wro-future-engineers

name

wro-future-engineers

description

Estrategia y arquitectura para WRO Future Engineers — la categoría de auto autónomo de WRO con vehículo Ackermann, cámara, y misiones de circuit + obstacle avoidance + parking. Usar SIEMPRE que se trabaje en WRO Future Engineers, FE, autonomous car competition, vehículo Ackermann, steering servo, computer vision con Raspberry Pi/OpenCV para detección de obstáculos por color, parking paralelo autónomo, navegación por circuito cerrado con paredes, o se mencione 'Future Engineers', 'autonomous car', 'Ackermann steering', 'parallel parking', 'pillars', 'red green pillar', 'OpenCV ROI', 'PiCamera'. NO usar para WRO RoboMission (eso va en wro-robomission-strategy) ni Football (wro-football). Esta categoría usa Raspberry Pi + Pi Camera, NO Spike Prime.

WRO Future Engineers — auto autónomo con visión

WRO Future Engineers (FE) es la categoría más sofisticada de WRO. Equipos construyen un auto autónomo a escala que recorre un circuito cerrado evitando pilares de colores y completando un parking paralelo. Es la categoría más cercana a la robótica autónoma profesional (auto-driving cars). Esta skill cubre la arquitectura, algoritmos de visión, y patrones de control que usan los equipos top.

Setup hardware típico

A diferencia del resto de WRO, FE NO usa Spike Prime. El setup canónico es:

Componente	Función
Raspberry Pi 4 o 5	Cerebro principal, corre Python con OpenCV
Pi Camera v2 / v3 o USB cam	Visión frontal
Servo MG996R o similar	Steering Ackermann
Motor DC con encoder + driver (L298N, TB6612)	Tracción trasera
IMU (MPU6050, BNO055)	Yaw para navegación
VL53L0X / VL53L1X (LiDAR ToF)	Distancia a paredes/obstáculos
Power bank 5V + batería motor 7.4V	Alimentación

Pybricks no aplica directamente acá, pero los conceptos de control y navegación son los mismos.

Las dos fases de la competición

Fase 1 — Open Round (sin obstáculos)

El robot recorre 3 vueltas al circuito sin obstáculos en el menor tiempo posible. La dirección de marcha (clockwise/counterclockwise) la determina el juez al inicio del round. Puntos por completar las 3 vueltas + bonus por tiempo.

Estrategia: navegación pura por paredes laterales con sensores ToF + IMU. El truco es ir lo más rápido posible sin colisionar.

Fase 2 — Obstacle Round (con pilares)

El robot recorre 3 vueltas evitando pilares rojos y verdes distribuidos en el circuito. La regla:

• Pilar verde → pasar por la derecha.
• Pilar rojo → pasar por la izquierda.

Más el parking paralelo al final entre dos pilares magenta. Esta fase requiere visión por computadora — los sensores ToF no distinguen color.

Arquitectura de software recomendada

auto/
├── main.py                     ← Loop principal y state machine
├── perception/
│   ├── camera.py               ← Captura de Pi Camera
│   ├── color_detection.py      ← Detección de pilares por HSV
│   └── lane_detection.py       ← Detección de paredes laterales (opcional)
├── control/
│   ├── steering.py             ← PID de steering Ackermann
│   ├── throttle.py             ← Control de velocidad
│   └── parking.py              ← Maniobra de parking paralelo
├── navigation/
│   ├── state_machine.py        ← Estados: lap1, lap2, lap3, parking, done
│   └── obstacle_avoidance.py   ← Lógica rojo/verde
└── sensors/
    ├── imu.py
    └── tof.py

Detección de pilares con OpenCV

El truco es trabajar en espacio HSV (no RGB) porque es robusto a cambios de iluminación.

import cv2
import numpy as np

# Rangos HSV calibrados empíricamente con los pilares reales
RED_LOWER_1 = np.array([0, 120, 70])
RED_UPPER_1 = np.array([10, 255, 255])
RED_LOWER_2 = np.array([170, 120, 70])  # rojo wrapping
RED_UPPER_2 = np.array([180, 255, 255])

