肖雄子彥， 楚朋志， 梁曉妮， 薛萬(wàn)坤， 任桐鑫

（上海交通大學(xué)學(xué)生創(chuàng)新中心，上海 200240）

0 引 言

因駕駛員注意力不集中、操作失誤等因素是造成道路交通意外事故的主要因素之一，美國(guó)接近50%的交通事故與駕駛員發(fā)生無(wú)意識(shí)的偏離車道有關(guān)［1］，利用自動(dòng)駕駛技術(shù)的車道保持穩(wěn)定系統(tǒng)可一定程度上提高道路行駛的安全性［2］。隨著人工智能、機(jī)器視覺(jué)、雷達(dá)技術(shù)等協(xié)同發(fā)展，自動(dòng)駕駛技術(shù)呈現(xiàn)出接近實(shí)用化的趨勢(shì)，也逐漸進(jìn)入了越來(lái)越多的高校課堂。而保持車道穩(wěn)定行駛自動(dòng)駕駛的關(guān)鍵技術(shù)，因此在自動(dòng)駕駛類課程教學(xué)中，對(duì)車道保持穩(wěn)定性的研究與實(shí)驗(yàn)設(shè)計(jì)對(duì)學(xué)生掌握自動(dòng)駕駛技術(shù)有著重要意義。

目前，國(guó)內(nèi)外對(duì)于車道保持穩(wěn)定性的研究大多聚焦于車道線檢測(cè)，大致可分為：基于圖像特征的方法和基于模型的方法以及基于深度學(xué)習(xí)的方法。劉源等［3］提出了一種基于邊緣特征點(diǎn)聚類的車道線檢測(cè)方法。Upendra等［4］采用自適應(yīng)閾值法，結(jié)合像素強(qiáng)度與邊界信息提取車道線標(biāo)記。Hao等［5］建立一種高斯統(tǒng)計(jì)顏色模型在感興趣區(qū)域提取車道線顏色，這種方法對(duì)于車道線被遮擋、路面存在干擾的情況具有較好的魯棒性。徐美華等［6］提出了一種基于投影統(tǒng)計(jì)量和雙曲模型的車道線識(shí)別算法，利用近場(chǎng)信息對(duì)曲線車道線進(jìn)行優(yōu)化，然而在復(fù)雜環(huán)境中的適應(yīng)性還有待提升。近年來(lái)深度學(xué)習(xí)的發(fā)展為解決不同場(chǎng)景下的車道線檢測(cè)提供了新方向［7］，F(xiàn)abio 等［8］設(shè)計(jì)了一種車道線檢測(cè)算法，基于ROS 框架在多任務(wù)CNN 的訓(xùn)練過(guò)程中使用均方差不確定性估計(jì)獲得了更好的性能。Mohsen等［9］采用生成式對(duì)抗網(wǎng)絡(luò)對(duì)車道線進(jìn)行檢測(cè)，其中生成器用于生成車道線的預(yù)測(cè)值，而判別器判別生成器的輸出與真實(shí)標(biāo)簽的差異，最終網(wǎng)絡(luò)能夠直接生成車道線標(biāo)記位置。而現(xiàn)有的自動(dòng)駕駛類課程多以理論授課、虛擬仿真為主，缺少適用于教學(xué)的硬件實(shí)驗(yàn)平臺(tái)以及充足的計(jì)算資源，基于軟硬件相結(jié)合的實(shí)驗(yàn)案例更為缺乏。而工程性缺失和實(shí)踐教學(xué)薄弱正是我國(guó)高等工程教育長(zhǎng)期存在的問(wèn)題，因此提升實(shí)踐教學(xué)質(zhì)量至關(guān)重要?，F(xiàn)有無(wú)人駕駛平臺(tái)體積龐大、結(jié)構(gòu)與實(shí)驗(yàn)環(huán)境復(fù)雜，所使用的車道線檢測(cè)算法穩(wěn)定性較差。同時(shí)，學(xué)生本地計(jì)算資源的不足也極大降低了實(shí)驗(yàn)開(kāi)發(fā)效率。

