【实物】端到端自动驾驶搭建教程（四）附完整资料

系统实现

硬件实现

  将树莓派的第29号引脚接到L298N电机驱动的IN1端，树莓派的第31号引脚接到L298N电机驱动的IN2端，树莓派的第33号引脚接到L298N电机驱动的IN3端，树莓派的第35号引脚接到L298N电机驱动的IN4端，树莓派的第38号引脚接到L298N电机驱动的ENA端，树莓派的第40号引脚接到L298N电机驱动的ENB端，树莓派的第36号引脚接到蜂鸣器模块的IO口，树莓派的第11号引脚接到LED灯模块的R_COLOR_IO口，树莓派的第13号引脚接到LED灯模块的Y_COLOR_IO口，树莓派的第15号引脚接到LED灯模块的G_COLOR_IO口，树莓派的第16号引脚接到左侧红外避障模块的IO口，树莓派的第18号引脚接到右侧红外避障模块的IO口，树莓派的第22号引脚接到前侧红外避障模块的IO口，树莓派的第32号引脚接到后侧红外避障模块的IO口。 实际外观如下图所示(实际情况以代码为准)。

软件实现

  训练样本获取源码解析：

  在zth_process_img.py中主要对小车接口进行定义、对接口输入输出模式进行设置，对接口使能方式进行设置。

  将接口控制和逻辑设计组合成动作函数。部分动作函数如下图所示。

  在zth_collect_data.py中主要对摄像头运行方式、图像像素大小、取样帧数进行了设置，同时并行地操纵小车运行和摄像头获取图片。部分程序如下图所示。

  图像处理源码解析：

  在zth_process_img.py中主要对图片：依据图片名加上对应的标签，并将处理后的图像存入training_data_npz文件夹中。

  在zth_train程序中主要建立神经网络模型，神经网络模型框架用kera搭建神经网络，采用卷积，池化，全连接。输入为图像，输出为五个神经元，分别对应左转(0号动作)、右转(1号动作)、前进(2号动作)、后退(3号动作)、停之(4号动作)。

第一步：加载数据集存入内存中，并将其划分为训练集和测试集。源代码如下所示：

  第二步：建立卷积神经网络模型，其代码如下所示：

  第三步：训练神经网络模型，并将其保存，其保存模型，TensorBoard存模型结构以及准确率和Loss曲线的代码如下图所示：

  在TensorBoard中查看其网络结构图如下图所示：

系统测试

  我们将软件实现，并操作小车，获取了一系列打上动作标签的图片信息。将一系列图像信息送入神经网络，进行训练。其训练完成之后的Loss曲线和准确率曲线如下图所示：

  从其训练结果中显示，其准确率达到接近百分之九十，准确率和Loss都趋于收敛。

不足与展望

  虽然，如第四章提到的，我们完成卷积神经网络的调试和残差检测，初步地得到了一个可用的神经网络，然而，这个神经网络的实际表现并不如预期般乐观，我们分析，可能的原因如下：

  一、样本量的规模太小，在数量上并没有满足训练一个良好的神经网络所需的数量级。

  二、样本的代表性不足，由于我们在实验过程中并未对样本进行清洗，同时，并没有在具备理论上和实践经验上的支撑的条件下设计道路，并且，光照、杂物的放置也对神经网络的识别产生了一定的影响，这些因素导致了神经网络的表现不如理论上良好。

  三、样本的多样性不足，由于实验条件和人员时间分配的限制，我们并没有设计多种光照、多种地板纹路、不同道路类型等因素变换的实验，没有获取到相应的样本，直接影响到了神经网络的泛化性不足。

  同时，虽然硬件上，我们安装了红外避障模块、LED灯模块、蜂鸣器模块，但是，受限于实验时间，我们仅仅完成了初步的硬件安装和初步的程序调试，并没有将其和神经网络程序较好的结合起来，故并没有在报告中写出相应的程序和硬件调试。

  并且，我们虽然使用了树莓派3B+作为逻辑处理的核心，但由于时间限制，仍然缺乏对操作系统理论的认识和实践的经验，并没有对操作系统做出恰当的调整。

  虽然课程将要结束，但是我们的学习远远没有结束。在未来的时间中，我们期望更多地学习操作系统、神经网络算法等相关的知识，累积更多的实践经验，尽可能地锻炼自己，能真正参与实现无人驾驶技术，造福人民，提供人们的生活水平。

我的微信公众号名称：深度学习与先进智能决策

微信公众号ID：MultiAgent1024

公众号介绍：主要研究分享深度学习、机器博弈、强化学习等相关内容！期待您的关注，欢迎一起学习交流进步！