DroneLoad
Description du projet
Cela fait 3 ans que l’ESTACA participe au Concours DroneLoad. Cet évènement est organisé par Planète Sciences en partenariat avec Safran, Air&Cosmos, Squadrone System et Drones Paris Région. SiERA y prend part depuis 2 ans en collaboration avec l’association ESTACA Modélisme.
Ce concours consiste à élaborer un drone intelligent. Il faut donc concevoir et construire le drone en vue de l’automatiser pour qu’il réponde à différentes missions. Cette année le thème du concours s’exerçait autour des Jeux Olympiques de 2024 : TAXI DRIVER 2024. Notre engin devait être capable de transporter des objets d’une zone à une autre.
Les objets étaient matérialisés par des cubes et les zones par des panneaux. L’objectif était de transporter des cubes de couleur au travers d’une fenêtre jusqu’au panneau associé.
La mission était donc décomposée en 2 phases : la première était une phase d’identification et la seconde une phase de transport.
Les panneaux se trouvaient dans une pièce fermée qui est accessible au travers de 3 fenêtres, ayant respectivement comme tailles 80*80 cm, 50*50cm et 30*30cm. Chaque fenêtre devait être entourée d’un cadre noir. Cette année, il y avait 3 types de panneaux : un panneau avec marqué TAXI sur un fond jaune, un panneau avec JEUX 2024 sur un fond blanc et un panneau représentant un Stade.
Les cubes avaient pour dimension 5*5*5cm et devaient être colorés (jaune, vert et noir). Il fallait donc récupérer les cubes à l’aide d’une pince et les déposer sur le panneau correspondant.
Les panneaux, cubes et fenêtres devaient être détectés de façon automatique à l’aide d’une reconnaissance d’images utilisant la détection de formes et de couleurs. Pour gagner le plus de point possible pour le concours, certains déplacements du drone devaient aussi être automatisés comme le passage dans la fenêtre.
Réalisations
Le drone utilisé pour réaliser cette mission est un quadrirotor caréné. Il a été en grande partie réalisé l’année dernière. Cette année certains composants ont été changé ou ajouté comme le Flux Optique (c’est un composant qui permet de connaître le déplacement du drone).
Une des tâches les plus importantes a été l’ajout d’un système de préhension amélioré, pour les cubes. Ce système a été réalisé grâce à l’impression 3D.
Pour effectuer la reconnaissance d’images, un réseau de neurones a été entraîné. L’algorithme utilisé est Mobilenet-SSD. Le premier algorithme, Mobilenet, permet de classifier les images. Tandis que SSD (Single Shot multibox Detector) permet d’identifier les zones qui présentent un élément à classifier. L’avantage de cet algorithme est sa rapidité et son adaptation à différents systèmes embarqués qui ne présentent pas toujours de puissance de calcul élevée.
Les différents outils nécessaires à la mise en place de l’intelligence artificielle et à son entraînement ont été fournis par le framework Tensorflow. Pour gagner en rapidité lors de l’entraînement, Google Colab a été utilisé. C’est un site qui nous permet d’avoir accès à des ordinateurs puissants et adaptés aux réseaux de neurones.
Grâce à l’utilisation de ces solutions-là, on a été capable d’effectuer de la reconnaissance d’images en temps réel sur notre ordinateur. Le drone émettait le flux vidéo de la caméra, grâce à son VTX (émetteur vidéo). La gestion des images a été effectué à l’aide de la librairie OpenCV.
Le firmware présent sur le contrôleur de vol, ici une Pixhawk 2.1, est Ardupilot. Le logiciel Mission Planner nous a permis de paramétrer différentes informations clés comme les PIDs du drone ou bien encore les protocoles de communication utilisés entre le contrôleur de vol et les différents capteurs comme le Lidar ou le Flux Optique. La librairie utilisée pour contrôler les mouvements du drone est la librairie Dronekit qui fonctionne sous Python 2.7. Elle permet d’envoyer des commandes MAVLink au drone par l’intermédiaire de la télémétrie.
Du fait du COVID-19, la finale s’est déroulée en ligne sur YouTube sous forme de présentation.