針對(duì)上述問(wèn)題，本文引入輕量級(jí)無(wú)人駕駛小車硬件平臺(tái)與華為云人工智能軟件計(jì)算平臺(tái)，從基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)端到端模型；結(jié)合課程內(nèi)容，創(chuàng)新性地設(shè)計(jì)開(kāi)發(fā)了一套適用于教學(xué)實(shí)驗(yàn)場(chǎng)景、流程完整、實(shí)驗(yàn)環(huán)境易于配置且穩(wěn)定性較強(qiáng)的車道保持系統(tǒng)實(shí)驗(yàn)。滿足“新工科”建設(shè)中對(duì)人才培養(yǎng)提出的新要求［10-11］有助于加強(qiáng)學(xué)生對(duì)理論知識(shí)的鞏固，并在產(chǎn)教融合背景下促進(jìn)學(xué)生工程能力的提升［12］。

1 深度學(xué)習(xí)端到端算法

深度學(xué)習(xí)端到端算法［13］近年來(lái)逐漸被廣泛應(yīng)用于自動(dòng)駕駛領(lǐng)域，該模型基于神經(jīng)網(wǎng)絡(luò)原理，表現(xiàn)出更強(qiáng)的魯棒性。同時(shí)具有網(wǎng)絡(luò)結(jié)構(gòu)清晰直觀、數(shù)據(jù)標(biāo)簽易于處理等優(yōu)點(diǎn)，因此非常適合用于自動(dòng)駕駛課程實(shí)驗(yàn)的開(kāi)發(fā)與教學(xué)。

本文設(shè)計(jì)的實(shí)驗(yàn)從教學(xué)實(shí)際出發(fā)，對(duì)端到端模型進(jìn)行輕量設(shè)計(jì)。算法總體思路是將復(fù)雜的車道線檢測(cè)任務(wù)轉(zhuǎn)換成為圖像分類任務(wù)，尋求拍攝場(chǎng)景與底盤角度的映射關(guān)系。模型的輸入為當(dāng)前攝像頭拍攝的圖像，輸出為該圖像此刻對(duì)應(yīng)的底盤車輪轉(zhuǎn)向“程度值”。

如圖1 所示，本文通過(guò)自動(dòng)駕駛小車搭載的攝像頭對(duì)數(shù)據(jù)進(jìn)行采集，經(jīng)過(guò)剪裁與數(shù)據(jù)增強(qiáng)處理，將圖像大小為66 ×200、RGB 三通道的彩色圖片輸入網(wǎng)絡(luò)。模型架構(gòu)基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）搭建，通過(guò)5 層卷積運(yùn)算（Conv-1 ～Conv-5）完成了從低層次到高層次的特征提取。

圖1 實(shí)驗(yàn)中搭建的端到端模型示意

由于教學(xué)場(chǎng)景較為固定，課程采集數(shù)據(jù)量相對(duì)較小，因此模型中使用了3*3 的卷積核代替原模型中5*5 的卷積核，以節(jié)省模型參數(shù)、提升計(jì)算效率，并優(yōu)化了每層卷積核數(shù)量，分別為24、36、48、64、64。模型利用增加步長(zhǎng)的方式代替池化層，去除冗余信息、達(dá)到降維和減少計(jì)算量的作用，本模型中，在前3 層卷積運(yùn)算中統(tǒng)一使用步長(zhǎng)為2*2 的卷積運(yùn)算。并使用ELU激活函數(shù)［14］增加模型復(fù)雜度，提升非線性表達(dá)能力，激活函數(shù)計(jì)算公式為

式中：x 表示經(jīng)過(guò)卷積計(jì)算后的值；α 為超參數(shù)，一般為經(jīng)驗(yàn)值。ELU 函數(shù)具有在所有點(diǎn)上都連續(xù)可微的特點(diǎn)，與其他激活函數(shù)相比，它具有更高的準(zhǔn)確性。由于ELU的梯度對(duì)于所有負(fù)值都是非零的，因此與整流線性單元（Rectified Linear Unit，ReLU）函數(shù)相比，不存在“神經(jīng)元死亡”的問(wèn)題。

通過(guò)卷積層的多輪特征提取與降維后，最后通過(guò)全聯(lián)接層完成分類任務(wù)，本模型設(shè)置了4 層全聯(lián)接層（FC-1 ～FC-3 和輸出層），神經(jīng)元個(gè)數(shù)分別為100、50、10 和1，全連接層的計(jì)算式為

