245
简介
Michal Nand[1] 在网站 HACKADAY.IO 上通过博文 Motoku Uprising Deep Neural Network 介绍了他利用卷积神经网络来帮助控制巡线智能车更加平稳快速运行的技术方案。特别是对神经网络的结构、训练、部署等方面进行了详细的介绍。
智能车的任务相对比较简单，就是在平面赛道上，沿着彩色导引线（大部分是黑色）从出发点运行到终点并折返到出发点。其中赛道上一段有一块砖头作为障碍物。
▲ 利用神经网络控制的巡线智能车
在作者的方案中，智能车运行大部分控制算法都采用了常规的 PID、逻辑判断都算法。他使用了 CNN 根据车模运行过程中，通过传感器搜集到的二维路面数据来对赛道的种类进行分类判断，并通过调整车模速度来适应不同赛道的情况，达到又快又稳的目的。
□ 机械结构
1. 硬件构成
这款智能车的硬件配置包括有：
嵌入式控制器：STM32F303，Cortex M4F 72MHz
电机驱动器：使用了 TI DRV8834 低电压双相步进电机驱动器
电机型号:Pololu HP 电机，减速齿轮箱 1:30，带有磁编码器
轮胎：Poloku 28mm 的轮胎，高黏着力
惯性导航器件：LSM6DS0
巡线传感器：八个绿光(540nm)光电传感器，三个红外障碍日干起
电源：180mAh, LiPol 2S
编程结构：使用 USB 通过 Bootloader 完成程序下载。
▲ 智能车的硬件构成
2. 组成器件
□ 控制算法
1. 控制调试界面
“磨刀不误砍柴工”。作者还是利用 OPENGL 开发了用于调试的应用软件。可以通过界面：
显示八个巡线光电传感器的原始数值
显示电机的状态：速度、编码器值
显示惯性传感器的状态；
显示神经网络分类处理过程
显示通过串口获得的 原始数据
▲ 编程调试界面
2. 智能车控制软件要点
智能车软件的主要的功能和指标为：
通过二次插值算法，通过八个光电传感器获得更加精确的赛道到引线位置
主程序控制频率为：200Hz
方向调节器：采用 PD 进行方向控制
电机速度控制：采用双串级 PID 控制完成电机速度控制
对赛道到引线预测：在直线赛道加速前行；在曲线拐弯时刹车慢行；通过深度神经网络进行赛道识别和控制
控制软件使用 C++编程
神经网络训练：采用 GPU 加速网络训练
▲ 智能车的软件控制框架
3. 神经网络用于引导线的预测
利用深度卷积神经网络完成对导引线的预测和分类：
根据导引线的种类控制运行速度：直线时快速通过，曲线时减速慢行
使用 DenseNet：稠密连接卷积神经网络完成对赛道引导线类型的分类
输入数据为 8×8 传感器数据矩阵。总共有八个配列成直线的光电传感器，使用运行前后相邻八条数据组成 8×8 的数据矩阵
输出物种曲线类型：两种右拐，两种左拐，一种直线
▲ 神经网络结构图
训练样本采用人工生成的仿真数据训练神经网络：
训练样本的个数：25000
测试样本的个数：5000
数据增强：Luma 噪声， White 噪声
▲ 输入训练数据样本
下图给出了 DenseNet 的网络结构。由于是部署在单片机 STM303 中允许，作者在网络的鲁棒性以及运行速度方面进行了权衡。网络运行频率为 200Hz，所以网络执行时间必须小于 5 毫秒。为了达到这个目的，作者选择了 DenseNet 来提高计算效率，它比纯卷积神经网络使用更少的卷积核。
▲ 神经网络的结构
最终网络的识别准确率达到了 95% 的精度。
4. 网络最终结构
CNN 神经网络的结果参数如下：
▲ 神经网络的各层结构参数
5. 将网络部署到单片机中
为了能够在 32 位单片机中执行神经网络，对网络进行了如下的改动：
将所有的浮点数修改成 int8_t
将尺度权重转换到 8bit 范围
使用双缓存技巧节省内容，公用两个内存缓存来计算所有层的数据
▲ 双内存缓存的模式
※ 结论
通过本文作者介绍的车模控制中的 CNN 网络的应用，了解了对于嵌入式单片机中使用神经网络的一般方法。
本文中的神经网络应用还属于辅助控制方面。也许通过部署更加强大算力的单片机，使用更加复杂的算法可以完成智能车自主学习的目标。这方面也为今年全国大学生智能汽车竞赛中的 AI 电磁组给出了一定的参考意义。
参考资料
[1]Michal Nand: https://hackaday.io/michalkenshin
