ACE參賽隊伍

2020-09-15 Tuesday

● 摘要

本文詳細介紹了山東大學（威海）ACE隊在第十五屆全國大學生智能汽車競賽AI電磁組中的系統(tǒng)方案。內(nèi)容包括AI小車的系統(tǒng)的原理、軟硬件方案設(shè)計以及神經(jīng)網(wǎng)絡(luò)模型的生成過程。

本次比賽采用大賽組委會統(tǒng)一指定的C型車模，AI小車以單片機MIMXRT1064DVL6A為控制核心，用電感采集賽道信息，編碼器獲取小車的速度。使用 IAR 及keil5集成編譯環(huán)境編寫C語言代碼，采用PyCharm作為編譯器，使用Python程序語言編寫程序，搭建神經(jīng)網(wǎng)絡(luò)，實現(xiàn)NRF通信調(diào)試，訓練車模完成賽道元素的判斷，采用賽道記憶算法控制目標速度，實現(xiàn)長直道加速的效果，使用IPS液晶屏和按鍵作為輔助調(diào)試手段。

經(jīng)過大量的軟硬件測試以及數(shù)據(jù)采集、測試，成功設(shè)計出 “零前瞻”AI循跡小車，跑出了長達15至20cm前瞻的效果。

關(guān)鍵詞： 賽道記憶，元素判斷，神經(jīng)網(wǎng)絡(luò)

01引言

全國大學生智能汽車競賽是由教育部高等學校自動化專業(yè)教學指導(dǎo)委員會主辦全國大學生智能汽車競賽。該競賽以“立足培養(yǎng)，重在參與，鼓勵探索，追求卓越” 為指導(dǎo)思想，旨在促進高等學校素質(zhì)教育，培養(yǎng)大學生的綜合知識運用能力、基本工程實踐能力和創(chuàng)新意識。智能車競賽涉及自動控制、模糊識別、傳感技術(shù)、電子、電氣、計算機、機械與汽車等多個學科，為大學生提供了一個充分展示想象力和創(chuàng) 造力的舞臺，吸引著越來越多來自不同專業(yè)的大學生參與其中，激發(fā)了大學生的創(chuàng) 新思維，對于其實踐、創(chuàng)新能力和團隊精神的培養(yǎng)具有十分最重要的價值。該競賽分競速賽、創(chuàng)意賽和技術(shù)方案競賽三類比賽。

人工智能是計算機科學的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

隨著人工智能的興起，全國大學生智能車競賽也陸續(xù)引入了與其相關(guān)的競賽，AI電磁組與往屆電磁組不同，雖然方向都是基于采集電感的電壓進行控制，但是由于此次比賽前瞻基本為零，車模速度達到一定值，很難有效的提前做出控制指令，導(dǎo)致賽車沖出賽道。所以本次比賽我們引入了深度學習的相關(guān)方案來彌補前瞻不足的缺陷。

正文共分為六章。第一章主要是介紹了比賽系統(tǒng)的整體方案；第二章從車模整體布局出發(fā)，介紹了車模各個部分安裝及調(diào)整方案。第三章重點介紹了系統(tǒng)中所涉及的硬件設(shè)計方案和電路原理；第四章主要介紹了車模系統(tǒng)的軟件方案包括傳統(tǒng)PID原理分析以及著重對AI部分算法、部分核心程序進行介紹；第五章對調(diào)試過程中的一些手段進行了講解。第六章主要介紹了車模的各方面參數(shù)。

第一章 系統(tǒng)方案設(shè)計概述

1.1系統(tǒng)框圖

1.2系統(tǒng)介紹

智能車系統(tǒng)的總體工作模式為：7個電磁傳感器采集賽道信息，采用OPA4377運算放大器將信號輸入到MIMXRT1064DVL6A微控制器，進行進一步處理獲得主要的賽道信息；通過編碼器來檢測車速，并采用微控制器的輸入捕捉功能進行脈沖計算獲得速度和路程；轉(zhuǎn)向舵機采用AI融合PID控制；

驅(qū)動電機采用 PID 控制，通過PWM控制驅(qū)動電路調(diào)整電機的功率；而車速的目標值由默認值、運行安全方案和基于AI處理的優(yōu)化策略進行綜合控制。

在訓練AI算法時，我們使用NRF2401采集訓練數(shù)據(jù)；賽道元素的識別以及停車使用霍爾傳感器實現(xiàn)。根據(jù)智能車系統(tǒng)的基本要求，我們設(shè)計了系統(tǒng)結(jié)構(gòu)圖，如圖1所示。在滿足比賽要求的情況下，力求系統(tǒng)簡單高效，因而在設(shè)計過程中盡量簡化硬件結(jié)構(gòu)，減少因硬件而出現(xiàn)的問題。

第二章 車模整體結(jié)構(gòu)設(shè)計

2.1車模布局

第十五屆恩智浦智能車競賽AI組采用的是C車模，其對稱性好，舵機安裝方便，有較大的改裝前景。

C車尺寸為29×18×9.8cm，輪胎尺寸為29×60mm，通過對輪胎適當?shù)奶畛浜＞d和進行軟化處理，使車模具有極好的減震性和耐磨性。

驅(qū)動電機為RS-380，7.2V的電機功率可達19.25W，額定功率達到0.016kW，額定電壓7.2V，額定電流0.5A，額定轉(zhuǎn)速16200rpm，額定轉(zhuǎn)矩可達10.9N·m,

外形儲存29.2×37.8mm。伺服電機為S3010舵機，6V電壓時扭力可達6.5kg·cm，動作速度快。

本次智能車大賽設(shè)計的智能車的外形大致如圖2.1側(cè)視圖、2.1.1俯視圖。

2.2 電池選型與安裝

為了減輕車模的重量，本團隊選用帶保護板的兩節(jié)18650鋰電池進行串聯(lián)供電，我們繪制了鋰電池與保護板的連接PCB，購買動力型鋰電池，放電能力強可以輕松帶動兩個RS380電機，通過合理選擇電池位置以調(diào)節(jié)車體重心，使得整個車非常輕盈，加減速響應(yīng)快。

2.3 舵機安裝

舵機轉(zhuǎn)向是整個控制系統(tǒng)中延遲較大的一個環(huán)節(jié)，為了減小此時間常數(shù)，通過改變舵機的安裝位置可以提高舵機的響應(yīng)速度。通過分析舵機控制轉(zhuǎn)向輪轉(zhuǎn)向的原理可以發(fā)現(xiàn)，在相同的舵機轉(zhuǎn)向條件下，轉(zhuǎn)向連桿在舵機一端的連接點離舵機軸心距離越遠，轉(zhuǎn)向輪的轉(zhuǎn)向變化越快。這相當于增大力臂長度，提高線速度。

舵機安裝方式有立式和臥式兩種，比較兩種方式發(fā)現(xiàn)，立式安裝效果更好。舵機安裝時要保證左右對稱，這樣可以保證舵機左右轉(zhuǎn)向時力臂相等且處于最大范圍，提升了舵機的響應(yīng)速度。經(jīng)理論分析，功率等于速度與扭矩的乘機，加大轉(zhuǎn)向速度必然減少輸出扭矩，扭矩過小會造成遲鈍，所以安裝時必須考慮到轉(zhuǎn) 向機構(gòu)的響應(yīng)速度與舵機扭矩之間的關(guān)系，獲得最佳轉(zhuǎn)向效果。經(jīng)過實驗，本團隊的舵機安裝如圖2.3舵機安裝圖所示。

第三章 硬件電路設(shè)計

硬件是AI小車系統(tǒng)的基礎(chǔ)，唯有一個良好、穩(wěn)定、安全的硬件環(huán)境才能保證車能平穩(wěn)快速的行駛。我們在整個系統(tǒng)設(shè)計過程中嚴格按照規(guī)范進行。本著可靠、高效的原則，在滿足各個要求的情況下，盡量使設(shè)計的電路簡單，PCB的外觀簡潔。

3.1 單片機系統(tǒng)設(shè)計

單片機最小系統(tǒng)是智能車系統(tǒng)的核心控制部件。由于AI電磁組需要將神經(jīng)網(wǎng)絡(luò)部署到單片機中，為了達到更佳的效果我們采用了具有更高性能NXP I.MX RT1064芯片。原理圖如圖3.1所示：

