林甄 李睿偉 謝金冶 田碩

(三亞學院,海南省·三亞市,572022) (三亞小象科技有限公司)

目前,無人駕駛技術(shù)仍以智能電動汽車領(lǐng)域的研究為主要方向,其研究過程屬于大型復(fù)雜系統(tǒng)的開發(fā),包含智能汽車構(gòu)造、車規(guī)級傳感器等元素。這種大型車規(guī)系統(tǒng)開發(fā),工程龐大,系統(tǒng)要求極高的穩(wěn)定性與安全性,受限于復(fù)雜的開發(fā)工程量與冗雜流程[1-3]。因此,部分廠商開始將方向轉(zhuǎn)為自動駕駛領(lǐng)域在要求較低的自動駕駛機器人開發(fā)中。例如,美團與京東公司的無人配送車、亞馬遜的送貨無人機方案、工業(yè)4.0時代的智能自動導(dǎo)向車、搬運機器人等[4-6],不同于載人汽車工業(yè)產(chǎn)品的開發(fā),此類機器人的應(yīng)用場合要求較低,對各類指標需求也沒有載人汽車嚴格,更易產(chǎn)出與落地。近年來,以菜鳥網(wǎng)絡(luò)、京東等大企業(yè)為代表的,主要運營依靠物流體系的企業(yè),花費巨大成本去研究無人配送技術(shù);如菜鳥所擁有的物流實驗室,研發(fā)產(chǎn)品有倉庫分揀搬運機器人、無人物流配送機器人、送貨無人機等多個產(chǎn)品。

由于林場巡檢機器人,造價成本不易過高,為此,本研究根據(jù)林場巡檢實際使用布局,以傳統(tǒng)移動機器人為基礎(chǔ),結(jié)合人工智能技術(shù)、傳感器技術(shù),設(shè)計技術(shù)方案——采用無刷直流電機(BLDC)構(gòu)建1套3電系統(tǒng),作為自動駕駛技術(shù)的研究平臺;使用“感知-決策-控制”方式作為自動駕駛平臺架構(gòu),應(yīng)用單目相機作為視覺傳感器;自建道路行駛圖像與指示標志目標檢測數(shù)據(jù)集。依據(jù)林場巡檢的實際需要及設(shè)計的技術(shù)路線,設(shè)計了一款以神經(jīng)網(wǎng)絡(luò)技術(shù)為基礎(chǔ),使用單目相機作為傳感器的自動視覺引導(dǎo)駕駛的林場巡檢機器人;旨在為為提高林場巡檢效率提供參考。

1 研究方法

1.1 林場巡檢機器人的整體設(shè)計

本研究以傳統(tǒng)移動機器人為基礎(chǔ),結(jié)合人工智能技術(shù)、傳感器技術(shù)等,設(shè)計一款使用神經(jīng)網(wǎng)絡(luò)技術(shù)具備視覺感知能力的可自主運行的輪式林場巡檢機器人(見圖1)。

圖1 輪式林場巡檢機器人的設(shè)計技術(shù)路線

1.2 機器人的硬件設(shè)計

1.2.1 系統(tǒng)功能設(shè)計

根據(jù)移動機器人的使用環(huán)境場合確定設(shè)計需求,需實現(xiàn)特定環(huán)境可重復(fù)運行,針對固定場所內(nèi)固定路線的自主行駛。

依據(jù)機器人整體控制原理(見圖2),整體控制流程分為兩部分,分別為決策層與執(zhí)行層。決策層硬件,主要為決策運算計算機,通過部署神經(jīng)網(wǎng)絡(luò)以及相應(yīng)的算法程序,實現(xiàn)對機器行為決策功能;同時,該決策運算計算機負責將運算結(jié)果作為機器的上位控制信號產(chǎn)生并發(fā)出給執(zhí)行層。而執(zhí)行層使用了無刷直流電機驅(qū)動模塊,負責驅(qū)動電機執(zhí)行上層命令。計算機使用集成電路總線與控制信號轉(zhuǎn)換模塊進行通信,由控制信號轉(zhuǎn)換模塊生成脈沖調(diào)寬模擬信號,與無刷直流電機驅(qū)動模塊通信。

圖2 機器整體控制框圖

1.2.2 總體機器動力組件設(shè)計

本研究設(shè)計在移動機構(gòu)上使用輪式驅(qū)動方案作為可移動機器人的執(zhí)行機構(gòu),具體使用無刷直流電動機作為動力驅(qū)動執(zhí)行部件;通過電芯選型、組合焊接、外殼封裝等過程,自行設(shè)計并組裝構(gòu)建了機器的供電系統(tǒng)。

供電系統(tǒng)使用鋰聚合物電池(Lipo)作為能量來源,電芯額定電壓為3.7 V,電壓范圍為3.6～4.2 V;鋰聚合物軟包電芯,具有能量密度高、輕量化、放電能力強等特點。電池組設(shè)計標準電壓為36 V,放電倍率為15倍,電芯組合排列方式為單排排列(見圖3),10串2并結(jié)構(gòu)(10S2P)。

圖3 電池組電芯組合排列方式

由于多個鋰電芯在一致性方面無法做到完全一致,其容量、內(nèi)阻等指標均具有細微的差距。因此,在組裝鋰電池組時,不僅在單片電芯的挑選方面要求一致性高,且需要引入一種電池智能保護電路,為電池組的安全使用提供保障。本研究設(shè)計電池組安裝了1塊鋰電池保護板,可穩(wěn)定提供過充、過放、短路等保護,出現(xiàn)問題及時斷電。

在動力輸出單元配置上,在機器中后部左右側(cè)各安裝1個無刷直流電動機(BLDC),電動機定子作為安裝軸心與車架連接固定,轉(zhuǎn)子部分與輪胎融合裝配(見圖4),驅(qū)動過程無減速器裝置,即電動機直驅(qū)。機器前部設(shè)置了2個無動力萬向輪,作為平衡支撐點。整機具體技術(shù)參數(shù):

圖4 動力執(zhí)行單元組件裝配示意圖

動力組件性能技術(shù)參數(shù)——最大扭矩為35 Nm×2、電動機額定功率為350 W×2、最高速度約為10 km/h;

能源系統(tǒng)技術(shù)參數(shù)——電芯類別為鋰聚合物(20片)、排列結(jié)構(gòu)為10串2并、額定輸出電壓(直流)約為36 V、持續(xù)放電能力大于15 A、智能鋰電池保護板功能為欠壓、短路、過熱保護。

1.2.3 機械結(jié)構(gòu)與運動特性設(shè)計

機器在中后部兩側(cè)設(shè)計2個相同結(jié)構(gòu)的執(zhí)行驅(qū)動輪,使用內(nèi)輪轂式電動機作為驅(qū)動輪轉(zhuǎn)動的動力,為機器提供動力來源;使用電動機直驅(qū)的控制方式,這種方式具有結(jié)構(gòu)簡單可靠、控制策略簡單的特點。機器框架前部下方裝配2個隨動萬向支撐輪,在結(jié)構(gòu)上僅起支撐隨動功能(見圖5)。

圖5 驅(qū)動輪示意圖

根據(jù)設(shè)計需求,機器主體機械框架采用高分子聚合物材料、聚乳酸、鋁合金型材等材質(zhì)綜合制作;在確保機器剛性的前提下,得益于聚合物材料的特性,使框架兼具了一定的韌性;高分子聚合物與鋁合金的使用,使結(jié)構(gòu)簡單輕巧。機器結(jié)構(gòu)外觀約為(長×寬×高)60 mm×50 mm×50 mm,主要組件見圖6。

圖6 框架各組件示意圖

運動特性方面得益于2個獨立運行的電機,使得機器運動具有靈活轉(zhuǎn)向的特性。機器采用兩輪差速驅(qū)動方式,通過改變兩側(cè)電機轉(zhuǎn)速及其轉(zhuǎn)矩控制行駛方向。這種驅(qū)動方式,結(jié)構(gòu)簡單、靈活方便、轉(zhuǎn)向半徑較小,可實現(xiàn)比傳統(tǒng)偏轉(zhuǎn)車輪轉(zhuǎn)向方式更小的轉(zhuǎn)向半徑;并可實現(xiàn)原地轉(zhuǎn)向[7-8]。