式 中：xi為該層神經(jīng)元的輸 入；wi為該層網(wǎng)絡(luò)的權(quán)重；bi為該層網(wǎng)絡(luò)的偏置量；yi為該層計(jì)算后的輸出。

最后1 層為輸出層，神經(jīng)元數(shù)量為1，即用于計(jì)算標(biāo)簽（label），對(duì)應(yīng)了車輪轉(zhuǎn)向“程度值”。為適配底盤轉(zhuǎn)向性能，在實(shí)驗(yàn)中，設(shè)定該數(shù)值區(qū)間為0 ～90，分別代表從最左（數(shù)值0）至最右（數(shù)值90）的轉(zhuǎn)向程度，數(shù)值45 則表示當(dāng)前為直行狀態(tài)（既不偏左也不偏右）。實(shí)際計(jì)算時(shí)將此范圍進(jìn)行歸一化至區(qū)間（0，1），使用非線性函數(shù)Sigmoid［15］進(jìn)行激活，計(jì)算式為

式中：z為最后1 層神經(jīng)元的輸入；f（z）表示z 經(jīng)過(guò)激活后的輸出。

本實(shí)驗(yàn)在訓(xùn)練過(guò)程中，每層全聯(lián)接層后都進(jìn)行了隨機(jī)丟棄一定比例的神經(jīng)元（Dropout）操作，來(lái)防止模型過(guò)擬合。

2 系統(tǒng)總體設(shè)計(jì)與實(shí)驗(yàn)平臺(tái)

本文設(shè)計(jì)的系統(tǒng)總體框架如圖2 所示，其基于輕量級(jí)無(wú)人駕駛小車硬件平臺(tái)與華為云人工智能軟件平臺(tái)進(jìn)行設(shè)計(jì)與開(kāi)發(fā)的車道線保持實(shí)驗(yàn)，開(kāi)發(fā)過(guò)程的基本思路：①搭建無(wú)人駕駛小車硬件系統(tǒng)環(huán)境、上位機(jī)與下位機(jī)及底盤順利通信調(diào)試、完成實(shí)地教學(xué)場(chǎng)景的數(shù)據(jù)采集；②經(jīng)過(guò)本地初步數(shù)據(jù)篩選，準(zhǔn)備模型并一同上載到華為云ModelArts開(kāi)發(fā)平臺(tái)，根據(jù)模型參數(shù)要求，對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行擴(kuò)充與增強(qiáng)處理；③依托云平臺(tái)進(jìn)行環(huán)境創(chuàng)建與算力資源配置，在云端完成模型的訓(xùn)練、調(diào)試與優(yōu)化測(cè)試；④將訓(xùn)練成功的模型進(jìn)行轉(zhuǎn)化，部署于無(wú)人駕駛小車硬件平臺(tái)，在教學(xué)場(chǎng)地中進(jìn)行實(shí)地測(cè)試，根據(jù)性能表現(xiàn)進(jìn)行優(yōu)化，必要時(shí)可進(jìn)行數(shù)據(jù)重采與補(bǔ)充。

本實(shí)驗(yàn)所應(yīng)用的端云平臺(tái)主要有：

（1）無(wú)人駕駛小車硬件平臺(tái)。本文實(shí)驗(yàn)用無(wú)人駕駛小車硬件平臺(tái)由2 塊嵌入式開(kāi)發(fā)板組成，分別置于小車上位與下位區(qū)。①上位搭載了1 塊NVIDIA Jetson Nano 嵌入式開(kāi)發(fā)板卡，該板卡具有體積較小（尺寸僅100 mm×80 mm）、功耗較低（僅5 ～10 W）、硬件接口與GPIO擴(kuò)展接口較多等優(yōu)點(diǎn)，采用四核64 Bit ARM CPU和128 核集成NVIDIA GPU，可提供472 GFLOPS的計(jì)算性能，適配當(dāng)前流行的各類深度學(xué)習(xí)框架（如TensorFlow、PyTorch、Caffe／Caffe2、Keras 等），配備了深度學(xué)習(xí)所需的加速器庫(kù)，在模型邊緣計(jì)算場(chǎng)景中具有較好的實(shí)時(shí)性；②下位開(kāi)發(fā)板采用的是SoC系統(tǒng)級(jí)主控芯片ESP32-D0WD，由Xtensa 雙核32-bit LX6 CPU組成，主頻高達(dá)240 MHz；板載1 顆BOSH的高精度高可靠性的IMU 芯片，支持以太網(wǎng)通信、USB通信；下位機(jī)系統(tǒng)可對(duì)舵機(jī)角度，電機(jī)參數(shù)進(jìn)行配置，同時(shí)可驅(qū)動(dòng)1 路舵機(jī)和兩路電機(jī)，并集成軟件級(jí)差速器，將Jetson Nano 推理傳遞過(guò)來(lái)的方向角度進(jìn)行處理，對(duì)車輪進(jìn)行有效控制。