3.2 電源模塊設(shè)計

電源模塊為系統(tǒng)其他各個模塊提供所需要的電源。設(shè)計中，除了需要考慮電壓范圍和電流容量等基本參數(shù)之外，還要在電源轉(zhuǎn)換效率、降低噪聲、防止干擾和電路簡單等方面進行優(yōu)化?？煽康碾娫捶桨甘钦麄€硬件電路穩(wěn)定可靠運行的基礎(chǔ)。

全部硬件電路的電源由兩節(jié)18650鋰電池串聯(lián)提供（額定電壓7.4V，滿電電壓8.4V）。由于電路中的不同電路模塊所需要的工作電壓和電流容量各不相同，因此電源模塊應(yīng)該包含多個穩(wěn)壓電路，將充電電池電壓轉(zhuǎn)換成各個模塊所需要的電壓。為滿足需要，本車模上存在4種供電電壓：

(1) 智能車使用鋰電池供電，選擇帶均衡功能的保護板可以同時給兩節(jié)電池充電，正常使用時電壓在7.4～8.4V?？芍苯佑糜陔姍C供電。

(2) 使用穩(wěn)壓芯片LD29150DT50R 輸出電壓5V，用于rt1064、隔離芯片、運放、霍爾元件、編碼器等供電。原理圖如圖3.2.1所示

(3) 使用穩(wěn)壓芯片LD29150DT33R 輸出電壓3.3V，用于OLED、蜂鳴器、按鍵、等供電。

(4) 使用穩(wěn)壓芯片MC34063 輸出電壓12V，用于半橋驅(qū)動器IR2104的供電。

(5) 使用開關(guān)穩(wěn)壓芯片AS1015輸出5.95V電壓給舵機供電，用電池直接供電容易燒毀舵機，AS1015具有防止電流反灌功能有效提高舵機使用壽命。

（6）使用芯片HY2120芯片控制MOS管的導(dǎo)通，來保護電路，避免反接或者電流過大。

3.3 電機驅(qū)動電路

在柵極驅(qū)動芯片選擇方面，我們選擇IR2104芯片，IR2104芯片可以驅(qū)動高端和低端兩個溝道MOSFET，提供較大的驅(qū)動電流，并有硬件死區(qū)，防止同橋臂導(dǎo)通。使用兩片IR2104可以構(gòu)成一個MOS管全橋驅(qū)動電路[2]，如圖3.3所示。

3.4 電磁運放電路

采用簡單的同向比例放大電路，電位計可用來調(diào)節(jié)放大倍數(shù)，通過對電磁信號進行放大和檢波處理和可以直接供單片機的AD口讀取。運放芯片使用性價比較高的OPA4377來以滿足20kHz的電感采集需求。如圖3.4:

3.5 霍爾元件電路

由于AI組無法使用攝像頭識別停車線，我們選擇用霍爾元件來識別磁標停車。

3.6 傳感器的選擇

3.6.1電感

比賽所用的電感為精確調(diào)頻電感，由于今年的AI電磁組前瞻要求不超過5CM，高度不超過10CM，電感靠近舵機放置，會受到舵機工作的影響。由于傳感器的信號經(jīng)過后一級進一步放大，滿足后面的信號檢測需要，所以傳感器的作用重點是在于能夠?qū)⒃肼暈V除都多干凈，這是由諧振電路決定的，所以諧振電路的帶寬越窄，或者品質(zhì)因素越高，過濾噪聲的能力就越強。

3.6.2 編碼器

光電編碼器是一種通過光電轉(zhuǎn)換將輸出軸上的機械幾何位移量轉(zhuǎn)換成脈沖或數(shù)字量的傳感器, 這也是目前應(yīng)用最多的測速傳感器之一。其獲取信息準確、精度高、應(yīng)用簡單。

采用增量式512線光電編碼器，其供電電壓為3.3V或5V，輸出為小幅值的正弦信號。為了將此信號放大整形，設(shè)計了信號調(diào)理電路，其基本原理是使用一個運放做成比較器電路，調(diào)節(jié)參考電壓，使輸出變?yōu)?V-3.3V的方波信號，送入單片機進行運算。

