Udacity self-driving car preview

Eis aqui uma grande oportunidade. Para aqueles curiosos sobre o nanodegree de carros autônomos da Udacity, aqui está um preview, para acessar o conteúdo do curso, por tempo limitado.
http://blog.udacity.com/2017/04/free-sneak-preview-self-driving-car-nanodegree-program.html

Divirta-se.

RoadMap – Projetos de carro autônomo

Terminei a parte 1 do nanodegree de carros autônomos da Udacity!

nanodegree.jpeg
“Certificado” de conclusão

Foram projetos como o de ensinar um carro a dirigir num ambiente simulado:

E o de treinar uma rede neural para reconhecer placas de trânsito:

Traffic.jpeg

E o de identificar outros veículos e as faixas de trânsito.

 

O Termo 2 do curso envolve sensores Lidar e robótica com C++!

Veja o relatório completo na plataforma Medium:
Relatório completo

Aprendizado de máquina x aprendizado humano

Há uma série de analogias entre o aprendizado de máquina e o aprendizado humano.

RandomPlots.jpg

Uso um projeto de detecção de placas de trânsito com redes neurais profundas para discorrer sobre o tema.

Leia o relatório completo na plataforma Medium.

View story at Medium.com

Advanced Lane Finding

Sobre o projeto 4 do curso de carros autônomos da Udacity. O objetivo era o de encontrar as linhas de tráfego da estrada utilizando técnicas de visão computacional. A ideia era chegar em algo assim:

Example.png

Segue um vídeo do método.

O post completo, com detalhamento das técnicas utilizadas, está descrito na plataforma Medium, cujo link se encontra aqui:

View story at Medium.com

Att

Projeto 3 – Ensinando um carro a se auto-dirigir

Sobre o projeto 3, do nanodegree de carros autônomos da Udacity.

Consiste em ensinar um carro a dirigir sozinho, num ambiente simulado – um vídeo game mesmo. Lida com visão computacional e redes neurais.

Fiz um relatório bem detalhado (e muito técnico) em https://medium.com/@arnaldogunzi/teaching-a-car-to-drive-himself-e9a2966571c5#.d06wvx7hy.

 

Screenshot01.jpg

View story at Medium.com

Como ser um engenheiro de carros autônomos (self driving cars)

Ainda não é possível ser um Engenheiro de Carros Autônomos, porque não existem cursos de graduação sobre o assunto. Mas é possível ser um “nano engenheiro” de carros autônomos. E este post é uma análise deste nanodegree.

A plataforma de ensino on-line Udacity (www.udacity.com) oferece um curso “nanodegree” sobre carros autônomos. Hoje, final de 2016, é o primeiro curso no mundo, até onde eu sei.

Udacity.jpg

A Udacity é um plataforma de ensino on-line, fundada por uns caras de altíssimo nível técnico e muito idealistas, como o alemão Sebastian Thrun. Este foi o líder da equipe que venceu o grande desafio de carros autônomos da Darpa em 2005, com o carro Stanley, da Universidade de Stanford (vide post sobre o assunto).

stanley

Thrun foi para o Google, após vencer o grande prêmio. Depois de alguns anos trabalhando no veículo autônomo do Google, Thrun decidiu se dedicar integralmente ao Udacity. Ao invés de construir um carro com sistema fechado, ele acha que pode ser mais útil ensinando milhares de pessoas e construindo um carro open-source. E ele é o cabeça deste nanodegree.


O nanodegree

A Udacity tem alguns cursos gratuitos da área de tecnologia, e outros pagos, com acompanhamento, chamados de “nanodegree”. Comecei a fazer, agora em dezembro de 2016, o nanodegree de “Self Driving Cars”. Isto significa que sou uma das primeiras pessoas do mundo a fazer o curso.

O nanodegree “Self Driving Cars” é dividido em três módulos de três meses cada um.  Cada módulo custa US$ 800,00. Se o dólar estiver a R$ 3,50, dá R$ 2.800,00 para cada módulo, e R$ 8.400,00 para tudo. É caro? Depende. Se der para aprender muitas novas tecnologias, não.
Nota solta: Tive uma certa dificuldade de pagar o curso. Pelo valor ser alto, o cartão de crédito bloqueou. Tive que ligar para o banco, ficar um tempão pendurado com o atendente, provar que eu era eu mesmo, depois provar que eu não era um bandido tentando se passar por mim para me roubar, etc…


Módulos
São três módulos sobre o assunto, da qual somente o primeiro existe ainda.

1: Visão computacional e aprendizagem profunda: visão computacional envolve muito mais do que apenas filmar um imagem ou fazer filtros para mudar cor. Envolve identificar e interpretar objetos, e para tal, deve-se lançar mão de ferramentas de aprendizagem profunda, como redes neurais.

Não se sabe muito sobre os módulos 2 e 3, mas os temas são:

2: Sensores (câmera, radar, lidar, gps), localização e controle.
3: Planejamento da rota e sistemas

O engraçado é que não tem nada de mecânica. Só de eletrônica e computação. Os carros já tem toda a mecânica necessária. O que queremos substituir é justamente a inteligência com o uso da computação.


Motivação

Para mim, em particular, o curso já está valendo muito, muito a pena.
Olha o que fiz, na primeira semana do curso. Um projetinho para identificar, através de visão computacional, as linhas da estrada.

Imagem original:
solidWhiteRight.jpg
Desenho da linha através de processamento computacional (linha branca mais espessa):

laneModified.jpg

Fiz até um videozinho demonstrando o método, no link a seguir.

Legal, não?

Agora, um exemplo brasileiro. Av. Hélio Pelegrino, em São Paulo:

frameteste
Original
framelane
Com algoritmo de linhas

Vídeo com o método de identificação de linhas. Não ficou muito bom, mas a pessoa que fez o vídeo (eu) também não sabe filmar direito.


O Background necessário.

Agora, vamos colocar os pés de volta no chão: o curso é num nível bem alto. Por isso, é necessário ter um excelente background técnico. Dá para fazer o projeto acima em uma semana, mas só se o aluno tiver bons pré-requisitos antes. Preferencialmente, é bom ser da área de Exatas, alguma engenharia hard.

Tive um mês e pouco entre a inscrição e o início efetivo do curso. E, como um bom brasileiro descendente de japonês, comecei a estudar o conteúdo do curso antes mesmo dele começar.

Listo a seguir algumas tecnologias utilizadas neste curso.


Linux

Cheguei à conclusão de que era melhor ignorar o Windows para fazer este curso. Isto porque há alguns pacotes de Redes Neurais profundas que só rodam no Linux, ou rodam melhor no Linux (é mais testado, com mais usuários, mais help se der pau). Instalei o Linux Ubuntu. E na verdade, passei a ser um grande fã do Linux. Tem tudo o que é necessário para fazer excelentes trabalhos.

logo-ubuntu_st_no®-orange-hex.png

A única coisa ruim do Linux é que não tem o MS Excel. Até dá para usar o Open Office Calc, mas tenho centenas de milhares de linhas de código legado no Excel, além do que o Excel é onipresente no mundo corporativo.


Programação
A linguagem de programação utilizada é o Python (https://www.python.org) . O python se tornou a língua franca da área de deep learning e computação científica em geral, pela sua facilidade de uso e facilidade de extensão com outras ferramentas.

Python_logo.png

Eu não sabia Python, nem um pouco. Mas já fiz vários programinhas em VBA, Javascript, Java. Meu mestrado foi escrito em Matlab. Sou especialista na linguagem de otimização Aimms. Quando a gente lida com algumas linguagens, fica muito fácil pegar as manhas de outras. E, mesmo assim, fiquei umas duas semanas estudando python e continuo estudando.

python-tour-5-728.jpg


Numpy, Scypi, Pandas, Matplotlib e outros módulos

A grande vantagem do Python é que tem uma sintaxe muito simples, e consegue incorporar facilmente módulos especialistas.

python_sci_pack_ing.png

O numpy e scypi (https://www.scipy.org/) são módulos de computação científica. Eles fazem com que o Python tenha uma notação parecida com o Matlab ou o Octave, e uma performance semelhante. A performance é possível porque o Python é quase como um front end, chamando em background bibliotecas escritas de forma altamente otimizada. Por isso, vira e mexe é necessário instalar algum módulo para fazer algo específico, digamos carregar arquivos (pandas) ou plotar algum gráfico (matplotlib).

O Jupyter Notebook (http://jupyter.org/) é como se fosse uma página da internet que tem alguns trechos de código python rodáveis. Fica bastante didático por ter a interface web, e bastante poderoso por ter todo o código rodável por entre ele.

ipy-notebook-spectral.png


OpenCV

De acordo com a própria filosofia do Sebastian Thrun, de que o software tem que se virar com o hardware que existe, há uma forte dependência de Visão Computacional: interpretar o vídeo, da mesma forma que interpretamos que numa cena, há uma estrada, há carros, há alguém querendo atravessar a rua.

OpenCV_Logo.png

Para tal, há um pacote computacional opensource chamado OpenCV (Open Computer Vision http://opencv.org/). Ele tem dezenas de algoritmos de processamento digital de imagens, para usos diversos. Baixei e instalei o PpenCV. Só que não foi um processo muito simples, tive que instalar um monte de outras coisas, deu pau, etc. Mas no final, deu certo.

Exemplo de aplicação do OpenCV: identificar rostos computacionalmente:

faceDetection.png


Keras, TensorFlow, Cuda

Redes neurais artificiais são algoritmos inspirados no funcionamento dos neurônios do cérebro. Cada neurônio recebe um ou mais inputs, multiplica por um peso, e aplica uma função de ativação, gerando um resultado. Este resultado pode passar para um ou mais neurônios da rede.

neural_net2.jpeg

Há 10 anos atrás, quando fiz a cadeira de Redes Neurais na Federal do Rio de Janeiro, isto tinha pouca aplicação de verdade. O state of the art eram umas redes neurais de 3 camadas, que faziam coisas simples, tão simples que poderiam ser feitas de outros modos.

A área de Redes Neurais deu um salto gigantesco em poucos anos. Aliando a evolução computacional do hardware com novas técnicas de treinamento das redes, e ao processamento maciçamento paralelo em GPU, hoje é possível ter redes neurais profundas, de mais de 100 camadas, com alguns milhares de neurônios, contra as redes neurais rasas do passado.

neuron.jpg

Para efeito de comparação, estima-se que  cérebro humano tenha 100 bilhões de neurônios, que podem gerar uma quantidade infinitamente absurda de conexões… e todo este aparato entre nossas orelhas pesa menos de 1 quilo e meio, e gasta alguns watts de energia. É impressionante.

neurons51.jpg

Não necessariamento o maior número de camadas é melhor. Depende da aplicação. Mas cada camada é como se fosse um nível de abstração a mais. E, para coisas complexas, como ensinar o computador a identificar uma placa de trânsito no meio de um monte de outros fatores, podem ser necessárias muitas camadas da rede neural.

Para ter uma ideia do quão recente é este avanço, o Tensor Flow (pacote computacional de Machine Learning do Google – https://www.tensorflow.org/) foi liberado para o público em nov/2015. Estamos em dez/2016, somente um ano depois.

tensor-flow_opengraph_h.png

O Keras (https://keras.io/) é um wrapper, algo de nível mais alto que utiliza o Theano ou o Tensor Flow por debaixo dos panos: facilita a utilização para os casos mais comuns, sem perder o poder computacional.

keras.png

Um dos truques que diferenciam pacotes como o TensorFlow de um suplemento de redes neurais comum é a capacidade de utilizar o poder do processamento de GPUs.

GPUs são unidades gráficas de processamento, feitas para serem extremamente eficientes no tratamento de imagens. É um mini super computador à disposição. Muito desta evolução foi devida aos vídeo-games, que passaram a exigir mais e mais velocidade, mais realismo, portanto mais pixels a serem processados, maior capacidade de processamento.

GPU.jpg


Matemática

Como não poderia deixar de ser, as ferramentas de processamento de sinais têm muito embasamento teórico na Rainha das Ciências: Cálculo, Álgebra Linear, Otimização. É bom relembrar um pouco desses conceitos.

maths-differential-equations.png


Conclusões

Como foi apresentado, é necessário ter uma série de pré-requisitos para fazer bem o nanodegree.

Não é necessário ter um conhecimento profundo em cada um dos tópicos apresentados. Até porque, como o curso é curto, só são utilizados alguns tópicos que interessam. Mas, para aproveitar bem o conhecimento apresentado, é legal ter uma boa ideia do que são essas ferramentas, de como trabalhar com cada módulo, pelo menos um conhecimento teórico introdutório. Ajuda muito ter um bom background em matemática e programação.

Como toda nova tecnologia, algumas dessas ferramentas podem evoluir bastante, enquanto outras vão morrer.

Imagino que o desenvolvimento dos self-driving cars siga uma clássica curva de inovação.

400px-Gartner_Hype_Cycle.png

No início, muita euforia: vão conquistar o mundo, gerar milhões de motoristas desempregados, etc. Depois do auge, vem a decepção: o negócio não é tão bom assim, não serve para nada. Após isto, a consolidação e uma visão mais real: para alguns nichos isto servirá muito bem, para outros não, não vai tomar todos os empregos do mundo, etc…

De qualquer forma, no meu caso está valendo bastante a pena fazer este curso, por estar em contato com essas novas tecnologias e por estar entendendo o que há de mais avançado no mundo da ciência da computação.

Arnaldo Gunzi

Dez 2016


Agradecimento

Agradecimento especial ao amigo Marcos Melo, por ter me indicado a plataforma Udacity. Ele é mesmo que me presenteou com uma impressora 3D. Dica: quando encontrar uma pessoa de alto nível intelectual, cole nele, porque já diziam os antigos gregos: “diga-me com quem andas, e eu direi que és”.


Links
Plataforma de ensino online:
http://www.udacity.com

Python:
https://www.python.org/
https://www.scipy.org/
http://jupyter.org/

Visão computacional:
http://opencv.org/

Redes Neurais:
https://www.tensorflow.org/
http://deeplearning.net/software/theano/
https://keras.io/

GPU

https://developer.nvidia.com/cuda-gpus

O Grande Prêmio de Nevada de veículos autônomos

Este post é um resumo do que aconteceu no Grande Desafio de veículos autônomos (veículos sem motorista, driverless cars, self driving cars) da DARPA, em 2005, tomando como referência o documentário da agência que consta nos links ao final deste texto.

Driverless_1.jpg

O desafio consistia em construir um veículo totalmente autônomo, para fazer um percurso de 230 quilômetros no terreno irregular do deserto de Nevada, em menos de 10 h. A recompensa, US$ 2 milhões.

A DARPA é a agência de projetos de pesquisas avançadas do departamento de defesa dos Estados Unidos.

Na verdade, esta história começa um ano antes. Em 2004, houve o primeiro desafio de veículos autônomos da Darpa. Mesmo percurso, mesmas regras. Só que ninguém terminou o trajeto. O veículo que foi mais longe foi o Sandstorm, da equipe Vermelha, da Universidade de Carnegie Melon: apenas 11 quilômetros. Todos os veículos tiveram algum problema: quebraram, tombaram após sair do caminho, pegaram fogo, etc.

Sandstorm.jpeg
Sandstorm

Alguns veículos participantes:

veiculo4veiculo5veiculo6

Como o desafio do ano de 2004 foi meio que um fracasso, a DARPA decidiu fazer outro desafio em 2005, um ano e meio depois. E agora, os times estão determinados a vencer.

veiculoTombado.jpeg
Veículo tombado no desafio de 2004

O Grande Desafio de 2005

Conheça os participantes.

Redwhittaker.jpeg

A Equipe Vermelha é a comandada por Red Whitaker, da Universidade Carnegie Mellon. Ele é um veterano da robótica, tendo feito trabalhos brilhantes em automação. Whitaker é um homem ambicioso, duro, agressivo. Quer ser o primeiro, e não vai medir esforços para tal. Chama o time Vermelho de “Exército Vermelho”. Ele lidera um pavilhão de engenheiros, mecânicos e programadores, e exige cada gota de suor de seu time.

Para aumentar a chance de vencer a corrida, Whitaker vai correr com dois carros: o veterano Sandstorm, do desafio do ano anterior, e o novo veículo Highlander.

highlander.jpeg
Highlander
  • O filho mais novo tem a mesma personalidade do pai: agressivo, forte, grande. Malvadão.
  • Já o veterano é mais fraco, mais prudente. Projetado para ao menos terminar a corrida.

Um problema que ocorrera no ano anterior foi que os sensores conseguiam enxergar de perto, mas não tinham muita condição de ver um pouco mais longe. Então, para este ano, a equipe vermelha incorporou sensores de longa distância para compensar esta falha.

Whittaker comanda um batalhão de mais de 100 pessoas, com um orçamento de 3 milhões de dólares, e tem como objetivo vencer a corrida com um dos dois carros.

O segundo grande concorrente é Sebastian Thrun, da Universidade de Stanford.

sebastianthrun.jpeg
Sebastian Thrun

Ele é calmo, dócil, bem intencionado e genial. Foi parceiro de Red Whittaker por muito tempo, na Universidade Carnegie Melon. É especialista em aprendizado profundo de máquinas, e desenvolveu robôs inteligentes que ajudam velhinhos, pegam bolas de tênis, exploram o fundo do mar.

Obviamente Thrun quer vencer a corrida, mas principalmente quer contribuir para o avanço da tecnologia.

O foco de Thrun é o software, não o hardware, ao contrário da equipe vermelha que tem um grupo focado só na mecânica e outro só nos sensores. O cérebro, não os músculos. Thrun conseguiu com a Volkswagen um veículo cheio de servo-motores controláveis por computador, e o batizou de Stanley, que é um diminutivo de Stanford.

stanley.jpeg
Stanley

Stanley tem os sensores mais simples possíveis. Não tem nenhum sensor que se move, para não quebrar.

Nem todos os veículos são carros. A máquina mais leve da competição é a motocicleta autônoma “Ghost Rider”, criada por um cara chamado Anthony Lewandowiski (será que é parente do juiz do STF?).

autonomousbike.jpg
Motocicleta autônoma Ghost Rider

Aliás, Ghost Rider é um bom nome. Para quem não sabe, o Motoqueiro Fantasma da Marvel Comics é um sujeito com cara de caveira, todo dark e cheio de correntes, numa motocicleta em chamas. Toda essa pose radical, e ele é bonzinho por dentro. O Motoqueiro Fantasma olha para os bandidos e faz eles se arrependerem de seus atos ruins, haha.

GhostRider.jpeg

O caminhão autônomo, um monstro comparado aos outros, é criação do time Terramax.

teamTerraMax.jpeg
Caminhão autônomo Terramax

O time é formado por um fabricante  de caminhões para situações extremas, para fins militares. Por exemplo, um caminhão anfíbio, que entra na água e vai embora.

Fora esse pessoal, a competição teve mais 19 finalistas, cada um com o seu veículos, suas técnicas, os seus sonhos de glória.


Corrida classificatória

O primeiro dia é classificatório. Os veículos devem percorrer uma pista de obstáculos, e o tempo do circuito define o grid de largada do dia seguinte.

A equipe Vermelha, com o Highlander, é o que teve menor tempo e vai largar na pole-position.

O Stanley, é o segundo. Stanley foi o único veículo que não cometeu nenhuma falha no percurso.

Classificatory.jpeg
Stanley na corrida classificatória

O Sandstorm, da equipe vermelha, é o terceiro do grid de largada.

Ghost Rider foi eliminado, quando entrou num túnel com pouca luz e perdeu a estabilidade.

veiculoobstaculo2.jpeg
Veículo autônomo passando pelos obstáculos

O Grande Prêmio de Nevada

Afinal, o grande dia!

Duas horas antes da corrida, o comitê organizador divulga para os times o percurso a ser seguido.

A equipe do Stanley simplesmente inputa o percurso no software do carro.
Já a equipe vermelha coloca o seu batalhão para pré-calcular as velocidades ideais de todos os trechos do trajeto. Red Whittaker acredita que, quanto mais informação para os seus carros, melhor.

RedTeamAttack.jpeg

A corrida tem início. Os carros são lançados com um intervalo de 5 min entre eles. Primeiro, o Highlander. Depois, o Stanley de Stanford, depois o Sandstorm da equipe Vermelha.

Race01.jpeg

Equipes na largada

Highlander vai muito bem. Consegue performar uma grande velocidade, e abre vantagem sobre os demais carros.

TerraMax foi o último a partir. Anda como a tartaruga do conto de Esopo: devagar e sempre.

Race03.jpeg

Highlander continua abrindo vantagem sobre o segundo colocado, Stanley.

Dezoito veículos conseguem ultrapassar a marca de 11 quilômetros. Ou seja, em um intervalo de 1 ano, o pior competidor performou melhor do que o primeiro colocado do desafio de 2004! Uma evolução considerável.

Highlander estava muito bem. Porém, de repente, Highlander começou a ficar esquisito. Parou na estrada. Parecia estar perdido. O carro prosseguiu viajar após a empacada, mas numa velocidade muito menor.

Enquanto isto, Stanley continuou no seu ritmo, se aproximando.

Os demais carros participantes começaram a quebrar. Sensores quebrados, problemas mecânicos, carros perdidos no deserto… um a um, foram caindo fora da competição.

A equipe Vermelha estava vendo que algo estava errado com o Highlander. Mas, nesta corrida, não havia pit stop para dar uma arrumada. Eles nada podiam fazer, estava tudo nas mãos de Highlander (computador tem mãos?). Aparentemente, o sensor laser de longa distância, que tinha partes móveis, parece quebrado.

Race04.jpeg

Um ponto azul surgia no espelho retrovisor de Highlander. Stanley se aproximava mais e mais.

Stanley se aproximando. O carro atrás do Stanley é de supervisores da corrida.

