需要更换手机了：基于手机构建无人驾驶微型汽车( 二 ) 今天在Tensorflow公号看到推文

【需要更换手机了：基于手机构建无人驾驶微型汽车】这主要是因为所训练的样本没有能够均匀包含各种道路情况，模型比较脆弱。
文章插图
▲ 早期版本中玩具车偏离了轨道
为此，在场景中添加了各种形状的曲线，以丰富原来训练数据库中大多数的直线轨道数据。
文章插图
▲ （左）方形轨道与（右）弯曲轨道
功夫不负有心人，修正数据集不均衡的问题后，车辆便开始能够在弯道处正确转向。
文章插图
▲ 车辆在弯道可以成功撰文
似乎理性的增加数据可以提高车模的性能，但有时候仅仅采用小的技巧便可以解决大问题。比如当微型车模运行到展品边缘时，就会看到很多展台外面的场景。外面的场景多变，很难通过数据来表征这些变化。怎么办？
作者就用了一个字：切！
将输入图像的下面四分之一切出来，送入神经网络进行训练，就有效化解了上述的问题。
文章插图
▲ 展品上的轨道，以及在展品边缘看到的图像
为了能够进行车辆定位以及检测其它干扰车辆，在手机Pixcel 4上的Neural Core Edge TPU上运行了 ssd_mobilenet_edgetpu 模型，这是来自 TensorFlow 目标检测模型库。每帧检测时间仅用6.6毫秒，在实时应用中游刃有余。
为了是检测神经网络模型能够适应展品场景需要，作者同样使用了模拟器和真实场景中的数据来训练模型。为了提高检测鲁棒性，使用了 Unreal Engine 4 来随机生成物体和背景。使用 labelImg 工具进行对样本进行了手动标注。
文章插图
▲ 进行目标识别的数据库
使用神经网络最大的工作量是在准备训练数据集合。之后的网络搭建和训练则非常容易，分分钟搞定。检查一下，网络识别交通标志的效果还是很不错的。
文章插图
▲ 网络识别效果
最后一个工作，就是需要将网络部署到手机平台上。这需要借助于TensorFlow Lite 将模型进行个数转换，并在Android下编写相应的Python脚本来进行部署。
作者还设想着，通过视觉SLAM能够为他们的这个展品增加车辆全程定位。真的是一个手机平台可以练习很多算法。
文章插图
▲ 视觉SLAM定位
为了实现一个顶着手机运行的微型车膜，作者也是费力不断改进机械结构，经过了五代设计最终得到了一个合理的机械设计。可以将手机、控制板、电池、电机等集成在一个小巧乖致的微型车模中。
文章插图
▲ 第一代设计
文章插图
▲ 第二代设计
文章插图
▲ 第三代设计
文章插图
▲ 第四代设计
文章插图
▲ 第五代设计
下面给出了嵌入在车体内不的控制板、电机、电池等配件。
文章插图
▲ 底层运动控制单片机板
文章插图
▲ （左）屏蔽罩和电机，（右）电源插座、电源开关、电机启动按钮、电机重置按钮、开发板状态 LED、电机状态 LED
文章插图
▲ 3000mAh 锂离子电池（左）与 18650 锂离子电池（右）
的确，一辆小小的微型车膜，包括了计算机视觉、深度学习、传感器融合、定位、路径规划、控制、系统集成等多个学科内容。通过这个环节几乎可以将一个专业所需要学习的多个课程集成在一起。这不，在Udacity平台上，还真的提供了无人驾驶汽车纳米学位项目供希望获得全面培训的工程师和学生学习。