DeepPiCar
1.0.0
แฮ็กเกอร์ คนจรจัด และวิศวกร ฉันหลงใหลเกี่ยวกับการเรียนรู้ของเครื่อง, AI และทุกสิ่งที่เกี่ยวข้องกับเทคโนโลยี
ทุกวันนี้ Tesla, Google, Uber และ GM ต่างก็พยายามสร้างรถยนต์ที่ขับเคลื่อนด้วยตนเองของตัวเองที่สามารถวิ่งบนถนนในโลกแห่งความเป็นจริงได้ นักวิเคราะห์หลายคนคาดการณ์ว่าภายใน 5 ปีข้างหน้า เราจะเริ่มมีรถยนต์ขับเคลื่อนอัตโนมัติเต็มรูปแบบวิ่งในเมืองของเรา และภายใน 30 ปี รถยนต์เกือบทั้งหมดจะเป็นรถยนต์ขับเคลื่อนอัตโนมัติเต็มรูปแบบ มันจะเจ๋งไหมที่จะสร้างรถยนต์ขับเคลื่อนด้วยตนเองของคุณเองโดยใช้เทคนิคเดียวกับที่คนตัวใหญ่ใช้ ในบทความนี้และบทความต่อๆ ไป ผมจะแนะนำคุณเกี่ยวกับวิธีสร้างรถหุ่นยนต์ขับเคลื่อนด้วยตนเองทางกายภาพ การเรียนรู้เชิงลึก และขับเคลื่อนด้วยตนเองตั้งแต่เริ่มต้น คุณจะสามารถทำให้รถของคุณตรวจจับและติดตามเลน จดจำและตอบสนองต่อสัญญาณจราจรและผู้คนบนท้องถนนได้ภายในหนึ่งสัปดาห์ นี่คือตัวอย่างผลิตภัณฑ์ขั้นสุดท้ายของคุณ
เลนต่อไปนี้
ป้ายจราจรและการตรวจจับผู้คน (ขวา) จาก DashCam ของ DeepPiCar
ส่วนที่ 2 : ฉันจะแสดงรายการฮาร์ดแวร์ที่จะซื้อและวิธีตั้งค่า กล่าวโดยสรุป คุณจะต้องมีบอร์ด Raspberry Pi ($50), ชุด SunFounder PiCar ($115), Edge TPU ของ Google ($75) พร้อมอุปกรณ์เสริมอีกเล็กน้อย และแต่ละส่วนมีความสำคัญอย่างไรในบทความต่อๆ ไป ราคาวัสดุทั้งหมดอยู่ที่ประมาณ 250–300 ดอลลาร์ เราจะติดตั้งไดรเวอร์ซอฟต์แวร์ทั้งหมดที่จำเป็นสำหรับ Raspberry Pi และ PiCar
ราสเบอร์รี่ Pi 3 B+
ชุดอุปกรณ์ในรถยนต์หุ่นยนต์ SunFounder PiCar-V
ตัวเร่งความเร็ว TPU ของ Google Edge
ส่วนที่ 3 : เราจะตั้งค่าซอฟต์แวร์ Computer Vision และ Deep Learning ทั้งหมดที่จำเป็น เครื่องมือซอฟต์แวร์หลักที่เราใช้คือ Python (ภาษาการเขียนโปรแกรมโดยพฤตินัยสำหรับงาน Machine Learning/AI), OpenCV (แพ็คเกจคอมพิวเตอร์วิทัศน์อันทรงพลัง) และ Tensorflow (เฟรมเวิร์กการเรียนรู้เชิงลึกยอดนิยมของ Google) โปรดทราบว่าซอฟต์แวร์ทั้งหมดที่เราใช้ที่นี่ฟรีและเป็นโอเพ่นซอร์ส!
ส่วนที่ 4 : เนื่องจากการตั้งค่าฮาร์ดแวร์และซอฟต์แวร์ (น่าเบื่อ) หมดไป เราจะดำดิ่งลงในส่วนของความสนุก! โปรเจ็กต์แรกของเราคือการใช้ python และ OpenCV เพื่อสอน DeepPiCar ให้นำทางโดยอัตโนมัติบนถนนเลนเดียวที่คดเคี้ยวโดยการตรวจจับเส้นเลนและบังคับทิศทางตามนั้น
การตรวจจับเลนทีละขั้นตอน
ตอนที่ 5 : เราจะฝึก DeepPiCar ให้นำทางเลนโดยอัตโนมัติโดยไม่ต้องเขียนตรรกะอย่างชัดเจนเพื่อควบคุม เหมือนที่ทำในโปรเจ็กต์แรกของเรา ซึ่งทำได้โดยใช้ "การโคลนพฤติกรรม" ซึ่งเราใช้เพียงวิดีโอของถนนและมุมบังคับเลี้ยวที่ถูกต้องสำหรับแต่ละเฟรมวิดีโอเพื่อฝึก DeepPiCar ให้ขับเคลื่อนตัวเอง การใช้งานได้รับแรงบันดาลใจจากรถยนต์ขับเคลื่อนอัตโนมัติขนาดเต็ม DAVE-2 ของ NVIDIA ซึ่งใช้โครงข่ายประสาทเทียมเชิงลึกเพื่อตรวจจับคุณลักษณะของถนนและทำการตัดสินใจในการบังคับเลี้ยวที่ถูกต้อง
การติดตามเลนในการดำเนินการ
สุดท้ายนี้ ใน ส่วนที่ 6 : เราจะใช้เทคนิคการเรียนรู้เชิงลึก เช่น การตรวจจับวัตถุหลายกล่องแบบช็อตเดียว และถ่ายทอดการเรียนรู้เพื่อสอน DeepPiCar ให้ตรวจจับสัญญาณจราจร (จิ๋ว) และคนเดินถนนต่างๆ บนท้องถนน แล้วเราจะสอนให้หยุดไฟแดง ป้ายหยุด ขึ้นไฟเขียว หยุดรอคนข้ามถนน และเปลี่ยนขีดจำกัดความเร็วตามป้ายความเร็วที่โพสต์ เป็นต้น
การฝึกอบรมโมเดลสัญญาณจราจรและการตรวจจับผู้คนใน TensorFlow
ข้อกำหนดเบื้องต้นของบทความเหล่านี้มีดังนี้:
นั่นคือทั้งหมดสำหรับบทความแรก เจอกันในภาค 2 ที่เราจะทำให้มือสกปรกและสร้างรถหุ่นยนต์ด้วยกัน!
นี่คือลิงก์ไปยังคำแนะนำทั้งหมด:
ส่วนที่ 1: ภาพรวม (บทความนี้)
ส่วนที่ 2: การตั้งค่า Raspberry Pi และชุดประกอบ PiCar
ส่วนที่ 3: ทำให้ PiCar มองเห็นและคิด
ส่วนที่ 4: การนำทางช่องทางอัตโนมัติผ่าน OpenCV
ส่วนที่ 5: การนำทางช่องทางอัตโนมัติผ่านการเรียนรู้เชิงลึก
ส่วนที่ 6: ป้ายจราจรและการตรวจจับและจัดการคนเดินถนน