3.7 主控板和驅(qū)動一體板

在本系統(tǒng)中我們的電路板的制作主要思想是分立工作、追求簡潔，便于電路板的調(diào)試和安裝等工作。主控由電源穩(wěn)壓電路，OLED屏與按鍵交互電路，單片機系統(tǒng)以及各個傳感器接口等組成。驅(qū)動板在除了原有的電機驅(qū)動電路外，還增加了編碼器接口，主要目的是方便編碼器的連線，以減少編碼器連線過長導(dǎo)致的接觸不良等問題。實物圖如圖3.7所示。

3.8 運放板

運放板是兩塊OPA4377電路的八路運放、杜邦線接口、軟排線接口組成，軟排線相比較杜邦線，連接簡單可靠，不易脫漏，最終比賽用軟排線連接，運放板的實物圖如圖3.8。

3.9 電磁板

將7個電磁接口和軟排線，杜邦線接口畫在一體，便于調(diào)試的時候更多的選擇，電磁板的實物圖如圖3.9電磁板實物圖。

3.10 霍爾元件板

霍爾元件板是74LS30和八路霍爾元件組成，運放板的實物圖如圖3.13霍爾元件體板實物圖。

第四章 軟件設(shè)計

4.1 軟件框圖

4.2 速度環(huán)控制

本次速度控制方案采用傳統(tǒng)的PID控制，PID控制器是一種線性控制器，它根據(jù)給定值與實際輸出值構(gòu)成控制偏差。將偏差的比例(P)、積分(I)和微分(D)通過線性組合構(gòu)成控制量，對被控對象進行控制，故稱PID控制器，原理框圖如圖4.2所示。

4.3 方向環(huán)控制

4.3.1 控制方案

本次方向控制方案采用AI融合PID進行控制，AI神經(jīng)網(wǎng)絡(luò)用于賽道元素的識別。智能車在直道、彎道、十字元素處使用不同的PID參數(shù)以及不同的橫豎斜電感的權(quán)值。PID控制的原理與速度環(huán)相同，在此不作贅述。

偏差的計算使用6個電感分別為左右橫電感（記為LH和RH），左右斜電感（記為LX和RX），左右豎電感（記為L和R）。偏差為各自差比和之和。即

4.3.2 PID參數(shù)整定

運用PID控制的關(guān)鍵是調(diào)整KP、KI、KD三個參數(shù)，即參數(shù)整定。PID參數(shù)的整定方法有兩大類：一是理論計算整定法。它主要是依據(jù)系統(tǒng)的數(shù)學模型，經(jīng)過理論計算確定控制器參數(shù)；二是工程整定方法，它主要依賴工程經(jīng)驗，直接在控制系統(tǒng)的試驗中進行，且方法簡單、易于掌握，在工程實際中被廣泛采用。

PID參數(shù)整定我們采用的是第二種方法，按照先比例后積分再微分的原則進行PID參數(shù)整定。我們嘗試了PID、分段PD、模糊PD、二次PD、單PD，發(fā)現(xiàn)單PD就可以達到設(shè)計要求。因此我們使用單PD方案。

4.4 AI賽道元素判斷

4.4.1 多分類問題

神經(jīng)網(wǎng)絡(luò)解決多分類問題最常用的方法是設(shè)置n個輸出節(jié)點，其中n為類別的個數(shù)。對于每一個樣例，神經(jīng)網(wǎng)絡(luò)可以得到的一個n維數(shù)組作為輸出結(jié)果。數(shù)組中的每一個維度（也就是每一個輸出節(jié)點）對應(yīng)一個類別。在理想情況下，如果一個樣本屬于類別k，那么這個類別所對應(yīng)的輸出節(jié)點的輸出值應(yīng)該為1，而其他節(jié)點的輸出都為0。

以賽道判斷為例，0~2共三個類別。識別數(shù)字1，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果越接近[0,1,0]越好。交叉熵是最好的評判方法之一。交叉熵刻畫了兩個概率分布之間的距離，它是分類問題中使用比較廣的一種損失函數(shù)。

p代表正確答案，q代表的是預(yù)測值。交叉熵值越小，兩個概率分布越接近。

除此之外，還需要Softmax回歸將神經(jīng)網(wǎng)絡(luò)前向傳播得到的結(jié)果變成概率分布。

通過softmax回歸和交叉熵對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化就可以解決多分類問題。

