DeepPiCar -Download – DeepPiCar -Quellcode herunterladen

DeepPiCar

AI-Quellcode

1.0.0

Herunterladen

DeepPiCar-Serie

DeepPiCar – Teil 1: Wie man mit kleinem Budget ein Deep-Learning-, selbstfahrendes Roboterauto baut

Ein Überblick darüber, wie man ein selbstfahrendes Roboterauto mit Raspberry Pi- und TensorFlow-Antrieb baut

Von David Tian

Hacker, Tüftler und Ingenieur. Ich interessiere mich leidenschaftlich für maschinelles Lernen, KI und alles, was mit Technologie zu tun hat.

Einführung

Heute versuchen Tesla, Google, Uber und GM alle, ihre eigenen selbstfahrenden Autos zu entwickeln, die auf realen Straßen fahren können. Viele Analysten gehen davon aus, dass in den nächsten fünf Jahren vollständig autonome Autos in unseren Städten fahren werden und dass innerhalb von 30 Jahren fast ALLE Autos vollständig autonom sein werden. Wäre es nicht cool, ein eigenes selbstfahrendes Auto zu bauen und dabei dieselben Techniken zu verwenden, die die Großen nutzen? In diesem und den nächsten Artikeln zeige ich Ihnen, wie Sie von Grund auf Ihr eigenes physisches, Deep-Learning- und selbstfahrendes Roboterauto bauen können. In weniger als einer Woche können Sie Ihr Auto dazu bringen, Fahrspuren zu erkennen und ihnen zu folgen sowie Verkehrszeichen und Personen auf der Straße zu erkennen und darauf zu reagieren. Hier ist ein kleiner Vorgeschmack auf Ihr Endprodukt.

Spurverfolgung

Verkehrszeichen- und Personenerkennung (rechts) von der DashCam von DeepPiCar

Unsere Roadmap

Teil 2 : Ich werde auflisten, welche Hardware Sie kaufen und wie Sie sie einrichten. Kurz gesagt, Sie benötigen ein Raspberry Pi-Board (50 $), ein SunFounder PiCar-Kit (115 $), Googles Edge TPU (75 $) sowie ein paar Zubehörteile und wie jedes Teil in späteren Artikeln wichtig ist. Die Gesamtkosten für die Materialien belaufen sich auf etwa 250–300 US-Dollar. Wir installieren auch alle für Raspberry Pi und PiCar benötigten Softwaretreiber.

Raspberry Pi 3 B+

SunFounder PiCar-V Roboterauto-Bausatz

Google Edge TPU-Beschleuniger

Teil 3 : Wir richten die gesamte benötigte Software für Computer Vision und Deep Learning ein. Die wichtigsten Softwaretools, die wir verwenden, sind Python (die De-facto-Programmiersprache für maschinelles Lernen/KI-Aufgaben), OpenCV (ein leistungsstarkes Computer-Vision-Paket) und Tensorflow (Googles beliebtes Deep-Learning-Framework). Beachten Sie, dass die gesamte Software, die wir hier verwenden, KOSTENLOS und Open Source ist!

Teil 4 : Nachdem die (mühsame) Hardware- und Software-Einrichtung erledigt ist, stürzen wir uns direkt in die SPASSIGEN Teile! Unser erstes Projekt besteht darin, DeepPiCar mithilfe von Python und OpenCV beizubringen, autonom auf einer kurvenreichen einspurigen Straße zu navigieren, indem es Fahrspurlinien erkennt und entsprechend steuert.

Schrittweise Spurerkennung

Teil 5 : Wir werden DeepPiCar trainieren, autonom auf der Fahrspur zu navigieren, ohne explizit Logik zur Steuerung schreiben zu müssen, wie es in unserem ersten Projekt der Fall war. Dies wird durch „Verhaltensklonen“ erreicht, bei dem wir nur die Videos der Straße und die richtigen Lenkwinkel für jedes Videobild verwenden, um DeepPiCar beizubringen, selbst zu fahren. Die Implementierung ist vom vollwertigen autonomen Auto DAVE-2 von NVIDIA inspiriert, das ein tiefes Faltungs-Neuronales Netzwerk nutzt, um Straßenmerkmale zu erkennen und die richtigen Lenkentscheidungen zu treffen.

Spurverfolgung in Aktion

Zuletzt in Teil 6 : Wir werden Deep-Learning-Techniken wie Single-Shot-Multi-Box-Objekterkennung und Transfer-Learning verwenden, um DeepPiCar beizubringen, verschiedene (Miniatur-)Verkehrszeichen und Fußgänger auf der Straße zu erkennen. Und dann bringen wir ihm bei, an roten Ampeln und Stoppschildern anzuhalten, an grünen Ampeln zu fahren, anzuhalten und auf einen Fußgänger zu warten, der ihn überquert, und seine Geschwindigkeitsbegrenzung entsprechend den angebrachten Geschwindigkeitsschildern usw. zu ändern.

Schulung zum Verkehrszeichen- und Personenerkennungsmodell in TensorFlow

Voraussetzung

Hier sind die Voraussetzungen für diese Artikel:

An erster Stelle steht die Bereitschaft , Dinge zu basteln und kaputt zu machen . Anders als in einem Autosimulator, wo alles deterministisch und perfekt wiederholbar ist, können reale Modellautos unvorhersehbar sein und Sie müssen bereit sein, sich die Hände schmutzig zu machen und sowohl an der Hardware als auch an der Software herumzubasteln.
Grundlegende Python- Programmierkenntnisse. Ich gehe davon aus, dass Sie wissen, wie man Python-Code liest und Funktionen, IF-Anweisungen und Schleifen in Python schreibt. Der größte Teil meines Codes ist gut dokumentiert, insbesondere die schwieriger zu verstehenden Teile.
Grundlegende Kenntnisse des Linux-Betriebssystems . Ich gehe davon aus, dass Sie wissen, wie man Befehle in der Bash-Shell unter Linux, dem Betriebssystem des Raspberry Pi, ausführt. In meinen Artikeln erfahren Sie genau, welche Befehle ausgeführt werden müssen, warum wir sie ausführen und was Sie als Ausgabe erwarten können.
Schließlich benötigen Sie etwa 250 bis 300 US-Dollar, um die gesamte Hardware und einen funktionierenden PC (Windows/Mac oder Linux) zu kaufen. Auch hier ist die gesamte verwendete Software kostenlos.