■ 簡介

Michal Nand^[1] 在網站 HACKADAY.IO 上通過博文 Motoku Uprising  Deep Neural Network 介紹了他利用卷積神經網絡來幫助控制巡線智能車更加平穩(wěn)快速運行的技術方案。特別是對神經網絡的結構、訓練、部署等方面進行了詳細的介紹。

智能車的任務相對比較簡單，就是在平面賽道上，沿著彩色導引線（大部分是黑色）從出發(fā)點運行到終點并折返到出發(fā)點。其中賽道上一段有一塊磚頭作為障礙物。

在作者的方案中，智能車運行大部分控制算法都采用了常規(guī)的PID、邏輯判斷都算法。他使用了CNN根據車模運行過程中，通過傳感器搜集到的二維路面數據來對賽道的種類進行分類判斷，并通過調整車模速度來適應不同賽道的情況，達到又快又穩(wěn)的目的。

□ 機械結構

1.硬件構成

這款智能車的硬件配置包括有：

• 嵌入式控制器：STM32F303，Cortex M4F 72MHz
• 電機驅動器：使用了TI DRV8834低電壓雙相步進電機驅動器
• 電機型號:Pololu HP電機，減速齒輪箱1:30，帶有磁編碼器
• 輪胎：Poloku 28mm的輪胎，高黏著力
• 慣性導航器件：LSM6DS0
• 巡線傳感器：八個綠光(540nm)光電傳感器，三個紅外障礙日干起
• 電源：180mAh, LiPol 2S
• 編程結構：使用USB通過Bootloader完成程序下載。

2. 組成器件

□ 控制算法

1.控制調試界面

“磨刀不誤砍柴工”。作者還是利用OPENGL開發(fā)了用于調試的應用軟件?？梢酝ㄟ^界面：

• 顯示八個巡線光電傳感器的原始數值
• 顯示電機的狀態(tài)：速度、編碼器值
• 顯示慣性傳感器的狀態(tài)；
• 顯示神經網絡分類處理過程
• 顯示通過串口獲得的 原始數據

2. 智能車控制軟件要點

智能車軟件的主要的功能和指標為：

• 通過二次插值算法，通過八個光電傳感器獲得更加精確的賽道到引線位置
• 主程序控制頻率為：200Hz
• 方向調節(jié)器：采用PD進行方向控制
• 電機速度控制：采用雙串級PID控制完成電機速度控制
• 對賽道到引線預測：在直線賽道加速前行；在曲線拐彎時剎車慢行；通過深度神經網絡進行賽道識別和控制
• 控制軟件使用C++編程
• 神經網絡訓練：采用GPU加速網絡訓練

3. 神經網絡用于引導線的預測

利用深度卷積神經網絡完成對導引線的預測和分類：

• 根據導引線的種類控制運行速度：直線時快速通過，曲線時減速慢行
• 使用DenseNet：稠密連接卷積神經網絡完成對賽道引導線類型的分類
• 輸入數據為8×8傳感器數據矩陣?？偣灿邪藗€配列成直線的光電傳感器，使用運行前后相鄰八條數據組成8×8的數據矩陣
• 輸出物種曲線類型：兩種右拐，兩種左拐，一種直線

訓練樣本采用人工生成的仿真數據訓練神經網絡：

• 訓練樣本的個數：25000
• 測試樣本的個數：5000
• 數據增強：Luma噪聲， White噪聲

下圖給出了DenseNet的網絡結構。由于是部署在單片機STM303中允許，作者在網絡的魯棒性以及運行速度方面進行了權衡。網絡運行頻率為200Hz，所以網絡執(zhí)行時間必須小于5毫秒。為了達到這個目的，作者選擇了DenseNet來提高計算效率，它比純卷積神經網絡使用更少的卷積核。

最終網絡的識別準確率達到了95% 的精度。

4.網絡最終結構

CNN神經網絡的結果參數如下：

5.將網絡部署到單片機中

為了能夠在32位單片機中執(zhí)行神經網絡，對網絡進行了如下的改動：

• 將所有的浮點數修改成int8_t
• 將尺度權重轉換到8bit范圍
• 使用雙緩存技巧節(jié)省內容，公用兩個內存緩存來計算所有層的數據

※ 結論

通過本文作者介紹的車模控制中的CNN網絡的應用，了解了對于嵌入式單片機中使用神經網絡的一般方法。

本文中的神經網絡應用還屬于輔助控制方面。也許通過部署更加強大算力的單片機，使用更加復雜的算法可以完成智能車自主學習的目標。這方面也為今年全國大學生智能汽車競賽中的AI電磁組給出了一定的參考意義。

參考資料