本團隊使用BP神經(jīng)網(wǎng)絡(luò)對賽道信息進行分類。網(wǎng)絡(luò)結(jié)構(gòu)簡化圖如圖4.4.1所示。輸入層有7個神經(jīng)元，分別對應(yīng)了七個電感的數(shù)據(jù)。標簽類別分別為：直道、彎道和十字。隱藏層有多層，每層均有15個以上的神經(jīng)元。

4.4.2 訓練

當車運行到十字磁標位置，霍爾傳感器將檢測到磁場變化，根據(jù)預(yù)先設(shè)定好的程序，車輛將知道自己處于十字區(qū)域。單片機記錄電感數(shù)據(jù)，并將其標簽記為“十字”。這些數(shù)據(jù)被NRF實時傳輸至電腦端，電腦端將記錄數(shù)據(jù)用于多分類訓練。

當車運行到彎道位置，霍爾傳感器將檢測到磁場變化，根據(jù)預(yù)先設(shè)定好的程序，車輛將知道自己處于彎道區(qū)域。單片機記錄電感數(shù)據(jù)，并將其標簽記為“彎道”。除了彎道和十字以外的其他區(qū)域，電感數(shù)據(jù)將被標記為“直道”送入電腦端進行訓練。

每次回傳的訓練數(shù)據(jù)有9個字節(jié)，數(shù)據(jù)結(jié)構(gòu)圖下：

4.4.3 預(yù)測

電腦端將訓練好的模型部署在單片機上，車模將采集到的電感值傳入神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)將預(yù)測車模所處的元素類別。車模將根據(jù)所處的元素類別使用不同的方向環(huán)PD參數(shù)和目標速度。

4.5 部分代碼介紹

4.5.1 傳統(tǒng)控制部分代碼說明

控制部分主要有兩部分組成：1.方向環(huán)2.速度環(huán)控制，分別放在兩個5ms的定時器中執(zhí)行。代碼如圖4.5.1

（1） 方向環(huán)控制：

首先，單片機會連續(xù)對每個電感采集5次，使用冒泡法將數(shù)據(jù)從小到大排序后，去掉最大值和最小值，取平均值作為該次采集的數(shù)值。經(jīng)測試，該濾波效果較好，可以濾掉部分高頻噪聲，獲得的電感值穩(wěn)定。代碼如圖4.5.2

獲得電感值后，對當前采集到的值進行歸一化處理。歸一化的基本思想是：取得當前采集值（ADget）相對于當前賽道的最大值（ADMAX）、最小值（ADMIN）的相對大小，具體公式為:

得到歸一化的電感值后，通過對多個方向的電感值融合，獲得作為PID輸入的偏差。在訓練的過程中，我們發(fā)現(xiàn)在直道情況下，橫電感軸向方向在磁場方向的分量大，因此橫電感采集到的值大，偏差也大，橫電感對于直道有很明顯的效果；在彎道情況下，其中一個斜電感軸向方向在磁場方向的分量大，與其對稱的斜電感在磁場方向的分量小，它們的偏差也大，因此斜電感對于彎道有明顯的效果。因此，我們將橫電感與斜電感通過分別賦予不同的權(quán)重，融合在一起。最終，小車相較于橫電感直接差比和，有較好的直道和彎道表現(xiàn)，在直道和彎道間過度也非常圓滑。這為后來的PID控制打下了良好的基礎(chǔ)。

在得到了賽道偏差后，我們便可以將這個偏差(direct_error)作為PID的輸入，得到舵機打角。經(jīng)過反復(fù)調(diào)試，發(fā)現(xiàn)車模在高速運行狀態(tài)下（3m/s左右），對PD參數(shù)非常敏感：在直道上，比例項系數(shù)（KP）隨著車速的提高，合適的數(shù)值區(qū)間越來越小，KP過大則會導(dǎo)致直道震蕩，速度下降。KP過小，響應(yīng)會變慢，同樣使得車模的運行狀態(tài)不穩(wěn)定。高速情況下，小車過彎非常依賴微分項。當微分項系數(shù)（KD）很小的時候，彎道會出現(xiàn)轉(zhuǎn)向性能不足，甚至直接沖出賽道；當KD不斷增加，小車應(yīng)對快速彎道的能力越來越強，但是隨著KD增大，電感采集時引入的噪聲也被放大，增加了小車在小偏差情況下的不穩(wěn)定性。

