor opción para los principiantes. Sin embargo, si desea controlar de manera efectiva y precisa todos los recursos limitados de Raspberry Pi con las máximas capacidades de hardware, vale la pena escribir en C/C++.  Una de las soluciones más interesantes que hice en este proyecto es el mecanismo OTA (over-the-air update) y el mecanismo para recopilar grabaciones de video de dispositivos.  El proceso se veía así: cuando un usuario termina un viaje y llega a casa, inserta un adaptador WiFi USB, que se conecta al Wi-FI de la casa, y el dispositivo comienza a sincronizarse.  Todos los videos se sincronizaron a través de Google Drive: creé una cuenta de Google separada para cada dispositivo. Google Drive tiene muchas ventajas en mi caso: pude ver los videos instantáneamente a través de la interfaz web de Google Drive, es fácil eliminar manualmente o agregar nuevos archivos y, por último, pero no menos importante, fue gratis para mis experimentos ( hasta 20 GB para cada cuenta). (   , por favor, no seas malvado, solo hubo cuatro MVP en mi startup recién nacida). Google  El uso de la codificación de video H.264 ayuda a mantener cientos de videos en un Google Drive sin quedarse sin capacidad.  Permítanme describir el proceso OTA: después de compilar un nuevo firmware, lo cargo en una unidad de Google. La próxima vez que se sincroniza con Google Drive, un dispositivo descarga la versión de firmware más reciente y reemplaza la anterior.  Usé una utilidad gdrive simple para esto. Aquí está el código que uso para cargar un nuevo archivo de firmware:   gdrive upload -p “gdrive folder id” “file”  A continuación doy una línea de código para cargar nuevo firmware en un dispositivo:   gdrive update “id” “file”  Después de verificar la versión del firmware, se realiza la sincronización del video y todas las grabaciones nuevas se cargan en Google Drive.  Así se descargan los videos al disco desde un dispositivo:   gdrive sync upload “local folder” “gdrive folder id”  Una vez al día, ejecuté un script en mi servidor para sincronizar todas las unidades de Google Drive con mis carpetas locales y descargué todos los videos nuevos.   gdrive sync download “gdrive folder id” “local folder”  Así, después de varios meses de trabajo, mis dispositivos han recopilado más de 200 videos listos para etiquetar.  Después de recopilar el video, lo procesé, lo filtré y creé el conjunto de datos. Luego reuní un pequeño equipo para el etiquetado manual. El equipo incluyó a 4 personas que etiquetaron cada foto.  Eventualmente, como se mencionó antes, le di el conjunto de datos a código abierto. Puede encontrarlo a través del enlace:  enlace de GitHub.  Creo que los conjuntos de datos de código abierto son un recurso valioso para la comunidad investigadora y pueden contribuir en gran medida al desarrollo de nuevos algoritmos y modelos en el campo de la seguridad vial.

Read My Stories

Este audio es producido en el idioma original de la historia!

La búsqueda de datos: creación de un conjunto de datos de visión artificial para la seguridad vial

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps