深度学习自动驾驶小车deeocar的基本操作

深度学习自动驾驶小车deeocar的基本操作

1、采集训练数据数据

在deepcar使用深度学习自动驾驶之前，需要经过两个阶段，第一个阶段是训练模型，第二个阶段是运行训练好的模型。在正式开始训练数据和运行模型之前，需要先调整好摄像头的角度，以摄像头可以看到看到道路的两条边线为准

调整好摄像头的角度后，就可以收集训练数据了，收集训练数据有两种方式，一种是手动模式，即使用手机APP遥控deepcar在道路上走一圈，然后记录下来小车的图像和对应的APP遥控值，由于小车最后的运行效果取决于训练数据，这种方式的优点是简单方便，缺点是最后小车自动行驶的效果取决操作者的遥控效果，如果操作者可以遥控小车沿着道路中心行驶或者偏离较小，则使用遥控数据训练出来的模型效果也会很好，如果操作的不好，则模型效果会大打折扣。另外一种方式是自动模式，让小车使用传统的道路边界提取然后计算出

小车偏离道路的距离，然后使用pid控制输出转弯量，最后记录下小车的图像和对于的pid转弯量做训练数据即可，只要调试好pid参数让小车可以稳定沿着道路中心行驶，则训练出来的结果也会接近于pid控制的效果，且比传统的边界提取更稳定，因为传统的边界提取对现场条件要求较高，图像明亮的变化也会影响到边线提取的效果，而使用卷积神经网络的模型可以在训练的时候做图像增强，例如在训练集图片中随机增减图像的明暗度，则可以比传统的pid控制自动驾驶更加稳定。Deepcar上使用的就是自动收集数据的方法，当然用户如果感兴趣，可以采用第一种方法来对比效果。

为了让小车最后训练出来的模型能自动驾驶的效果较好，在采集训练数据之前，最好是先调试好小车的参数让小车能够使用pid控制也可以较好地完成自动行驶。需要调试的参数主要是canny边沿检测的阈值和pid控制的三个参数，主要在文件collect_training_data_xtion.py中修改这些参数

下面详细解释下这些参数的意义：

为了提取道路的左右边沿位置，需要对图像做一些预处理，首先是转成将图像由rgb图转为灰度图

转为灰度图后，使用canny边沿检测将图像转成黑白的二值化图，二值化图中白色即为图像边缘较为明显的部分，而非物体的边缘则会编程黑色像素，由于道路的边界一般都是较为明显的，所以使用canny边缘检测之后，道路的边沿则会变成两条白边

Deepcar使用Canny边沿检测调用的是opencv的库函数，里面主要有两个参数，一个是高阈值thresholdH，一个是低阈值thresholdL，高阈值thresholdH的大小决定了图像的边缘提取的详细程度，值越小，则图像中的边缘越多，细节也更为明显，低阈值thresholdL则决定了图像的边缘联结程度，thresholdL越小，则图像边沿联结的越多，thresholdL越大，则图像中的边缘线断开的也越多，在本次案例中，thresholdH和thresholdL调节的原则是让图像中的道路边沿越明显且断开越少越好，而与道路边沿无关的其他边缘则是越少越好，下面两张图片对比了选取不同参数的做canny边缘检测的区别

其中能得到类似图23这样的效果是最好的，道路的边沿很清晰，而其他无关区域的边缘则很少。

具体调节参数的步骤是：通过命令行窗口使用ssh登陆到deepcar,然后执行如下命令：

cd /home/deepcar/catkin_ws/src/selfdriving-dl/src

然后修改collect_training_data_xtion.py文件，执行命令：

nano collect_training_data_xtion.py

需要先将self.collect_data改为False，即先不收集训练数据，调节好pid参数和canny边缘检测的参数让小车的可以较好地完成自动行驶的时候，再来收集数据。然后按ctrl+x再按y保存修改