由圖7可見,前輪偏轉(zhuǎn)轉(zhuǎn)向方式的轉(zhuǎn)向半徑為R。根據(jù)轉(zhuǎn)向形式為前輪偏轉(zhuǎn)的車輛轉(zhuǎn)彎半徑公式:R=L·cotα+K/2、R=L·cotβ-K/2;式中的L為前后車軸的軸距、K為左右轉(zhuǎn)向節(jié)立軸距、α為內(nèi)導(dǎo)向輪轉(zhuǎn)向偏轉(zhuǎn)角、β為外導(dǎo)向輪轉(zhuǎn)向偏轉(zhuǎn)角。

圖7 前輪偏轉(zhuǎn)轉(zhuǎn)向方式半徑

由圖8可見,差速轉(zhuǎn)向方式的轉(zhuǎn)向半徑為R。根據(jù)轉(zhuǎn)向形式為差速轉(zhuǎn)向的車輛轉(zhuǎn)彎半徑公式:R=B(v2+v1)/2(v2-v1);式中v1為內(nèi)側(cè)輪速、v2為外側(cè)輪速、B為左右輪距。

圖8 差速轉(zhuǎn)向方式半徑

代入本研究機器底盤參數(shù)計算可得,轉(zhuǎn)向方式采用差速轉(zhuǎn)向的轉(zhuǎn)向半徑,小于采用前輪偏轉(zhuǎn)方式的轉(zhuǎn)向半徑;更有利于機器在狹小復(fù)雜的環(huán)境中的運行,提高了靈活度。

1.2.4 結(jié)構(gòu)設(shè)計、仿真及運動學分析方法

輪式機器人外觀模型見圖9,后驅(qū)動輪電機與輪胎融合設(shè)計,使用兩側(cè)車輪獨立的驅(qū)動方式。模型場景渲染圖見圖10。

圖9 外觀模型四視圖

圖10 輪式機器人外觀模型場景渲染圖

因機器主體框架除底部驅(qū)動輪安裝架使用金屬材質(zhì),其上部主要使用聚丙烯作為箱體結(jié)構(gòu),在后續(xù)使用中存在受力形變問題,所以引入零應(yīng)力分析仿真。使用達索軟件對機器人主體框架進行仿真分析(見圖11),在箱體頂部施加壓力后在其側(cè)壁上緣率先出現(xiàn)較明顯形變。因此在箱體結(jié)構(gòu)設(shè)計時,為提高強度,在箱體側(cè)壁安裝剛性材料,用作支撐同時在箱體頂部添加橫向支撐材料,減少箱體形變的程度,同時保證機器框架的強度。

圖11 機器人主體框架靜應(yīng)力分析仿真結(jié)果

本研究可移動機器人設(shè)計選用輪式驅(qū)動方案,其結(jié)構(gòu)為2個驅(qū)動輪與2個無動力支撐輪的2+2結(jié)構(gòu)。這種結(jié)構(gòu)主要特點為:采用驅(qū)動輪作為主動輪為機器提供動力,配合無驅(qū)動能力的萬向支撐輪作為運動結(jié)構(gòu)。由驅(qū)動輪的轉(zhuǎn)速差改變運動方向,支撐輪僅起支撐作用。

圖12 機器運動學模型

1.2.5 主要器件選型

本研究設(shè)計采用的上位決策控制計算機,使用Nvidia公司的微型計算機jetson nano,計算機子型號a02與b01兩種;本研究因神經(jīng)網(wǎng)絡(luò)部署在板卡中,需要較大內(nèi)存做數(shù)據(jù)處理,故選擇使用b01型號(4 GB內(nèi)存)作為硬件平臺。Jetson nano搭載嵌入式處理器,64位arm架構(gòu);計算機運行由NVIDIA公司依據(jù)Ubuntu開發(fā)的操作系統(tǒng);系統(tǒng)底層集成了針對nano核心板的各類硬件驅(qū)動。整體由核心板與載板組成,核心板搭載1顆128核Maxwell架構(gòu)的GPU,CPU采用ARM-A57架構(gòu)4核處理器,主頻為1.43 GHz,核心板載板具有GPIO、IIC、SPI、UART等拓展接口。

