Titanium Car = 🏎️ + 🤖

Un projet fait à l'IMT Lille Douai

avec le suivi du Professeur Hazem Wannous

Novembre 2019

Le projet

L'objectif du projet s'insprire de celui du concours IronCar :

Transformer une voiture téléguidée en voiture autonome et effectuer le plus rapidement possible un tour de circuit.

Notre résultat

Ce dépôt contient tous les notebooks et programmes faits durant le projet.

Le contexte

TitaniumCar a été un projet d'initiation au deep learning et de découverte des différentes librairies de la data science. Il nous a permis de pratiquer toutes les étapes qu'un projet de data science peut avoir :

Définition de la problématique
Conception
Création du dataset
Apprentissage
Tests
Déploiement

Le projet ne durant qu'un seul mois, le code a dû être restructuré par la suite. Le code destiné à être deployer sur la voiture pourrait contenir des bugs. Le reste du dépôt a été testé.

Installation

Pour pouvoir expérimenter et utiliser directement le code, l'environnement Conda a été exporté. L'installation se fait simplement avec :

conda create -n titaniumcar python=3.7
conda env update --file environment.yml

Cette méthode est plus simple à mettre en place que celle décrite dans le rapport pdf.

Les données étant volumineuses, elles doivent être téléchargées séparément à cette adresse : cdn.facchini.fr/92J7pN7jl8yQTZfp/data_titaniumcar.zip

Les technos

Le langage utilisé pour l'ensemble du projet est python 3.7. Ensuite les principales technos utilisées sont :

Numpy
OpenCV
Tensorflow (et Pytorch)
Pygame
Picamera et Adafruit

La structure

Le projet a été séparé en 5 parties :

Experimentations : Tous les tests que nous avons effectués mais qui n'ont pas été utilisés dans la version finale du projet
Processes : Les notebooks pour tester les modèles de prédictions
Titaniumcar : Code source pour la conduite de la voiture
Labeling : Méthodes pour la labélisation des photos prises par la voiture
(Data : comprend le dataset, les vidéos et les tests, doit être téléchargé)

Le dépôt contient aussi le rapport complet du projet au format pdf.

La labelisation

L'apprentissage du CNN nécessite une grande quantité d'images. La solution adoptée est de labéliser des photos prises par la voiture. Nous avions plus de 18 000 frames.

Un programme a été fait pour définir avec la souris les 2 labels (nombres réels) :

la direction des roues
la puissance du moteur

En étant 4 personnes, nous mettions 1 heure pour toutes les labéliser avec notre méthode.

Les auteurs

La partie logicielle a été conçue par :

Pierre Montroeul
Antoine Facchini

Koyaani/titaniumcar