GREEN_LOWER = np.array([40, 70, 70])
GREEN_UPPER = np.array([85, 255, 255])

MAGENTA_LOWER = np.array([140, 100, 100])
MAGENTA_UPPER = np.array([170, 255, 255])

def detect_pillars(frame):
    """Devuelve lista de detecciones [(color, x, y, area), ...]."""
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # Máscaras de color
    mask_red = cv2.inRange(hsv, RED_LOWER_1, RED_UPPER_1) | cv2.inRange(hsv, RED_LOWER_2, RED_UPPER_2)
    mask_green = cv2.inRange(hsv, GREEN_LOWER, GREEN_UPPER)
    
    # Limpiar ruido con morphological ops
    kernel = np.ones((5, 5), np.uint8)
    mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel)
    mask_green = cv2.morphologyEx(mask_green, cv2.MORPH_OPEN, kernel)
    
    detections = []
    
    for color, mask in [('red', mask_red), ('green', mask_green)]:
        contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for c in contours:
            area = cv2.contourArea(c)
            if area > 500:  # filtrar ruido pequeño
                x, y, w, h = cv2.boundingRect(c)
                cx = x + w // 2
                cy = y + h // 2
                detections.append((color, cx, cy, area))
    
    return detections

ROI — Region of Interest

Procesar el frame entero es lento. Recortar solo la zona donde pueden aparecer pilares baja el tiempo de procesamiento de 50ms a 10ms y aumenta el frame rate.

def get_roi(frame):
    """Recorta el ROI: mitad inferior del frame, sin los bordes laterales."""
    h, w = frame.shape[:2]
    roi = frame[h//2:h, w//6:5*w//6]
    return roi

Estrategia de evasión rojo/verde

TARGET_LATERAL_OFFSET = 100  # px del centro del frame
KP_STEER = 0.5

def avoidance_command(detections, frame_width):
    """Devuelve un steering correction basado en pilares detectados."""
    if not detections:
        return 0  # sin pilares, ir recto
    
    # Tomar el pilar más grande (más cercano)
    nearest = max(detections, key=lambda d: d[3])  # max por area
    color, cx, cy, area = nearest
    
    frame_center = frame_width // 2
    
    if color == 'red':
        # Pasar por la izquierda → robot debe estar a la derecha del pilar
        # Pilar debe quedar a la izquierda del frame → cx < center
        target_cx = frame_center + TARGET_LATERAL_OFFSET
    elif color == 'green':
        # Pasar por la derecha → pilar a la derecha del frame
        target_cx = frame_center - TARGET_LATERAL_OFFSET
    
    error = target_cx - cx
    steering = KP_STEER * error
    return max(-30, min(30, steering))  # clip a ±30°

Steering Ackermann con servo

A diferencia de un robot diferencial, un auto Ackermann tiene steering físico con un ángulo limitado (típicamente ±30° del centro).

import RPi.GPIO as GPIO
from gpiozero import Servo

steering_servo = Servo(18, min_pulse_width=0.5/1000, max_pulse_width=2.5/1000)

def set_steering_angle(angle_deg):
    """angle_deg en [-30, 30]. 0 = recto."""
    angle_clipped = max(-30, min(30, angle_deg))
    # gpiozero Servo usa -1 a 1
    value = angle_clipped / 30.0
    steering_servo.value = value

Detección de paredes laterales con ToF

Para la fase open round, dos sensores ToF apuntando perpendicular dan el offset lateral del robot al centro del carril.

import board
import busio
import adafruit_vl53l1x

i2c = busio.I2C(board.SCL, board.SDA)
tof_left = adafruit_vl53l1x.VL53L1X(i2c, address=0x29)
tof_right = adafruit_vl53l1x.VL53L1X(i2c, address=0x30)

def lane_offset_mm():
    """Offset del centro del carril. Positivo = robot a la derecha del centro."""
    left_dist = tof_left.distance * 10  # cm → mm
    right_dist = tof_right.distance * 10
    return (left_dist - right_dist) / 2.0