在感知系統(tǒng)中的相機傳感器是視覺感知能力的重要傳感器,視覺傳感器選型的好壞決定了圖像視覺感知的采集頻率、視場角、分辨率、數(shù)據(jù)格式等重要參數(shù)。本研究計算機運行Linux操作系統(tǒng),系統(tǒng)底層驅(qū)動支持(UVC)免驅(qū)協(xié)議,同時nano模組的載板提供USB接口,因此無需驅(qū)動的USB相機是非常好的選擇。

另外,機器人在運行過程中需盡可能感知較大的視野,視場角大小與視野范圍成正比(見圖13),而更大的視野可以帶來更多的信息,視野范圍與感知能力成正比,所以決定視野范圍的鏡頭視場角參數(shù)大小很重要;大的視場角會帶來更大的視野范圍,同時也會對圖像邊角區(qū)域帶來畸變,在保證視野范圍的同時圖像的畸變需盡可能的小。因此,需要選擇一款廣角、支持USB免驅(qū)協(xié)議的單目攝像頭。綜上,本研究選定型號HSK-200W的單目相機(見表1)。

表1 HSK-200W單目相機主要技術(shù)參數(shù)

圖13 不同鏡頭的視場角范圍

1.3 機器人的軟件設(shè)計

1.3.1 整體控制邏輯流程設(shè)計

根據(jù)實現(xiàn)過程分類,自動駕駛在技術(shù)方案中可分為兩大類。其中之一是模塊化方案,此類方案依據(jù)子模塊設(shè)計,在傳感器input到執(zhí)行器output的中間過程內(nèi)搭建了多個獨立子模塊,例如感知模塊、控制模塊、規(guī)劃決策模塊等。此類方案設(shè)計的特點及優(yōu)勢,主要為其具備可解釋性,在中間過程內(nèi)搭建了具有可解釋性的反饋。因此,若在運行中發(fā)生故障或報錯行為異常的情況,可以識別出發(fā)生異常故障的子模塊。另一類是依據(jù)“端到端”的方案,此類方案是由感知輸入到執(zhí)行輸出行為直接映射的方案,即由傳感器輸入經(jīng)處理直接反饋對應(yīng)的行為輸出;此類方案一般依據(jù)深度神經(jīng)網(wǎng)絡(luò)(DNN)技術(shù)開發(fā)實現(xiàn),與傳統(tǒng)模塊化方案相比,得益于神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的卓越技術(shù)優(yōu)勢,其具有結(jié)構(gòu)簡單、無需特征設(shè)計及標定、傳感器校準等優(yōu)勢;故本研究選用此方案進行自動駕駛方案的設(shè)計。

1.3.2 決策層軟件程序設(shè)計

本研究機器決策層自主控制程序原理(見圖14)分為兩部分:一部分為神經(jīng)網(wǎng)絡(luò)訓練程序流程,首先進行圖像采集,收集較大樣本元素組合為數(shù)據(jù)集;在計算機上部署神經(jīng)網(wǎng)絡(luò)框架,將數(shù)據(jù)集導(dǎo)入框架進行不斷迭代學習,進行關(guān)鍵特征的分析學習,將迭代結(jié)果提取成關(guān)鍵特征并打包為模型導(dǎo)出。另一部分為實時控制程序流程,設(shè)備外設(shè)相機采集環(huán)境圖像,將圖像代入圖像處理程序進行圖像預(yù)處理,得到可用于神經(jīng)網(wǎng)絡(luò)的圖像,并作為神經(jīng)網(wǎng)絡(luò)的輸入層;而后將處理后的圖像與模型進行關(guān)鍵特征對比,得出相似率最大結(jié)果,并輸出至執(zhí)行層。

圖14 計算機決策流程圖

本研究運算核心板中機器學習算法依據(jù)卷積神經(jīng)網(wǎng)絡(luò),包含卷積層和全連接層,前者部署5層后者部署2層;外設(shè)攝像頭實時采集圖像處理后,作為神經(jīng)網(wǎng)絡(luò)的輸入,輸出結(jié)果為浮點數(shù)組,包括經(jīng)過網(wǎng)絡(luò)得出的轉(zhuǎn)向角和速度預(yù)測值。

