基于机器视觉的智能小车道路识别系统
各位老师、同学们好。我今天给大家带来的项目是基于机器视觉的智能小车道路识别系统。本系统的算法基于深度学习和端对端的控制，有着很强的泛化能力，可以识别不同的道路，并进行自动驾驶。与传统的智能车和端对端控制相比，它无须众多传感器，仅靠一个摄像头即可完成道路识别和自动驾驶；不再使用方向来描述运动，而是转化为一个回归问题，使用转向角描述运动，对运动描述的更精确，适应性更强。
我们设计的学习系统是由5层的卷积层和2层全连接层组成的卷积神经网络，网络的输入是安装在小车前面的摄像头拍摄的图像，输出是一对浮点数，代表要预测的转向角和此时的速度，损失函数由平方误差衡量。小车采集数据集后，将数据传到PC端进行训练，训练完成以后，摄像头拍摄的图像经过CNN会被映射成转向角和速度，这些小车再训练过程中不断拍摄当前环境的第一视角图像，由CNN预测转向角，从而实时调整方向。最后，我们在论文中也提出了一个边缘计算的构想，小车训练完成以后，采集的数据集可以传到网络边缘侧进行移动边缘计算，这样也能节省能耗和提高计算效率。
上面是一个摄像头和我们用3D打印的车壳，里面是他的主控芯片和一个树莓派4B，下面是舵机、马达和可充电的锂电池。我们提前设置了服务自动的功能，以及制作了网页控制端。小车打开开关以后，服务自动开启，这样我们可以在手机端输入打开的网页进行小车的各模式的控制。平时我们使用用户模式进行数据的采集，不算道路识别的功能，它就是一个可以实时传输图像的wifi无线遥控小车。把它放到赛道上以后，打开自动驾驶模式，它便可以便进行道路识别便自动驾驶，而且经过我们对模型、数据集、卷积层数、激活函数等等不断调整之后，最终呈现出的模型的识别效果已经非常好了，我们可以随便用粉笔画出一个道路，小车放上去便可以自动驾驶，我们也测试了不同的天气、白天黑夜模式下的道路识别效果，发现除了黑天或者雨天打湿赛道，自动驾驶的小车会脱离轨道以外，别的情况下小车均有良好的道路识别效果。
方法 模块化 优缺点
间接感知型 模块化 复杂度高，需要转换成子任务
直接感知型 无、输出多个指标 需要各自传感器
端对端控制型 无、直接输出动作 只需采集图像和动作
优化方法：梯度下降法
缺点：无法识别障碍物和自动避障
我们提出的是基于卷积神经网络的道路识别连续转向角预测方法
由于损失函数使用的平方误差函数，回归的梯度可能过大过小，因此导致神经爱你公园你的死亡。
提出：随机失活、正则化、训练图像增广等方法。
测试视频链接