Race02.jpeg

E, o inevitável acontece! O momento mais épico da história dos carros autônomos! A primeira ultrapassagem de carros autônomos já ocorrida no planeta! Stanley ultrapassa Highlander! Ayrton Senna ultrapassa Alain Proust. Rubens Barrichelo ultrapassa Michael Schumacker! (Ops, isto nunca aconteceu).

Algum tempo depois, o veterano Sandstorm também consegue ultrapassar Highlander. O patinho feio superou o irmão mais jovem.

A posição relativa não mudou mais até o final da corrida.

Finalmente, a linha de chegada. Após 6 horas e 53 minutos, com uma velocidade média de 30 e poucos kilômetros por hora, Stanley cruza a linha de chegada. É o grande vencedor do GP de Nevada.

Race05.jpeg

Onze minutos depois, Sandstorm cruza a linha de chegada, e mais 9 minutos depois, Highlander, apesar de todos os problemas, consegue fazer todo o percurso. Note que uma diferença de 10 minutos em 7 horas é muito pequena, o que mostra que qualquer problema casual poderia ter mudado completamente esta ordem.

Stanford é o primeiro. O time Vermelho emplaca o segundo e terceiro lugares.

Mais dois competidores conseguiram completar a prova: o Kat-5, em quarto lugar, e o Terramax (o caminhão), em quinto. O Terramax demorou 12 horas para fazer o percurso, sendo eliminado pelo limite de tempo de 10 horas. Mas foi um feito incrível, um monstrengo desses conseguir percorrer sozinho 230 quilômetros no deserto.

newOrleans.jpeg
Equipe KAT-5, chegou em 4o lugar

O quarto lugar é um carro tão feio que me lembra algo pré-histórico. É como se fosse os irmãos do Capitão Caverna, na Corrida Maluca.

CorridaMaluca.jpg

Para quem é muito novo, há muito tempo atrás existia um desenho chamado “Corrida Maluca”.

DickVigarista.png

Tinha o Dick Vigarista e o cachorro dele, o Barão Vermelho…

baraovermelho.jpeg

Nesta corrida de carros autônomos, só faltou a Penélope Charmosa.

penelope-charmosa.jpg


Conclusão

O Grande Desafio de 2005 foi um marco na história de carros autônomos. Dirigir é uma das tarefas mais chatas que existe, na minha opinião. Ficar horas olhando para a estrada, fazendo movimentos rotineiros durante quase todo o tempo. Tarefas rotineiras são a especialidade de robôs e computadores.

O mundo precisa de mais gente como Thrun e Whittaker. Caras que revolucionem o software e o hardware. Que desenvolvam aplicações práticas para o mundo.

Me espantou muito o desempenho do Terramax. Talvez uma das principais aplicações de carros autônomos seja em áreas industriais e de alto risco para um ser humano. Por exemplo, o Pentágono planeja que pelo menos um terço dos veículos de guerra sejam autônomos no futuro.

Sebastian Thrun foi para o Google. O carro autônomo do Google tem o DNA de Stanley. Depois de vários anos no Google, Thrun fundou a plataforma de treinamento on-line Udacity. Ele acha que tem mais a contribuir ensinando, e desenvolvendo um carro autônomo open-source, do que trabalhando numa plataforma fechada.

googlecar.jpeg

E é por causa da visão de Thrun que escrevo este post. Sou uma das primeiras pessoas do mundo a começar o nanodegree de carros autônomos da Udacity (https://www.udacity.com/drive). Isto merece um post em especial, mas foi através deste curso que fiquei sabendo do vídeo descrito.

Red Whittaker continua na Universidade Carnegie Melon. A equipe vermelha ganhou o Grand Challenge seguinte, em 2007: carros autônomos na cidade, ao invés de no deserto.

Agora, Whittaker quer conquistar a Lua: está na competição “Google Lunar X Prize”, que tem o objetivo de fazer uma espaçonave robótica ir até a lua, andar 500 metros e transmitir vídeo de alta definição para a Terra.

Vamos ver (e ajudar a escrever) as cenas dos próximos capítulos.

Arnaldo Gunzi

Dez 2016


Links

Vale muito a pena ver o vídeo original, sem as “interpretações” do meu post:

Outros links:

Como ser um engenheiro de veículos autônomos

https://en.wikipedia.org/wiki/DARPA_Grand_Challenge#2005_Grand_Challenge

https://en.wikipedia.org/wiki/Google_Lunar_X_Prize

https://en.wikipedia.org/wiki/Red_Whittaker