圖2 實(shí)驗(yàn)總體設(shè)計(jì)框架示意

（2）華為云人工智能軟件平臺(tái)ModelArts。該軟件平臺(tái)集成了人工智能開(kāi)發(fā)所需的一站式全流程，為深度學(xué)習(xí)提供數(shù)據(jù)預(yù)處理的交互式智能標(biāo)注、大規(guī)模分布式訓(xùn)練、自動(dòng)化模型生成及端-邊-云模型按需部署等功能。因此，對(duì)開(kāi)發(fā)新手與學(xué)生來(lái)說(shuō)較為友好，幫助學(xué)生快速創(chuàng)建環(huán)境、進(jìn)行訓(xùn)練調(diào)試，并在線部署模型測(cè)試。同時(shí)，該平臺(tái)集成了常用的人工智能框架與訓(xùn)練環(huán)境（如TensorFlow2.1），并提供了GPU 計(jì)算資源提升模型訓(xùn)練速度，有效解決了教學(xué)場(chǎng)景里學(xué)生本地計(jì)算資源不足與環(huán)境搭建困難等問(wèn)題。

3 實(shí)驗(yàn)過(guò)程與分析

3.1 數(shù)據(jù)采集與處理

本文設(shè)計(jì)的無(wú)人駕駛小車平臺(tái)搭載了視覺(jué)傳感模塊，采用120°廣角攝像頭在教學(xué)場(chǎng)地中進(jìn)行實(shí)時(shí)采集圖像。采集方式為編寫程序代碼通過(guò)鍵盤對(duì)小車電機(jī)轉(zhuǎn)速與轉(zhuǎn)向程度進(jìn)行控制，程序中定義車輪轉(zhuǎn)向“程度值”（即每張圖片對(duì)應(yīng)的標(biāo)簽）變化區(qū)間為0 ～90，數(shù)值45 表示當(dāng)前車輪為直行狀態(tài)，數(shù)值0 表示車輪轉(zhuǎn)向最左狀態(tài)，數(shù)值90 表示車輪轉(zhuǎn)向最右狀態(tài)，單位變化間隔為5。拍攝每秒幀率為20 fps，采集數(shù)據(jù)時(shí)，每張圖片對(duì)應(yīng)的車輪轉(zhuǎn)向“程度值”將存儲(chǔ)于該圖片的命名中，以方便后續(xù)標(biāo)簽提取工作。繞圈數(shù)據(jù)采集過(guò)程中保持小車位于車道中勻速行駛，小車壓線與駛出賽道等低質(zhì)量圖像數(shù)據(jù)需要舍棄。圖3 為采集的一組數(shù)據(jù)與其對(duì)應(yīng)的轉(zhuǎn)向“程度值”。

圖3 一組采集數(shù)據(jù)與對(duì)應(yīng)的轉(zhuǎn)向“程度值”示例

（1）擴(kuò)充數(shù)據(jù)量。由于在實(shí)驗(yàn)場(chǎng)地中直線跑道比彎道更多，因此所采集的數(shù)據(jù)中標(biāo)簽為45 的圖片數(shù)據(jù)量較大，而其他標(biāo)簽值的數(shù)量較少，整體分布較不平衡。為了讓各角度場(chǎng)景的數(shù)據(jù)都得到充分訓(xùn)練，需要對(duì)數(shù)據(jù)量不足的圖片進(jìn)行補(bǔ)充采集與擴(kuò)充，數(shù)據(jù)擴(kuò)充前后數(shù)據(jù)量對(duì)比如圖4 所示。

