DeepPiCar
1.0.0
Hacker, consertador e engenheiro. Sou apaixonado por aprendizado de máquina, IA e qualquer coisa relacionada à tecnologia.
Hoje, Tesla, Google, Uber e GM estão todos tentando criar seus próprios carros autônomos que possam circular em estradas do mundo real. Muitos analistas prevêem que nos próximos 5 anos começaremos a ter carros totalmente autónomos a circular nas nossas cidades e, dentro de 30 anos, quase TODOS os carros serão totalmente autónomos. Não seria legal construir seu próprio carro autônomo usando algumas das mesmas técnicas que os grandes usam? Neste e nos próximos artigos, orientarei você sobre como construir seu próprio carro robótico físico, de aprendizado profundo e autônomo a partir do zero. Você será capaz de fazer seu carro detectar e seguir faixas, reconhecer e responder a sinais de trânsito e pessoas na estrada em menos de uma semana. Aqui está uma prévia do seu produto final.
Seguindo a pista
Sinais de trânsito e detecção de pessoas (à direita) da DashCam do DeepPiCar
Parte 2 : Listarei quais hardwares comprar e como configurá-los. Resumindo, você precisará de uma placa Raspberry Pi (US$ 50), kit SunFounder PiCar (US$ 115), Edge TPU do Google (US$ 75), além de alguns acessórios, e como cada parte é importante em artigos posteriores. O custo total dos materiais gira em torno de US$ 250–300. Também instalaremos todos os drivers de software necessários para Raspberry Pi e PiCar.
Framboesa Pi 3 B+
Kit robótico para carro SunFounder PiCar-V
Acelerador Google Edge TPU
Parte 3 : Configuraremos todo o software de Visão Computacional e Aprendizado Profundo necessário. As principais ferramentas de software que usamos são Python (a linguagem de programação de fato para tarefas de aprendizado de máquina/IA), OpenCV (um poderoso pacote de visão computacional) e Tensorflow (a popular estrutura de aprendizado profundo do Google). Observe que todos os softwares que usamos aqui são GRATUITOS e de código aberto!
Parte 4 : Com a (tediosa) configuração de hardware e software resolvida, vamos mergulhar direto nas partes DIVERTIDAS! Nosso primeiro projeto é usar python e OpenCV para ensinar DeepPiCar a navegar de forma autônoma em uma estrada sinuosa de faixa única, detectando linhas de faixa e dirigindo de acordo.
Detecção de pista passo a passo
Parte 5 : treinaremos o DeepPiCar para navegar na pista de forma autônoma, sem ter que escrever explicitamente a lógica para controlá-la, como foi feito em nosso primeiro projeto. Isso é conseguido usando “clonagem de comportamento”, onde usamos apenas os vídeos da estrada e os ângulos de direção corretos para cada quadro de vídeo para treinar o DeepPiCar para dirigir sozinho. A implementação é inspirada no carro autônomo DAVE-2 da NVIDIA, que usa uma rede neural convolucional profunda para detectar características da estrada e tomar as decisões corretas de direção.
Seguindo a pista em ação
Por último, na Parte 6 : Usaremos técnicas de aprendizagem profunda, como detecção de objetos multi-caixa de disparo único e aprendizagem por transferência, para ensinar o DeepPiCar a detectar vários sinais de trânsito (em miniatura) e pedestres na estrada. E então vamos ensiná-lo a parar no sinal vermelho e nos sinais de parada, passar no sinal verde, parar para esperar um pedestre atravessar e alterar seu limite de velocidade de acordo com os sinais de velocidade afixados, etc.
Treinamento de modelo de sinais de trânsito e detecção de pessoas no TensorFlow
Aqui estão os pré-requisitos destes artigos:
Isso é tudo para o primeiro artigo. Vejo vocês na Parte 2, onde colocaremos a mão na massa e construiremos um carro robótico juntos!
Aqui estão os links para todo o guia:
Parte 1: Visão geral (este artigo)
Parte 2: Configuração do Raspberry Pi e montagem do PiCar
Parte 3: Faça o PiCar ver e pensar
Parte 4: Navegação autônoma em pista via OpenCV
Parte 5: Navegação autônoma em pistas por meio de aprendizado profundo
Parte 6: Sinais de Trânsito e Detecção e Tratamento de Pedestres
