Stanley es un automóvil autónomo creado por el Stanford Racing Team de la Universidad de Stanford en cooperación con el Laboratorio de Investigación Electrónica de Volkswagen (ERL) . Ganó el Gran Desafío DARPA de 2005 , [1] lo que le valió al Stanford Racing Team un premio de 2 millones de dólares.
Dirigido por el profesor asociado Sebastian Thrun , [2] director del Laboratorio de Inteligencia Artificial de Stanford , el Stanford Racing Team fue desarrollado únicamente con el propósito de competir en el DARPA Grand Challenge de 2005. Stanford no participó en el Gran Desafío DARPA de 2004 y se consideró que tenía 20:1 posibilidades de ganar la competencia de 2005. [3] El automóvil se encuentra actualmente en el Museo Nacional Smithsonian del Aire y el Espacio. Se exhibió en el Salón Internacional del Automóvil de Nueva York de 2006 y dos años en el Museo Volkswagen Autostadt (Alemania). El Stanford Racing Team inscribió un nuevo vehículo, una camioneta Volkswagen Touareg modificada, denominada "Junior", en el DARPA Urban Challenge 2007 . [4] Otros contribuyentes clave en el equipo incluyen a Michael Montemerlo (líder de software), Sven Strohband (ingeniero principal de hardware), David Stavens (robótico/ingeniero), Hendrik Dahlkamp (líder de visión por computadora), Cedric Dupont (líder de vehículos) y Pamela. Mahoney (líder de comunicaciones). [5]
El coche comenzó como un modelo diésel europeo estándar Volkswagen Touareg proporcionado por ERL de Volkswagen para la competición. El Stanford Racing Team eligió el Touareg por su sistema de control " drive by wire " que podía adaptarse (y así lo hizo el ERL) para ejecutarse directamente desde una computadora a bordo sin el uso de actuadores o servomotores; sin embargo, el volante era accionado por un motor eléctrico y el cambio de marcha se realizaba con un pistón hidráulico). [6]
Para la navegación, el vehículo estaba equipado con cinco unidades LIDAR de Sick AG montadas en el techo para construir un mapa tridimensional del entorno, complementando así el sistema GPS de detección de posición . Un sistema de guía interno que utiliza giroscopios y acelerómetros monitoreaba la orientación del vehículo y también servía para complementar el GPS y otros datos de sensores. Una cámara de vídeo utilizada para observar las condiciones de conducción a una distancia de ochenta metros (más allá del alcance del LIDAR) proporcionó datos de orientación adicionales y para garantizar suficiente espacio para la aceleración. Stanley también instaló sensores en el hueco de la rueda para registrar un patrón impreso en el neumático y actuar como un odómetro en caso de pérdida de señal (como al conducir por un túnel). Utilizando los datos de este sensor, el ordenador de a bordo puede extrapolar la distancia recorrida desde que se perdió la señal. [7]
Para procesar los datos de los sensores y ejecutar decisiones, el automóvil estaba equipado con seis computadoras de bajo consumo basadas en Intel Pentium M de 1,6 GHz en el maletero, que ejecutaban diferentes versiones del sistema operativo Linux .
La Escuela de Ingeniería desarrolló 100.000 líneas de software para interpretar datos de sensores y ejecutar decisiones de navegación. Utilizando lo que Popular Mechanics describió como una "jerarquía de robots común", el vehículo utiliza "módulos de bajo nivel que alimentan datos sin procesar de LIDAR, la cámara, conjuntos de GPS y sensores inerciales en programas de software [para controlar] la velocidad, la dirección y la toma de decisiones. [6]
El vehículo presentaba un enfoque basado en el aprendizaje automático para la detección de obstáculos. Los datos de los LIDAR se fusionaron con imágenes del sistema de visión para realizar una visión lejana. Si no se podía detectar un camino de terreno transitable al menos a 40 metros delante del vehículo, se disminuía la velocidad y se utilizaban los LIDAR para localizar un paso seguro.
Para corregir errores comunes cometidos por el vehículo en las primeras etapas de su desarrollo, el Stanford Racing Team creó un registro de "reacciones y decisiones humanas" y alimentó los datos en un algoritmo de aprendizaje vinculado a los controles del vehículo; esta acción sirvió para reducir errores. El registro informático de los humanos conduciendo también hizo que el automóvil fuera más preciso en la detección de sombras, un problema que había causado muchas de las fallas del vehículo en el DARPA Grand Challenge de 2004 . [6]