අවුරුදු තුනක් පුරා පරිගණක විද්යාත්මක පර්යේෂකයකු ලෙස, මම CARLA නමින් හැඳින්වෙන රියදුරු සීමාකරණකාරකය තුළ YOLOv11, ByteTrack, StrongSORT, ROS 2 සහ TensorRT එකට එකතු කර රියල්-ටයිම් පර්සෙප්ෂන් පද්ධතියක් සකස් කිරීමට තත්පර 21ක් විය. මෙම ව්යාපෘතියේ අරමුණ, වාහනයක කැමරා දත්ත රියල්-ටයිම් එකට ගෙන, ඒවාය AI මොඩලය මඟින් වස්තු හඳුනාගැනීම, බහු-වස්තු ට්රැකින් කිරීම, සහ ROS 2 නෙවිගේෂන් ස්ටැක් එකට සැපයීමයි.
කොහොමද මේ වැඩේ සිදු වුණේ?
CARLA හි Python API භාවිතා කර කැමරා ඡායාරූප ලබා ගැනීමට මූලික කොඩ් එකක් ලියන ලදී. එම ඡායාරූප ROS 2 හි Image පණිවුඩයක් ලෙස ප්රකාශ කිරීමට CvBridge භාවිතා කළා. පළමු වැරදි වුණේ, පණිවුඩයට ROS 2 වේලාව (timestamp) එක් නොකිරීමයි; එම නිසා ByteTrack හා StrongSORT හි වේග ගණනය වැරදි, පසුබැසීමේ ට්රැක් අස්ථාවර විය. එය සකස් කිරීමෙන් පසු, පණිවුඩයේ header.stamp එකට self.get_clock().now() යොදා ගෙන සාර්ථක විය.
දෙවැනි ගැටළුව වුණේ YOLOv11 inference එක ROS 2 callback thread එකේම බ්ලොක් කිරීම. ඒ නිසා කැමරා දත්ත පසුබැසී, පරණ ෆ්රේම් මතම ප්රොසෙස් කරමින් තිබුණා. විසඳුම ලෙස, ෆ්රේම් එකක් queue එකට තැබූ පසු, වෙනම inference thread එකක් නිර්මාණය කර, එම queue එකෙන් දත්ත ගෙන මොඩලයට යැව්වා. මේ නිසා ප්රොසෙස් කිරීමේ වේගය හා පාරිභෝගිකතාව වැඩි විය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ විශ්වවිද්යාල සිසුන්, ස්මාර්ට් රොබෝට් සංවර්ධකයින්, සහ තාක්ෂණ ආයතන සඳහා මෙම ව්යාපෘතියේ පළපුරුද්ද ගණනාවක් ගෙන දෙයි:
- ප්රායෝගික ROS 2 අත්දැකීම: ROS 2 නෙවිගේෂන් හා AI එකතු කිරීමේ ක්රමවේදයන් තේරුම් ගැනීමට උදව් වේ.
- YOLO සහ TensorRT ආකාරය: GPU‑වලින් ඉක්මනින් inference කරන ආකාරය සහ edge optimisation තාක්ෂණය ඉගෙනගත හැක.
- දත්ත සමයෝජනයේ වැදගත්කම: timestamp එකක් අමතක කිරීමෙන් පද්ධතියේ පූර්ණ ක්රියාකාරිත්වය කෙලින්ම අස්ථාවර වේ කියා හඳුනාගත හැක.
- මූලික multithreading: queue සහ thread භාවිතයෙන් ROS 2 callbacks වලින් තොරව inference ක්රියාත්මක කිරීමේ හැකියාව.
මෙම පළපුරුද්ද, ශ්රී ලංකාවේ ස්ථානයක් නොමැති AI‑driven autonomous vehicle පර්යේෂණ හෝ smart city යෙදුම් සඳහා මූලික පදනමක් සපයයි.
නිගමනය
CARLA, YOLOv11, ByteTrack, StrongSORT, ROS 2 සහ TensorRT එකට සම්බන්ධ කිරීම ලේසි නොවේ; එය සෑම කොටසක්ම තදින් පරීක්ෂා කර, දත්ත ප්රවාහය, වේලාව, සහ thread‑safety ගැන අවධානයෙන් සිටීම අත්යවශ්යයි. නමුත් නිවැරදි සැකසුමක් සකස් කර ඇත්නම්, රියල්-ටයිම් පර්සෙප්ෂන් පද්ධතියක් නිර්මාණය කර, autonomous navigation සඳහා විශ්වාසදායක දත්ත ලබා දිය හැක.
