Unduhan DeepPiCar - Unduhan kode sumber DeepPiCar

DeepPiCar

Kode Sumber AI

1.0.0

Unduh

Seri DeepPiCar

DeepPiCar - Bagian 1: Cara Membuat Mobil Robot yang Pembelajaran Mendalam dan Mengemudi Sendiri dengan Anggaran Sedikit

Ikhtisar tentang cara membuat mobil robot self-driving bertenaga Raspberry Pi dan TensorFlow

Oleh David Tian

Peretas, pengotak-atik, dan insinyur. Saya tertarik dengan pembelajaran mesin, AI, dan segala hal yang berhubungan dengan teknologi.

Perkenalan

Saat ini, Tesla, Google, Uber, dan GM semuanya mencoba menciptakan mobil self-driving mereka sendiri yang dapat berjalan di jalanan dunia nyata. Banyak analis memperkirakan bahwa dalam 5 tahun ke depan, kita akan mulai memiliki mobil yang sepenuhnya otonom di kota-kota kita, dan dalam waktu 30 tahun, hampir SEMUA mobil akan sepenuhnya otonom. Bukankah keren untuk membuat mobil self-driving Anda sendiri menggunakan teknik yang sama dengan yang digunakan orang-orang besar? Dalam artikel ini dan beberapa artikel berikutnya, saya akan memandu Anda tentang cara membuat mobil robotik fisik, pembelajaran mendalam, dan dapat mengemudi sendiri dari awal. Anda akan dapat membuat mobil Anda mendeteksi dan mengikuti jalur, mengenali dan merespons rambu lalu lintas dan orang-orang di jalan dalam waktu kurang dari seminggu. Berikut ini sekilas produk akhir Anda.

Mengikuti Jalur

Rambu Lalu Lintas dan Deteksi Orang (kanan) dari DashCam DeepPiCar

Peta Jalan Kami

Bagian 2 : Saya akan mencantumkan perangkat keras apa yang harus dibeli dan cara mengaturnya. Singkatnya, Anda memerlukan papan Raspberry Pi ($50), kit SunFounder PiCar ($115), Google Edge TPU ($75) ditambah beberapa aksesori, dan betapa pentingnya setiap bagian di artikel selanjutnya. Total biaya bahan adalah sekitar $250–300. Kami juga akan menginstal semua driver software yang dibutuhkan oleh Raspberry Pi dan PiCar.

Raspberry Pi 3 B+

Kit Mobil Robotik SunFounder PiCar-V

Akselerator TPU Google Edge

Bagian 3 : Kami akan menyiapkan semua perangkat lunak Computer Vision dan Deep Learning yang diperlukan. Alat perangkat lunak utama yang kami gunakan adalah Python (bahasa pemrograman de-facto untuk tugas-tugas Machine Learning/AI), OpenCV (paket visi komputer yang canggih) dan Tensorflow (kerangka pembelajaran mendalam Google yang populer). Perhatikan bahwa semua perangkat lunak yang kami gunakan di sini GRATIS dan open source!

Bagian 4 : Dengan selesainya pengaturan perangkat keras dan perangkat lunak (yang membosankan), kita akan langsung masuk ke bagian yang MENYENANGKAN! Proyek pertama kami adalah menggunakan python dan OpenCV untuk mengajarkan DeepPiCar bernavigasi secara mandiri di jalan satu jalur yang berkelok-kelok dengan mendeteksi garis jalur dan menyetir sesuai dengan itu.

Deteksi Jalur Langkah demi Langkah

Bagian 5 : kami akan melatih DeepPiCar untuk menavigasi jalur secara mandiri tanpa harus menulis logika secara eksplisit untuk mengendalikannya, seperti yang dilakukan pada proyek pertama kami. Hal ini dicapai dengan menggunakan “kloning perilaku”, di mana kami hanya menggunakan video jalan dan sudut kemudi yang benar untuk setiap frame video untuk melatih DeepPiCar mengemudi sendiri. Implementasinya terinspirasi oleh mobil otonom berukuran penuh NVIDIA DAVE-2, yang menggunakan Jaringan Neural Konvolusional yang mendalam untuk mendeteksi fitur jalan dan membuat keputusan kemudi yang tepat.

Lane Mengikuti Aksi

Terakhir, di Bagian 6 : Kami akan menggunakan teknik pembelajaran mendalam seperti deteksi objek multi-kotak tembakan tunggal dan pembelajaran transfer untuk mengajarkan DeepPiCar mendeteksi berbagai rambu lalu lintas (miniatur) dan pejalan kaki di jalan. Kemudian kita akan mengajarinya untuk berhenti di lampu merah dan rambu berhenti, menyalakan lampu hijau, berhenti menunggu pejalan kaki menyeberang, mengubah batas kecepatannya sesuai dengan rambu kecepatan yang dipasang, dan seterusnya.

Pelatihan Model Rambu Lalu Lintas dan Deteksi Orang di TensorFlow

Prasyarat

Berikut adalah prasyarat dari artikel-artikel tersebut:

Yang pertama dan terpenting adalah kesediaan untuk mengutak-atik dan menghancurkan sesuatu . Berbeda dengan simulator mobil, di mana segala sesuatu bersifat deterministik dan dapat diulang dengan sempurna, model mobil di dunia nyata tidak dapat diprediksi dan Anda harus rela mengotori tangan Anda dan mulai mengutak-atik perangkat keras dan perangkat lunaknya.
Keterampilan dasar pemrograman Python . Saya berasumsi Anda tahu cara membaca kode python dan menulis fungsi, pernyataan if dan loop dengan python. Sebagian besar kode saya didokumentasikan dengan baik, khususnya bagian yang sulit dipahami.
Pengetahuan dasar sistem operasi Linux . Saya berasumsi Anda tahu cara menjalankan perintah di Bash shell di Linux, yang merupakan sistem operasi Raspberry Pi. Artikel saya akan memberi tahu Anda perintah mana yang harus dijalankan, mengapa kami menjalankannya, dan apa yang diharapkan sebagai keluaran.
Terakhir, Anda memerlukan sekitar $250-$300 untuk membeli semua perangkat keras dan PC yang berfungsi (Windows/Mac atau Linux). Sekali lagi, semua perangkat lunak yang digunakan akan gratis.