將采集的圖像組成數(shù)據(jù)集,并在神經(jīng)網(wǎng)絡(luò)中進行訓練,在經(jīng)過多次迭代后訓練完成輸出模型結(jié)果。在自主運行的過程中,通過攝像頭采集的圖像經(jīng)過預(yù)處理后輸入卷積神經(jīng)網(wǎng)絡(luò)進行模型比對,浮點數(shù)結(jié)果作成轉(zhuǎn)向角和速度預(yù)測值,機器自主運行過程中不斷采集當前道路環(huán)境圖像,神經(jīng)網(wǎng)絡(luò)預(yù)測轉(zhuǎn)向角度,循環(huán)往復(fù),實現(xiàn)端到端自主決策運行功能。

1.3.3 電機驅(qū)動控制模塊控制程序流程設(shè)計

圖15為電機驅(qū)動控制模塊控制程序流程。機器開機上電,進行故障檢測判斷,根據(jù)外設(shè)電路反饋值是否為設(shè)定范圍,判定電機狀態(tài)以及有無信號輸入;若電機連接出現(xiàn)故障或無信號輸入,轉(zhuǎn)入停止保護模式,等待故障排除。若信號輸入正常且電機連接正常,進入脈沖調(diào)寬模擬信號占空比分析函數(shù),通過AD轉(zhuǎn)換與定時器將信號讀入單片機中,若油門通道(ch2)、轉(zhuǎn)向通道(ch1)均為中位值,則控制電機剎車;轉(zhuǎn)向通道與油門通道,決定機器的運行速度與方向。

圖15 驅(qū)動控制模塊控制流程圖

1.3.4 神經(jīng)網(wǎng)絡(luò)框架設(shè)計

本文使用TensorFlow作為機器學習神經(jīng)網(wǎng)絡(luò)框架,該框架由google公司團隊開發(fā)維護,為DNN深度神經(jīng)網(wǎng)絡(luò)打造,可以利用TensorFlow將深度神經(jīng)網(wǎng)絡(luò)部署在不同核心的處理器中。安裝時應(yīng)注意版本對應(yīng)關(guān)系,因為要與其他庫配合使用,不匹配的版本會出現(xiàn)兼容問題。如表2為英偉達官方給出的版本產(chǎn)品對照表,根據(jù)表格選擇2.3.1版本框架進行安裝。

表2 TensorFlow版本對照

在python環(huán)境下,通過import tensorflow引入tensorflow庫;輸入print(tf._version_)命令檢查版本號輸出,成功初始化tensorflow功能框架(見圖16),并顯示版本號為2.3.1,即成功部署2.3.1版本tensorflow框架并測試通過。

圖16 python環(huán)境測試TensorFlow

1.3.5 相機驅(qū)動設(shè)計

從自動駕駛實現(xiàn)過程中的端到端控制方案,確定感知輸入傳感器設(shè)備為單目相機,系統(tǒng)底層驅(qū)動由pygame庫支持,在環(huán)境中使用pip工具安裝pygame。在決策程序中需創(chuàng)建相機初始化子函數(shù),用于初始化相機,設(shè)計為固定格式圖像輸入,具體需求為160×120分辨率圖像輸入。在輸入函數(shù)內(nèi)初始化定義中將圖像屬性確定。部分程序見圖17,函數(shù)輸入量為圖像寬度、圖像高度等屬性,導(dǎo)入pygame庫并初始化,等待主程序調(diào)用。

圖17 camera子函數(shù)部分代碼截圖

2 結(jié)果與分析

2.1 機器人的機器學習過程

由本研究確定的設(shè)計方案,機器學習方式使用神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)。而神經(jīng)網(wǎng)絡(luò)進行訓練迭代的過程,是通過神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)集樣本映射關(guān)系層層優(yōu)化的過程,對于訓練得出的特征模型效果使用損失函數(shù)對擬合誤差進行量化表示。本研究共設(shè)置4類道路作為測試場地,分別為自行構(gòu)建的具有顯著標志線簡易環(huán)形道路與無標志線社區(qū)環(huán)境道路、林場環(huán)境道路(見圖18)、公路。初期在自建環(huán)境示教并采集數(shù)據(jù)集,用于測試機器基礎(chǔ)功能是否可以正常實現(xiàn),嘗試實驗從大量數(shù)據(jù)中學習提取到的行為特征方案的可行性。