圖4 數(shù)據(jù)擴(kuò)充前后數(shù)據(jù)量對(duì)比

（2）數(shù)據(jù)增強(qiáng)。為擴(kuò)展數(shù)據(jù)分布的多樣性，以提升模型的泛化能力，本文實(shí)驗(yàn)中，在開(kāi)啟訓(xùn)練時(shí)定義了數(shù)據(jù)增強(qiáng)器，對(duì)每張訓(xùn)練樣本采取隨機(jī)數(shù)據(jù)增強(qiáng)，處理方式包括：剪裁、縮放、鏡像翻轉(zhuǎn)、光線調(diào)整與高斯模糊等。數(shù)據(jù)增強(qiáng)前后的效果對(duì)比如圖5 所示，圖中左列為數(shù)據(jù)增強(qiáng)前的原圖，右列為隨機(jī)數(shù)據(jù)增強(qiáng)后的處理效果。

（3）圖像剪裁。由于拍攝圖片上方背景較雜亂，且模型對(duì)圖像的關(guān)注點(diǎn)在于車道線部分，因此本案例中也對(duì)原尺寸為720 ×1280的圖片進(jìn)行剪裁，剪裁后圖像大小為圖5 中所示的400 ×1280，這樣在后續(xù)訓(xùn)練中，讓模型可以更好地關(guān)注下半部分車道線的變化。

圖5 數(shù)據(jù)增強(qiáng)前后效果對(duì)比

3.2 模型訓(xùn)練

為方便教學(xué)、簡(jiǎn)化環(huán)境搭建的復(fù)雜流程，本實(shí)驗(yàn)將基于華為云ModelArts開(kāi)發(fā)平臺(tái)進(jìn)行資源配置與模型訓(xùn)練。

（1）開(kāi)發(fā)環(huán)境。如圖6 所示，在ModelArts控制臺(tái)中創(chuàng)建本實(shí)驗(yàn)所需的Jupyter Notebook開(kāi)發(fā)環(huán)境：訓(xùn)練環(huán)境選擇TensorFlow2.1-CUDA10.1-cudnn10-Ubuntu 18.04 的公共鏡像；計(jì)算資源選擇NVIDIA V100 GPU單卡規(guī)格（32GB 顯存）；同時(shí)具有8 核64GB 的CPU算力。云上訓(xùn)練大大緩解了學(xué)生本地計(jì)算資源不足的問(wèn)題，也提升了學(xué)生模型開(kāi)發(fā)的效率。

圖6 華為云實(shí)驗(yàn)環(huán)境創(chuàng)建

（2）端到端算法。本實(shí)驗(yàn)?zāi)Ｐ突谇拔乃龅亩说蕉怂惴?，使用TensorFlow2.1 框架進(jìn)行搭建。將開(kāi)發(fā)代碼與初步處理的數(shù)據(jù)集上傳至華為云，在實(shí)驗(yàn)過(guò)程中，模型輸入尺寸為66 ×200，因此需要對(duì)原數(shù)據(jù)集尺寸進(jìn)行縮放與剪裁；模型輸出尺寸為1 ×1，為圖片對(duì)應(yīng)的轉(zhuǎn)向“程度值”，該值域?yàn)? ～90，為方便訓(xùn)練，將該值域歸一化至0 ～1。

（3）模型訓(xùn)練。本文的模型訓(xùn)練采用小批量（Mini-batch）形式進(jìn)行，設(shè)置批處理大小為256，并對(duì)每批抽取的圖片數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)。劃分訓(xùn)練集與驗(yàn)證集比例為0.8 ∶0.2，全連接層中隨機(jī)丟棄神經(jīng)元Dropout比例設(shè)置為0.5，初始化學(xué)習(xí)率為0.000 1，使用NVDIA V100 進(jìn)行CUDA 加速訓(xùn)練。①訓(xùn)練過(guò)程中，首先訓(xùn)練50 個(gè)Epoch 的訓(xùn)練集損失（Train＿loss）和驗(yàn)證集損失（Val＿loss）變化趨勢(shì)如圖7 所示。圖7（a）中，由于隨機(jī)初始化的緣故，在最初的10 個(gè)Epoch中，訓(xùn)練集損失較高，數(shù)值跨度較大。②為了更好展示后續(xù)訓(xùn)練的變化，單獨(dú)截取了第10 ～50 個(gè)Epoch的訓(xùn)練效果，由圖7（b）可知，第50 個(gè)Epoch的損失值在訓(xùn)練集上約為0.017，在驗(yàn)證集上約為0.005，下降速度已明顯放緩，但尚不能判定模型已完全收斂。③隨后，對(duì)模型重新初始化，進(jìn)行200 個(gè)Epoch的訓(xùn)練，將其在第10 個(gè)Epoch之后的訓(xùn)練集損失（Train＿loss）和驗(yàn)證集損失（Val＿loss）變化趨勢(shì)進(jìn)行繪制，如圖8 所示。由圖8 可知，50 個(gè)Epoch的訓(xùn)練次數(shù)尚未達(dá)到該模型的最優(yōu)性能，模型損失值在隨后的訓(xùn)練中保持著明顯的波動(dòng)下降趨勢(shì)。

