Punto 1 — Exploración del entorno y sensores (QCar real)

1) Resumen ejecutivo

En este Punto 1 se realizó una instrumentación inicial del ecosistema QCar enfocada netamente en la plataforma física (QCar con scripts de adquisición). El objetivo fue confirmar que la cadena de datos de sensores funciona de extremo a extremo y que puede dejar trazabilidad útil para fases posteriores. Se cubrieron cuatro familias de sensores: Cámaras (visión 360 / RGB-D), LiDAR, IMU y encoders. También se dejaron lineamientos de guardado para construir datasets comparables entre corridas. Como resultado tangible, este avance entrega estructura de logs, recomendaciones de visualización base y criterios mínimos de validación para que el equipo replique pruebas en hardware real de forma estructurada.

2) Contexto y objetivo

El desarrollo exige resolver tareas complejas de percepción y control (como conducción autónoma o teleoperación). Este Punto 1 establece la base técnica física: verificar que el hardware entrega datos, validar el formato, la sincronización temporal, la coherencia de unidades y establecer sanity checks.

Para la exploración de hardware real y adquisición rápida se utiliza Python, asegurando que los scripts se comuniquen correctamente con las APIs del vehículo.

3) Alcance y entregables

Alcance

• Explorar adquisición en el QCar real con logging reproducible.
• Integrar y visualizar la lectura de cámaras 360 y escáner LiDAR.
• Definir estructura mínima de datasets y convenciones de nombres.
• Identificar problemas típicos de integración de hardware y mitigaciones.

Entregables del Punto 1

• Scripts/cuadernos de adquisición y visualización en Python.
• Logs/datasets de prueba en formato tabular y/o binario.
• Capturas del setup físico y streams de sensores (Cámaras y LiDAR).
• Plots básicos de IMU para validación rápida.

Definition of Done (DoD)

Se considera completado el Punto 1 cuando:

• Se demuestra captura de al menos una corrida física completa.
• Existen timestamps y metadatos suficientes para reconstruir la secuencia.
• Hay evidencia visual (capturas/plots) por sensor crítico integrado.
• Se documentan incidencias de hardware/software y su solución aplicada o pendiente.

4) Setup Físico (QCar)

Checklist de prerequisitos

• Energía (baterías cargadas) y estado físico del vehículo verificados.
• Conectividad local (Wi-Fi/red del laboratorio) operativa para acceder a la computadora a bordo.
• Zona segura de prueba, sin obstáculos no controlados.
• Usuario con permisos para ejecutar scripts, crear carpetas y escribir logs en el sistema del QCar.

Vista del hardware del QCar instrumentado sobre la mesa de trabajo, mostrando el LiDAR superior, cámaras y la electrónica expuesta.

Notas de entorno Python

• Definir un entorno virtual dedicado (venv o conda) en la placa de desarrollo del QCar.
• Instalar dependencias de captura y visualización (ej. librerías de Quanser HAL/PAL, OpenCV).
• Si se utilizan cámaras de profundidad y aparece ModuleNotFoundError: pyrealsense2, evaluar la instalación explícita del paquete compatible con el SO/arquitectura ARM del vehículo.

5) Sensores y datos

Sensor	Qué mide	Unidad típica	Qué se guardó	Uso inmediato (plot/preview)	Riesgos
Cámaras (360 / RGB)	Imágenes del entorno alrededor del vehículo	color (8-bit)	Frames RGB concatenados, timestamp	Preview en vivo de Combined View	Desalineación de cámaras, baja exposición, lag de transmisión
LiDAR	Distancia angular del entorno 2D	m (rango), rad/deg (ángulo)	Scan crudo por barrido + timestamp	Mapa 2D de puntos / Polar plot	Valores 0/inf, reflexión en ventanas/metales, ruido
IMU	Aceleración y velocidad angular	m/s², rad/s (o deg/s)	Series temporales + timestamp	Plot ax/ay/az, gx/gy/gz	Drift, ejes mal interpretados, offset de calibración
Encoders	Rotación de ruedas para odometría	ticks, rad, m/s, m	ticks/contador y tiempo	Velocidad estimada y distancia	Conversión con factor incorrecto, signo invertido

6) Flujo de trabajo — Adquisición (Python)

6.1 Objetivo

Confirmar adquisición de sensores sobre el hardware real, visualizar los datos en tiempo real para depuración y producir logs limpios.

6.2 Procedimiento (paso a paso)

A) Visión (Cámaras 360 / RGB)

1. Inicializar el stream de las múltiples cámaras del QCar.
2. Ensamblar los frames en una vista combinada (Combined View) para tener perspectiva total.
3. Verificar la tasa de refresco (FPS) y la correcta iluminación del entorno.
4. Asegurar que el timestamp se registra en cada captura guardada.

Vista combinada de las cámaras del QCar capturando el entorno del laboratorio en 360 grados.

B) LiDAR

1. Capturar el array de datos crudos por iteración del escáner.
2. Filtrar lecturas inválidas (0, inf, nan) antes de mapear.
3. Generar vista 2D instantánea (proyección XY).
4. Guardar scan junto con el timestamp unificado del logger.

Visualización 2D de la nube de puntos del LiDAR detectando la geometría del espacio.

C) IMU y Encoders

1. Leer aceleración, giroscopio y contadores de rueda en la misma base temporal.
2. Ejecutar sanity checks (ej. magnitud de aceleración en reposo ~9.81 m/s²).
3. Calcular variación de ticks y delta_t para estimar velocidad.

6.3 Exportación / logging

Estructura sugerida

```text /data/punto-1/YYYY-MM-DD_run01/ ├── cameras_360/ ├── lidar/ ├── imu/ └── encoders/