圖18 林場環(huán)境道路

(1)數(shù)據(jù)集制作。首先部署好機器硬件部分,連接電源上電啟動計算機平臺。等待初始化相機傳感器,初始化集成電路總線設(shè)備等。設(shè)置相機采集圖像屬性,測試各系統(tǒng)工作是否正常,測試手動控制與緊急制動是否正常。進入控制臺界面(見圖19),查看相機傳感器圖像是否正常,調(diào)節(jié)前進速率值、控制模式,隨后進入采集圖像步驟,開始制作數(shù)據(jù)集。人工操縱機器在環(huán)境中行駛示教,并實時采集圖像、前進量、轉(zhuǎn)向量3個屬性,記錄并保存在數(shù)據(jù)文件夾中。在自建環(huán)境道路中共收集14 162份樣本,將其整理并打包作為數(shù)據(jù)集初始數(shù)據(jù)(見圖20)。

圖19 移動機器人操控平臺界面

圖20 自建環(huán)境道路數(shù)據(jù)集

(2)數(shù)據(jù)集清洗。1組數(shù)據(jù)集樣本中,存在類別不同的樣本,不同類別的樣本在數(shù)量上具有較大差距的現(xiàn)象,稱為樣本類分布不均衡現(xiàn)象。而這種現(xiàn)象在后續(xù)訓練過程中,會導(dǎo)致神經(jīng)網(wǎng)絡(luò)在學習過程中,重點學習樣本數(shù)量較大的樣本特征,而對于樣本數(shù)量較少的特征將難以學習。數(shù)據(jù)集樣本中還會存在錯誤樣本,這會導(dǎo)致神經(jīng)網(wǎng)絡(luò)在學習過程中與正常樣本相矛盾,所以保證樣本的正確性在數(shù)據(jù)集制作中非常重要。由于類似現(xiàn)象均會給模型準確率帶來較大影響,因此需要對數(shù)據(jù)集中不良數(shù)據(jù)進行清洗,人工將錯誤樣本在數(shù)據(jù)集中剔除,同時在數(shù)據(jù)收集過程中注重樣本類別的均衡性,保證數(shù)據(jù)集樣本的均衡性與正確性。

(3)應(yīng)用損失函數(shù)對訓練過程的優(yōu)化。損失函數(shù)的作用是使用函數(shù)衡量當前訓練迭代結(jié)果的好壞程度。損失函數(shù)值越大,模型效果越差;即損失值越大,其預(yù)測值與真實值差距越大,模型效果越差。正常的訓練過程是不斷迭代以優(yōu)化模型,而正常的迭代過程中損失函數(shù)應(yīng)逐漸降低,最終趨于穩(wěn)定時得到最終結(jié)果。神經(jīng)網(wǎng)絡(luò)輸出模型結(jié)果的準確度或訓練效果的好壞,常根據(jù)損失值的大小判斷,而最終模型的損失值直接影響著模型的準確度,所以為了得到一個盡可能準確的模型,需要不斷的對訓練過程進行優(yōu)化。

(4)數(shù)據(jù)集訓練過程。在數(shù)據(jù)集準備就緒后,便可以進行行為特征的學習。首先將數(shù)據(jù)集放入文件夾,將數(shù)據(jù)集路徑引入神經(jīng)網(wǎng)絡(luò),訓練時數(shù)據(jù)集作為神經(jīng)網(wǎng)絡(luò)的輸入量開始訓練。

TensorFlow框架首先加載組件文件與依賴項(見圖21),初始化硬件,根據(jù)路徑尋找數(shù)據(jù)集輸入。在這里使用的訓練硬件為NVIDIA Geforce GTX1050ti顯卡,4GB顯存。輸入量為數(shù)據(jù)集中圖片(160×120),網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(見圖22)包含5個卷積層、2個輸出前的密集層;輸出為2個具有1個標量輸出的密集層,每個都可用于轉(zhuǎn)向和油門控制,以模型文件的形式保存在指定路徑。模型迭代過程(見圖23),其中迭代項為迭代的次數(shù),共計27次。1次迭代可以理解為:向網(wǎng)絡(luò)中送入所有數(shù)據(jù),完成了1次訓練計算與反向驗證的過程。其中損失函數(shù)值在不斷迭代的過程中處于變小的狀態(tài)。

