Sistema de deteccion de obstaculos mediante ROS y procesamiento embebido en Jetson Nano

Abstract

Este Trabajo Fin de Grado se centra en el desarrollo de un sistema embebido basado en ROS y la plataforma Jetson Nano, orientado a la clasificación y detección de barreras arquitectónicas. Para ello, se utilizó ROS Noetic como entorno de desarrollo, implementado sobre la plataforma de procesamiento embebido Jetson Nano. Se trabajó en la integración de sensores clave, como una cámara ToF y un LiDAR, complementados con un sistema de visión por computador basado en el algoritmo YOLO para la detección de objetos. Se implementaron nodos específicos para la cámara ToF, el mapeo, YOLO, el control motorizado, la comunicación y el LiDAR. En la primera fase del proyecto, se llevó a cabo la configuración inicial del hardware y software necesarios (ROS y Jetson Nano) y la integración de los sensores. Se logró controlar con éxito la cámara ToF y se integró el LiDAR al sistema, verificando el funcionamiento simultáneo de todos los sensores. Posteriormente, se desarrolló e incorporó un modelo de detección de objetos, entrenando un algoritmo YOLO para identificar barreras arquitectónicas y otros objetos relevantes. Además, se implementó un script que utiliza la información de detección de YOLO junto con un flujo adicional basado en n8n. El sistema completo, incluyendo sus componentes de detección, fue probado mediante evaluaciones independientes que permitieron trabajar con resultados parciales, debido a las limitaciones del hardware disponible. Se realizó una validación manual de la detección de barreras, confirmando su funcionamiento con un margen de error reducido. Asimismo, se implementó un prototipo complejo de conducción autónoma que integra la detección desarrollada. Estos resultados iniciales validan el desarrollo e implementación de los componentes clave del sistema de detección y control, evidenciando su potencial aplicación práctica.

This Final Degree Project focused on the development of an embedded system based on ROS and the Jetson Nano platform, aimed at the classification and detection of architectural barriers. For this purpose, ROS Noetic was used as the development environment, implemented on the embedded processing platform Jetson Nano. The project involved integrating key sensors such as a ToF camera and a LiDAR, complemented by a computer vision system based on a YOLO neural network for object detection. Specific nodes were implemented for the ToF camera, mapping, YOLO, motor control, communication, and LiDAR. In the first phase of the project, the initial configuration of the necessary hardware and software (ROS and Jetson Nano) and sensor integration were carried out. Successful control of the ToF camera was achieved, and the LiDAR was integrated into the system, verifying the simultaneous operation of all sensors. Subsequently, an object detection model was developed and incorporated by training a YOLO neural network to identify architectural barriers and other relevant objects. Additionally, a script was implemented that uses the detection information from YOLO together with an additional workflow based on n8n. The complete system, including its detection components, was tested through independent evaluations that allowed working with partial results due to the limitations of the available hardware. Manual validation of the barrier detection was performed, confirming its operation with a low margin of error. Furthermore, a complex prototype of autonomous driving integrating the developed detection was implemented. These initial results validate the development and implementation of the key components of the detection and control system, demonstrating its potential practical application.