Y el control:

KP_LANE = 0.3

def follow_center_of_lane():
    offset = lane_offset_mm()
    steering = -KP_LANE * offset  # negativo porque + offset → girar a la izquierda
    set_steering_angle(steering)

State machine del run

class State:
    INIT = 0
    LAP_1 = 1
    LAP_2 = 2
    LAP_3 = 3
    PARKING = 4
    DONE = 5

state = State.INIT
laps_completed = 0
last_lap_marker = 0

def main_loop():
    global state, laps_completed
    
    while True:
        frame = camera.capture()
        detections = detect_pillars(frame)
        
        if state == State.INIT:
            # Detectar dirección del circuito
            state = State.LAP_1
        
        elif state in [State.LAP_1, State.LAP_2, State.LAP_3]:
            # Navegación con evasión
            steering = avoidance_command(detections, frame.shape[1])
            if steering == 0:
                follow_center_of_lane()
            else:
                set_steering_angle(steering)
            
            # Detección de fin de vuelta (línea naranja/azul en el suelo)
            if detect_lap_marker(frame) and time.time() - last_lap_marker > 3:
                laps_completed += 1
                last_lap_marker = time.time()
                if laps_completed == 3:
                    state = State.PARKING
        
        elif state == State.PARKING:
            execute_parking_maneuver()
            state = State.DONE
        
        elif state == State.DONE:
            stop()
            break

Parking paralelo

La maniobra clásica de parking paralelo se programa como una secuencia hardcoded de comandos en función de la geometría del slot:

def execute_parking_maneuver():
    """Asume que el robot está alineado con el slot a su derecha."""
    set_throttle(0.3)  # avanzar lento
    drive_forward(distance_mm=100)
    
    set_steering_angle(30)  # giro completo a la derecha
    drive_backward(distance_mm=200)
    
    set_steering_angle(-30)  # giro completo a la izquierda
    drive_backward(distance_mm=200)
    
    set_steering_angle(0)
    drive_forward(distance_mm=50)  # centrar en el slot
    stop()

Las distancias exactas se ajustan empíricamente sobre el slot real.

Errores típicos

Síntoma	Causa	Solución
Detección de color falla con luz cambiante	Rangos HSV mal calibrados	Recalibrar en la cancha real con la luz real
Frame rate <15 fps	Resolución muy alta, sin ROI	Bajar a 320×240, usar ROI
Robot oscila entre paredes	Kp lateral muy alto	Bajar Kp, agregar D
Detecta sombras como pilares	Threshold de saturación bajo	Subir saturation min en HSV
Parking sale corto	Distancias hardcoded sin slip	Calibrar emp con slot real
Robot pasa pilar por el lado equivocado	Lógica rojo/verde invertida	Revisar el signo del error en avoidance_command

Tips finales

• Frame rate >20 fps es crítico. Si bajás de eso, la latencia entre detección y comando se nota y el robot oscila.
• Recortar el ROI agresivamente y trabajar a 320×240 o incluso 240×180.
• Calibrar HSV con el set real bajo la iluminación de la cancha de competición. Los pilares de práctica pueden tener tonos distintos.
• Logging visual: durante development guardar frames con las detecciones dibujadas para debug post-run.
• Encoder de tracción crítico para distancias precisas en parking.
• No confiar ciegamente en visión — combinar con ToF lateral siempre como sanity check.

Recursos

• WRO Future Engineers rulebook: https://wro-association.org/competition/wro-international/rulebook/
• OpenCV color detection tutorial: https://docs.opencv.org/4.x/df/d9d/tutorial_py_colorspaces.html
• Repos referencia top: buscar "WRO Future Engineers" en GitHub, equipos top de Indonesia/Rusia/Polonia tienen repos públicos.