最終，經(jīng)過多次的反復(fù)測試，我們分別得到了小車在直道、彎道、環(huán)島、十字的最佳參數(shù)。在經(jīng)過神經(jīng)網(wǎng)絡(luò)計算出賽道類型后，對PID控制器里的PD參數(shù)進行相應(yīng)調(diào)整，得到小車最終的舵機打角。代碼如圖4.5.3

同時，由于斜電感在十字和環(huán)島的特征明顯，直接使用會影響到賽道偏差的正常獲取，因此，在識別到十字和環(huán)島元素時，要去除偏差控制中的斜電感的作用。

（2） 速度環(huán)控制

在速度環(huán)控制上，我們主要運用了差速算法和賽道記憶算法。

假設(shè)小車在過彎的過程中沒有垂直于車身運行方向上的相對移動，由于后輪的角速度相同，內(nèi)側(cè)后輪和外側(cè)后輪的轉(zhuǎn)彎半徑不同，所以它們的線速度不同。如果賦予它們相同的占空比，必然會降低彎道上的轉(zhuǎn)向性能。通過前輪轉(zhuǎn)角，我們可以通過公式推算出后側(cè)兩輪的差速，得到兩輪的目標速度，再經(jīng)過PI運算，使內(nèi)外兩輪達到該轉(zhuǎn)彎半徑下對應(yīng)的線速度。小車轉(zhuǎn)彎差速示意圖4.5.4

在測量多組前輪轉(zhuǎn)角和轉(zhuǎn)彎半徑的數(shù)據(jù)后，使用MATLAB擬合曲線，發(fā)現(xiàn)前輪轉(zhuǎn)角和差速近似為線性關(guān)系，因此使用線性關(guān)系來代替上述差速公式。差速計算代碼如圖4.5.5

通過賽道記憶算法控制目標速度，可以實現(xiàn)長直道加速的效果。因此，首先讓車模在賽道上慢速運行一周，通過記錄編碼器脈沖數(shù)，記錄下各個元素的所在位置。當正式發(fā)車時，如果當前賽道類型為長直道，則提高車速。賽道記憶代碼如圖4.5.6

4.5.2 AI部分代碼說明

在名為“數(shù)據(jù)分類”的python文件中，我們搭建了一個分類BP神經(jīng)網(wǎng)絡(luò)。訓練數(shù)據(jù)保存在data.txt中。網(wǎng)絡(luò)有7個神經(jīng)元的輸入層，四個隱藏層，一個三個神經(jīng)元的輸出層。7個神經(jīng)元分別對應(yīng)7個電感的數(shù)據(jù)，三個隱藏層神經(jīng)元數(shù)分別為32、64、32，輸出層3個神經(jīng)元分別對應(yīng)三種元素類別：彎道、直道、環(huán)島。網(wǎng)絡(luò)結(jié)構(gòu)如圖4.5.7：

使用交叉熵優(yōu)化器來優(yōu)化網(wǎng)絡(luò)參數(shù)。訓練過程如圖4.5.8所示：

訓練結(jié)束后，網(wǎng)絡(luò)模型將被更新，保存為名為model.h5的H5文件。由于網(wǎng)絡(luò)部署代碼閉源而且只有一個神經(jīng)元輸出值，因此我們需要網(wǎng)絡(luò)重建，將分類得到的三個神經(jīng)元合并為一個神經(jīng)元。在名為“網(wǎng)絡(luò)重建”的python文件中，先搭建和訓練網(wǎng)絡(luò)一樣的神經(jīng)網(wǎng)絡(luò)，并在最后添加一個單個神經(jīng)元，手動賦權(quán)重。三個權(quán)重w11,w21,w31分別為-84，0，84。這樣將單神經(jīng)元-128~+127的輸出范圍分為了三個區(qū)域，分別為-127~-84代表彎道、-83~+83代表直道、+84~+127代表十字。加載訓練好的網(wǎng)絡(luò)模型文件，按網(wǎng)絡(luò)層名稱導(dǎo)入網(wǎng)絡(luò)參數(shù)，即可生成最終的網(wǎng)絡(luò)。最終網(wǎng)絡(luò)結(jié)構(gòu)如圖4.5.9所示：

