总阅读量:次

⭐⭐⭐ Spring Boot 项目实战 ⭐⭐⭐ Spring Cloud 项目实战
《Dubbo 实现原理与源码解析 —— 精品合集》 《Netty 实现原理与源码解析 —— 精品合集》
《Spring 实现原理与源码解析 —— 精品合集》 《MyBatis 实现原理与源码解析 —— 精品合集》
《Spring MVC 实现原理与源码解析 —— 精品合集》 《数据库实体设计合集》
《Spring Boot 实现原理与源码解析 —— 精品合集》 《Java 面试题 + Java 学习指南》

摘要: 原创出处 https://my.oschina.net/u/3858986/blog/2875027 「Timthony」欢迎转载，保留摘要，谢谢！

🙂🙂🙂关注**微信公众号：【芋道源码】**有福利：

  1. RocketMQ / MyCAT / Sharding-JDBC 所有源码分析文章列表
  2. RocketMQ / MyCAT / Sharding-JDBC 中文注释源码 GitHub 地址
  3. 您对于源码的疑问每条留言都将得到认真回复。甚至不知道如何读源码也可以请教噢。
  4. 新的源码解析文章实时收到通知。每周更新一篇左右。
  5. 认真的源码交流微信群。

先抛出大家最关心的——代码地址：

github传送门：https://github.com/Timthony/self_drive

码云传送门：https://gitee.com/tiantianhang/self_drive

基于树莓派的人工智能自动驾驶小车

整体流程

电机控制 摄像头调试 道路数据采集 搭建深度学习模型，参数调试 自动驾驶真实道路模拟 参数最终调试

使用方法：

  1. 先将树莓派小车硬件组装好
  2. 使用zth_car_control.py来控制小车的前后左右移动，配合zth_collect_data.py来人工操作，使小车在自己制作的跑道进行数据采集。（该过程在树莓派进行）
  3. 数据采集完成以后使用zth_process_img.py来对采集的数据进行处理，之前当前先完成一些数据清洗的工作。（电脑上执行）
  4. 使用神经网络模型对数据进行训练zth_train.py，得到训练好的模型。（电脑上执行）
  5. 在树莓派小车上使用zth_drive和训练好的模型，载入模型，即可实现在原先跑道的自动驾驶。（树莓派上执行）   注意：只需要使用上述提到的代码即可，别的都是一些初始版本或者正在增加的一些新模块。

img

注意事项：

  1. 赛道需要自己制作，很重要，决定了数据质量。(我是在地板上，贴的有色胶带，然后贴成了跑道的形状)。
  2. 赛道的宽度大约是车身的两倍。
  3. 大约采集了五六万张图像，然后筛选出三四万张。
  4. 摄像头角度问题

具体制作流程：

  1. 小车原始模型，某宝购买玩具车即可，比如：有电机，有自带电池盒（给电机供电）
  2. 树莓派，摄像头，蓄电电池组（用于树莓派供电）
  3. 使用一些螺栓，螺柱，亚克力板将树莓派，蓄电电池固定在小车上（具体方法，看手头的工具吧）
  4. 组装好以后，树莓派通过VNC连接电脑，登录树莓派，在树莓派安装keras环境，以便最后调用训练好的模型。
  5. 关于小车的控制（电机控制，摄像头采集数据），都在源文件，有注释，大致思路就是通过方向键AWSD来控制方向，使用了pygame的工具包。
  6. 通过电脑端的wasd方向键手动控制小车（已经VNC连接好）在制作好的赛道上进行图像采集，直线部分按w，左拐弯按a，右拐弯按d等，建议采集50000张以上。 （采集的图像命名要求为，0_xxxx,1_xxxx,其中首位字母就代表了你按下的是哪个键，比如图像是0开头，那么这张图像就是直行，按下的是w键，这些0，1，2，3，4 数字就相当于数据的标签值）
  7. 将图片从树莓派拷贝下来，进行数据清洗，使用电脑端的深度学习环境进行模型训练，使用的模型可以自行定义。
  8. 将训练好的模型文件.h5拷贝到树莓派，然后通过树莓派调用载入模型，即可处理实时的图像，并且根据图像预测出是0，1，2，3，4等数字，也就表示了树莓派该怎么移动,通过树莓派控制电机即可。

正在进行一些改进：

1.使用迁移学习进行fine-tuning是否可以提高精度 2.处理光照问题 3.处理数据类别不平衡的问题 欢迎交流讨论

文章目录
  1. 1. 整体流程
  2. 2. 注意事项：
  3. 3. 具体制作流程：
  4. 4. 正在进行一些改进：