圖21 使用TensorFlow訓練初始化(GPU型號使用紅框圈出)

圖22 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)分布

圖23 訓練迭代過程

(5)訓練結(jié)果。將迭代過程的信息統(tǒng)計,整理成模型損失曲線,隨著迭代數(shù)量的增加、訓練迭代的進行,損失曲線從最初的不擬合狀態(tài),開始逐漸進入優(yōu)化擬合狀態(tài),最終進入過擬合狀態(tài)并停止訓練。

2.2 機器人的實際道路測試結(jié)果

初始化機器人,對各組件進行檢查測試后,進入終端開啟進程,檢查藍牙連接,切換手動模式測試急停切換功能是否正常。TensorFlow解析框架加載過程見圖24。手動操控機器人進入工作區(qū)域,查看神經(jīng)網(wǎng)絡(luò)初始化,進行模型推理進程,開啟自動駕駛模型運行,檢測運行效果(見表3)。

表3 機器人的實際道路測試結(jié)果數(shù)據(jù)

圖24 在機器jetson平臺解析模型過程(ARM64嵌入式平臺)

在不同特性的不同環(huán)境道路行駛測試中,其中主要包括簡易環(huán)形賽道、社區(qū)內(nèi)部道路環(huán)境、林場環(huán)境、公路環(huán)境。根據(jù)表3數(shù)據(jù)顯示,機器在不同環(huán)境與不同的光照條件下,均實現(xiàn)了自動駕駛功能。數(shù)據(jù)集的數(shù)據(jù)量與行駛效果呈正比關(guān)系。

3 結(jié)論

根據(jù)實際道路測試結(jié)果,驗證了機器驅(qū)動執(zhí)行機構(gòu)方案與轉(zhuǎn)向結(jié)構(gòu)方案;為移動機器人平臺設(shè)計構(gòu)建的無刷直流電動機、電控系統(tǒng)、電池模組均工作正常,完成了機器平臺的構(gòu)建,林場巡檢可以使用自動駕駛可移動機器人進行。依據(jù)“感知-決策-控制”的端到端方案在實際環(huán)境中的測試效果可初步證明,使用簡單傳感器配合神經(jīng)網(wǎng)絡(luò)的視覺方案用于移動機器人自動駕駛中是可行的。

傳統(tǒng)的移動機器人需要遙控或引導(dǎo)線巡線運行方式,本研究設(shè)計的機器人實現(xiàn)了自主運行的功能,具有較高的靈活度。與當前主流的使用多傳感器融合自動駕駛方案的移動機器人相比,采用單目相機作為傳感器的端到端方案,無需使用繁雜昂貴的傳感器便可實現(xiàn)其部分功能,成本大幅降低,同時自主運行移動機器人更簡易化。

在對視覺引導(dǎo)的移動機器人的設(shè)計過程中,顯露出以下幾個問題,因時間、預(yù)算等各方面的原因,尚未深入剖析和解決。

(1)受限于搭載的計算機性能限制。為保證運行幀數(shù)可以達到實時運行標準,數(shù)據(jù)集圖片分辨率設(shè)置較低(160×120),需要提高圖像的分辨率,將相機采集屬性、數(shù)據(jù)集、神經(jīng)網(wǎng)絡(luò)的分辨率提高,從而實現(xiàn)更好的特征學習效果;提高分辨率會使計算量大幅提高,后續(xù)使用更好性能的計算機提升硬件計算能力,配合對網(wǎng)絡(luò)架構(gòu)算法,進行精簡的辦法,減少計算壓力、提高運行效率,實現(xiàn)更高分辨率的實時運行。

(2)由于數(shù)據(jù)集樣本數(shù)量不足,加上設(shè)備性能原因,無法做到對于多場景海量數(shù)據(jù)的特征學習。

(3)環(huán)境感知能力較差,普通的相機易受環(huán)境光線的干擾;受限于單目相機,對于各項感知數(shù)據(jù)沒有做到具體量化。后續(xù)計劃采用多組深感雙目立體相機,全向部署,作為新的解決方案;在機器學習過程中,引入物體檢測(如指示牌、人物等)、語義分割(可行駛區(qū)域)等,提高環(huán)境感知能力。