圖7 不超過(guò)50個(gè)Epoch訓(xùn)練對(duì)應(yīng)的損失變化

圖8 不超過(guò)200個(gè)Epoch訓(xùn)練對(duì)應(yīng)的損失變化

分析模型訓(xùn)練過(guò)程可知，模型在約第160 個(gè)Epoch 開(kāi)始收斂，如圖9（a）所示，第160 ～168 個(gè)Epoch 的模型效果，訓(xùn)練集損失已降至0.009 6 ～0.009 9，驗(yàn)證集損失已降至0.001 6 ～0.001 8；如圖9（b）所示，在第193 ～199 個(gè)Epoch 的模型效果，訓(xùn)練集損失約0.009 3 ～0.009 8，驗(yàn)證集損失約0.001 6-0.001 7，與圖9（a）相比，在這近40 個(gè)Epoch 的訓(xùn)練中，損失值無(wú)法再繼續(xù)明顯降低，并維持在較穩(wěn)定水平，證明模型已經(jīng)收斂，性能無(wú)繼續(xù)提升，因此觸發(fā)了算法中所設(shè)定的早停（Early Stop）策略，在第199 個(gè)Epoch結(jié)束時(shí)停止了訓(xùn)練，并存儲(chǔ)為當(dāng)前最優(yōu)模型。

圖9 160 ～199個(gè)訓(xùn)練Epoch對(duì)應(yīng)的損失變化程序運(yùn)行過(guò)程示意

3.3 部署測(cè)試與分析

模型的準(zhǔn)確率與穩(wěn)定性會(huì)受到小車硬件底盤傳輸?shù)恼`差影響，因此本文模型的性能測(cè)試與分析將部署在自動(dòng)駕駛小車上，通過(guò)實(shí)際的道路行駛狀態(tài)來(lái)進(jìn)行評(píng)估。在實(shí)際路測(cè)之前對(duì)模型進(jìn)行了初步測(cè)試，本文選擇了如圖10 所示隨機(jī)拍攝的幾張不同角度圖片，模型的推理預(yù)測(cè)結(jié)果展示于圖片上方，該數(shù)值為當(dāng)前轉(zhuǎn)向程度值，將其與原標(biāo)簽進(jìn)行對(duì)比發(fā)現(xiàn)，模型預(yù)測(cè)準(zhǔn)確率為91.67%，轉(zhuǎn)向“程度值”誤差在5%以內(nèi)。

圖10 模型預(yù)測(cè)的轉(zhuǎn)向程度從5 ～80的云端在線測(cè)試結(jié)果

在實(shí)際車道保持測(cè)試中，由于速度不同或進(jìn)入跑道的位置不同，小車面對(duì)相同圖片場(chǎng)景的預(yù)測(cè)值可能產(chǎn)生波動(dòng)。因此，在允許偏差范圍內(nèi)，行駛過(guò)程中實(shí)現(xiàn)不壓線、不沖出賽道、保持在車道中穩(wěn)定行駛即視為方案穩(wěn)定、任務(wù)成功。

本文分別將訓(xùn)練了50 個(gè)Epoch 和200 個(gè)Epoch的模型部署于小車，并在高速（小車極限速度的85%）與低速（小車極限速度的60%）模式下各測(cè)試24 次，重點(diǎn)觀測(cè)易出現(xiàn)不穩(wěn)定情況的彎道路段，分別為：U型彎、直道轉(zhuǎn)彎與S型彎，測(cè)試結(jié)果數(shù)據(jù)如表1 所示。

