無人駕駛雖然入門門檻很高，但是還是可以通過一些簡化的模型迅速上手。例如比較有名的DonkeyCar，其實就是一個簡單低成本的玩具車，基于樹莓派和Python，利用Keras深度學習框架實現(xiàn)自動駕駛。即使沒有實車，也可以在Donkey Car官網(wǎng)下載模擬器，用程序控制模擬器中的小車。感興趣的同學可以看看社區(qū)和文檔

目前還有一些比賽也在使用donkey car幫助大家低門檻地進入自動駕駛領(lǐng)域。例如中國人工智能學會主辦的2018模擬駕駛比賽,比賽提供了一些獎金，還為進入決賽的選手免費提供donkeycar實車線下比拼。此外，中國人工智能學會還會頒發(fā)證書，所以可以向想要入門自動駕駛，想保研、申請獎學金的同學推薦一下。此外，網(wǎng)上還有不少簡單的攻略，例如下面是一篇來自github的自動駕駛相關(guān)研究，我對這篇文章進行了編譯并在此發(fā)布，希望能幫助更多感興趣的朋友上手自動駕駛。

歡迎大家相互交流，項目地址：https://biendata.com/kernel/detail/427

導入相關(guān)庫

步驟1：獲取駕駛數(shù)據(jù)

數(shù)據(jù)集由 ~7900 個圖像和手動開車時收集的轉(zhuǎn)向角組成。大約三分之二的圖像與線之間的汽車。另外三分之一的車開始偏離航線，并且駛回線路之間。

路徑是

數(shù)據(jù)集由 2 個 pickled 數(shù)組組成。X 是圖像陣列，Y 是相應轉(zhuǎn)向角度的陣列。

結(jié)果：

步驟2：拆分數(shù)據(jù)

在這里，我們將洗牌（shuffle）我們的數(shù)據(jù)，并將數(shù)據(jù)分成三部分。訓練數(shù)據(jù)將用于訓練我們的駕駛模型，使用驗證數(shù)據(jù)避免過度擬合模型，測試數(shù)據(jù)用于測試我們的模型是否學到了什么。

輸出：7892

輸出：7892

步驟3：增強訓練數(shù)據(jù)

為了加倍我們的訓練數(shù)據(jù)并防止轉(zhuǎn)向偏差，我們翻轉(zhuǎn)每個圖像和轉(zhuǎn)向角并將其添加到數(shù)據(jù)集中。還有其他的方法來增加使用翻譯和假陰影駕駛數(shù)據(jù)，但我沒有使用這些自動駕駛儀。

結(jié)果：12626

步驟4：建立駕駛模式

這種駕駛模式將是一個端到端的神經(jīng)網(wǎng)絡，接受圖像陣列作為輸入，并輸出-90（左）和90（右）之間的轉(zhuǎn)向角。 要做到這一點，我們將使用一個完全連接圖層的3層卷積網(wǎng)絡。該模型基于 Otavio 的 Carputer，但不產(chǎn)生油門值輸出，不使用過去的轉(zhuǎn)向值作為模型的輸入，并且使用較少的卷積層。

使用 TensorFlow 后端

輸出：

步驟5：訓練模型

我已經(jīng)學會了很難的方法，即使這一切都是完美的，如果你沒有正確地訓練，你的自動駕駛儀將無法工作。我遇到的最大的問題是過度適應模型，以至于在很少的情況下都不能正常工作。 這里是 2 個 Keras回調(diào)，將節(jié)省您的時間。

警告 -如果僅使用CPU，則需要很長時間（3小時）

我在沒有 CUDA 兼容 GPU 的 Dell XPS 筆記本電腦上運行，因此速度非常慢，并且凍結(jié)。為了加速訓練，您可以使用帶有 GPU 的 EC2 實例。Keras 和 Tensorflow 已經(jīng)加載了幾個實例圖像。

對于這個筆記本，我只會訓練模型 4 個時代（epochs）。

輸出：

步驟6：評估性能

我們可以通過繪制預測值和實際值來檢查我們的模型預測是否合理。第一個圖表顯示我們的測試數(shù)據(jù)中存在一個學習的關(guān)系（在訓練期間模型沒有看到）。

第二張圖，使用包含訓練數(shù)據(jù)的非混洗（unshuffled）數(shù)據(jù)，來顯示預測角度緊跟實際轉(zhuǎn)向角度。

輸出：

下一步

改善模型，這個模型是純粹（navie）的，因為它不使用過去的值來幫助預測未來。我們可以通過將過去的轉(zhuǎn)向角度作為模型的輸入來進行試驗，添加一個遞歸層，或者只是改變卷積層的結(jié)構(gòu)。

添加更多數(shù)據(jù)，隨著我們添加更多駕駛數(shù)據(jù)，此模型將會得到改進。預測油門，輸出目前自動駕駛儀只能轉(zhuǎn)向并保持恒定的速度。一個更復雜的模型將加速在直路上，并在路緣之前放緩。