將最終的網(wǎng)絡(luò)保存為car_model.h5文件，并將其部署在之智能車上即可實現(xiàn)對賽道元素的分類

※ 結(jié)論

由于AI電磁是一個全新的組別，本組成員沒有往屆經(jīng)驗、對人工智能領(lǐng)域的知識比較陌生，對python這門語言也屬于初入門階段。小組成員在“一片空白”的情況下,碰觸人工智能的大門，逐步摸索、查找資料、設(shè)計機構(gòu)、組裝車模、設(shè)計整體方案，最終完成比賽。

對于AI電磁組，本團隊在比賽最開始,采用逐飛推薦的方案，不斷的采集大量數(shù)據(jù)，嘗試各種神經(jīng)網(wǎng)絡(luò)，生成模型文件。但是由于數(shù)據(jù)的質(zhì)量問題，導(dǎo)致模型出現(xiàn)誤判或者舵機反應(yīng)角度過小等等，為了解決上述問題，我們通過篩選大量的數(shù)據(jù)，人工給舵機輸出乘上相應(yīng)的倍數(shù)等方案來解決。通過這種方案，車模完成了由“搖頭”到“絲滑”的轉(zhuǎn)變。

但是，采用這種方案團隊調(diào)試的極限速度在2.7m/s就到達了速度的天花板，所以團隊轉(zhuǎn)變了方案，將AI用于訓練賽道元素的提前判斷，彌補前瞻不足的缺陷，實現(xiàn)分段PID控制，方向控制方面仍然采用傳統(tǒng)PID方案，但是對于彎道的判斷而言比傳統(tǒng)的純PID算法更加提前。對于硬件方面，由于團隊主要一直將心思放在訓練數(shù)據(jù)上，沒有對車模的重心位置進行細致考究，導(dǎo)致車尾比車頭重很多，所以在速度提升到一定程度后，車模前輪抖動與側(cè)滑的風險大大提升，此類問題可以通過改變前輪機械結(jié)構(gòu)為主銷內(nèi)傾來解決，但是備賽后期車模結(jié)構(gòu)不能大改，團隊不得不采取其他優(yōu)化方案，通過增加輪胎摩擦力以及協(xié)調(diào)前輪轉(zhuǎn)角與后輪差速的方法加以改善。?

在備賽期間，團隊也曾嘗試過強化學習+監(jiān)督學習的方法讓車模進行自主學習。先利用傳統(tǒng)PID作為監(jiān)督機制先教車模在賽道中運動，用Python編寫了 “獎勵”與 “懲罰”機制，并且將速度也加入模型中，同時速度也作為一種獎勵機制，提高車模的學習進度。實行該方案中遇到的最大困難便是車模進行強化學習時，數(shù)據(jù)回傳周期時間達到100ms。為了解決問題，團隊成員利用另一塊RT1064作為信息中轉(zhuǎn)站，采用多個NRF模塊同時進行通信，最終將回傳周期下降到了9ms。

為了加快強化學習的收斂速度，團隊成員在訓練前采用PID監(jiān)督學習的方法來教車模進行強化學習。但也許是教導(dǎo)的方式不完善導(dǎo)致車模很容易“學壞”，一旦出現(xiàn)沖出賽道的情況，車模會出現(xiàn)很大的擺動。很遺憾的是，由于疫情耽誤了太多時間，該方案短時間沒有帶來好的效果，本團隊無法繼續(xù)研究強化學習的方案。

本團隊成員一致認為，利用強化學習的方法讓小車自主學習，這樣才是真正意義的智能車，而且強化學習的方法在小車控制中有很好的前景。希望未來的智能車競賽中AI方面的組別能有參賽者可以利用強化學習，讓小車跑出不錯的成績。

“寶劍鋒從磨礪出，梅花香自苦寒來”，一次次的校內(nèi)比賽見證了ACE智能車隊艱難的蛻變。我們非常感謝山威智能車這個像家一樣的地方，更要特別感謝一直向隊伍提供經(jīng)費，比賽場地，技術(shù)指導(dǎo)的學校、學院領(lǐng)導(dǎo)以及指導(dǎo)老師，同時也感謝比賽組委會能組織這樣一項有意義的比賽。最后，希望人工智能在智能車競賽中逐漸成熟，讓智能車更智能。

公眾號留言

卓大大，剛剛發(fā)現(xiàn)了一個大佬用百度AI搭建的AI換臉模型。卓大大的痛，你們懂嗎？