表1 實(shí)驗(yàn)場(chǎng)地測(cè)試結(jié)果數(shù)據(jù) %

本文建立的系統(tǒng)平臺(tái)的實(shí)驗(yàn)結(jié)果表明，在3 類彎道場(chǎng)景中：

（1）模型Epoch-50 不壓線嚴(yán)格居中行駛（高速與低速）的準(zhǔn)確率均值分別為81.94%與91.67%；而模型Epoch-200 不壓線嚴(yán)格居中行駛（高速與低速）的準(zhǔn)確率均值分別為93.05%與97.22%。因此，無(wú)論在高速還是低速模型中，模型Epoch-200 在實(shí)測(cè)準(zhǔn)確度與穩(wěn)定性能上都優(yōu)于模型Epoch-50。

（2）模型Epoch-50 出現(xiàn)極不穩(wěn)定（出賽道）（高速與低速）的概率均值分別為5.56%與1.39%；而模型Epoch-200 無(wú)論在高速還是低速模式中均未出現(xiàn)沖出賽道的情況。因此，無(wú)論是模型Epoch-50 還是模型Epoch-200，小車在大多數(shù)情況下都能順利完成穩(wěn)定的車道線保持，表現(xiàn)出了良好的魯棒性。

（3）模型在直道轉(zhuǎn)彎處的表現(xiàn)最為穩(wěn)定，僅在Epoch-50 高速模式下出現(xiàn)了沖出賽道的情況（實(shí)測(cè)比率為4.17%）；而在Epoch-200 模型中無(wú)論高、低速，在直道轉(zhuǎn)彎處都保持了嚴(yán)格居中穩(wěn)定行駛（實(shí)測(cè)比率為100%）。而在U型彎與S型彎處，對(duì)模型準(zhǔn)確率要求較嚴(yán)格，尤其是U型彎，在Epoch-50 模型中，無(wú)論高速還是低速模式均有沖出賽道現(xiàn)象，實(shí)測(cè)（高速與低速）比率分別為8.33%與4.17%。

該系統(tǒng)實(shí)驗(yàn)設(shè)計(jì)流程完整，總體展現(xiàn)出了良好的魯棒性，案例中模型表現(xiàn)的不足之處可作為教學(xué)考核任務(wù)供學(xué)生后續(xù)優(yōu)化提升。

4 結(jié) 語(yǔ)

本文設(shè)計(jì)并搭建適用于教學(xué)實(shí)驗(yàn)場(chǎng)景的車道保持系統(tǒng)實(shí)驗(yàn)，通過(guò)神經(jīng)網(wǎng)絡(luò)端到端模型的深度學(xué)習(xí)，經(jīng)輕量級(jí)無(wú)人駕駛小車硬件平臺(tái)與華為云人工智能軟件計(jì)算平臺(tái)的訓(xùn)練與實(shí)驗(yàn)，結(jié)果表明：①無(wú)論在高速還是低速模型中，模型Epoch-200 在實(shí)測(cè)準(zhǔn)確度與穩(wěn)定性能上都優(yōu)于模型Epoch-50；②無(wú)論是模型Epoch-50 還是模型Epoch-200，小車在大多數(shù)情況下都能順利完成穩(wěn)定的車道線保持，表現(xiàn)出了良好的魯棒性；③模型在直道轉(zhuǎn)彎處的表現(xiàn)最為穩(wěn)定該設(shè)計(jì)不僅具有較高準(zhǔn)確率與穩(wěn)定性，而且實(shí)驗(yàn)流程結(jié)構(gòu)清晰、實(shí)驗(yàn)環(huán)境易于搭建。

同時(shí)，在“新工科”建設(shè)內(nèi)涵的指導(dǎo)下，解決了現(xiàn)有無(wú)人駕駛課程實(shí)踐案例不足，缺乏軟硬件相結(jié)合、穩(wěn)定性強(qiáng)且易于開(kāi)發(fā)的車道線檢測(cè)系統(tǒng)實(shí)驗(yàn)等問(wèn)題，同時(shí)也彌補(bǔ)了學(xué)生計(jì)算資源不足的現(xiàn)狀。也豐富了無(wú)人駕駛課程的實(shí)踐案例，幫助學(xué)生鞏固了理論知識(shí)原理，有效提升了工程能力與綜合技能。隨著技術(shù)的發(fā)展模型需要不斷更新與優(yōu)化，而小車硬件的傳輸速率在未來(lái)也仍有提升的空間。