【lsm9ds0】神经网络控制智能车

简介

Michal Nand[1]网站HACKADAY。IO通过博客Motoku uprising Deep Neural Network介绍了利用卷积神经网络使巡航智能车运行更加顺畅、快速的技术方案。特别对神经网络的结构、训练、部署等进行了详细介绍。

智能车的任务比较简单。也就是说，在平面赛道上，沿着彩色指南(大多数是黑色的)从起点运行到终点，再回到起点。其中轨道的一段砖被用作障碍物。

利用 神经网络的巡线智能车

在作者的方案中，智能车运行的大多数控制算法，一般的PID、逻辑判断都采用算法。他利用CNN，通过传感器在车型运行过程中收集的二维路面数据对赛道种类进行分类，调整车型速度，以适应不同赛道的情况，达到快速稳定的目的。

机械结构

1.硬件构成

这款智能车的硬件配置如下。

嵌入式控制器：STM32F303、Cortex M4F 72MHz电机驱动：TI DRV8834低压双相步进电机驱动电机型号3360Pololu HP电机、减速齿轮箱1:30、磁编码器轮胎：Poloku 28mm轮胎、高点力惯性导航 智能车的硬件配置

2. 组成器件

序列号种类数量型号1 MCU 1 STM 32F 303 72M HZ ARM CORTEX M4 F2电机驱动器1 TI DRIV8834 3电机2 1:30 PoloHu，磁编码器4轮胎2 Pololu直径28毫米5巡逻传感器8 540nm光电传感器白色补光LED 6红外传感器

控制算法

1.控制调试界面

“磨刀也不会把樵夫砍错。”作者离开OPENGL，开发了调试的应用程序。通过界面，您可以：

显示8个巡线光电传感器的原始数字，显示电机的状态。速度、编码器值显示惯性传感器的状态。显示神经网络分类过程通过串行端口获得的原始数据 显示编程调试接口

2. 智能车控制软件要点

智能汽车软件的主要功能和指标如下：

通过二次插值算法，通过8个光电传感器，可以获得更精确的航迹-引线位置主程序控制频率。200Hz方向调节器：使用PD进行方向控制电机速度控制：两级PID控制完成电机速度控制轨道-引线预测：直线轨道上加速度曲线转弯时缓慢刹车。通过深度神经网络进行航迹识别

别和控制

▲ 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：

网络层 网络层类型 输入特征图张量尺寸 1 卷积3×3×4 8×8×1 2 MAX POOLING 2×2 8×8×4 3 稠密卷积3×3×4 4×4×4 4 稠密卷积3×3×4 4×4×8 5 全连接层 输出5 4×4×12

▲ 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半方法。

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: