描述

概括

這個(gè)項(xiàng)目，最簡(jiǎn)單地說(shuō)，是對(duì)通用移動(dòng)機(jī)器人技術(shù)的探索。我已著手在 DeepRacer 上構(gòu)建多種行為，以了解機(jī)器人專家所需的不同技能。在撰寫本文時(shí)，我已經(jīng)構(gòu)建了并行停車和車道跟蹤 ROS 節(jié)點(diǎn)，這些節(jié)點(diǎn)在機(jī)器人上運(yùn)行，具有相當(dāng)強(qiáng)的魯棒性。我希望任何閱讀本文的人都知道如何使用 OpenCV 的廣泛庫(kù)實(shí)現(xiàn)基本的顏色閾值、邊緣檢測(cè)和特征提取。您還將能夠編寫一個(gè)簡(jiǎn)單的基于 python 的 ROS 包，以近乎實(shí)時(shí)的方式實(shí)現(xiàn)該算法。最后，我將 AprilTag 檢測(cè)庫(kù)用于平行停車功能，

背景

AWS DeepRacer 是亞馬遜開發(fā)的一款可愛的機(jī)器，旨在讓沒有技術(shù)背景的人更容易使用強(qiáng)化學(xué)習(xí)。該車輛擁有運(yùn)行 Ubuntu 16.04 的英特爾凌動(dòng)處理器，允許它使用機(jī)器人操作系統(tǒng) (ROS) 和英特爾 OpenVINO 進(jìn)行視覺處理（我對(duì)這個(gè)框架沒有做任何事情）。它配備了一個(gè) 4 兆像素的廣角攝像頭、一個(gè)控制所有 4 個(gè)輪子的直流電機(jī)和一個(gè)轉(zhuǎn)向伺服系統(tǒng)。還有一個(gè)慣性測(cè)量單元 (IMU)，我還沒有接觸到它。有關(guān) DeepRacer 的更多信息，請(qǐng)?jiān)L問https://aws.amazon.com/deepracer/

我有機(jī)會(huì)修補(bǔ)其中一個(gè)版本 1 DeepRacers，我想分享我的經(jīng)驗(yàn)。我一定要盡可能多地解釋我的過(guò)程，或者附上我將從中改編方法的地方的鏈接。

車道跟隨

我在機(jī)器人上實(shí)現(xiàn)車道跟蹤時(shí)使用的算法基礎(chǔ)可以在 David Tian 撰寫的精彩的 6 部分系列文章中找到，該系列文章開頭為：https://towardsdatascience.com/deeppicar-part-1-102e03c83f2c。

該算法背后的基本思想分為兩部分：

1.圖像處理：

來(lái)自 DeepRacer 相機(jī)的校正圖像流首先針對(duì)色調(diào)-飽和度值 (HSV) 顏色空間中的目標(biāo)車道顏色進(jìn)行閾值處理，因?yàn)檫@在寬亮度范圍內(nèi)提供了顯著更高的性能。然后使用 Canny 邊緣檢測(cè)算法計(jì)算找到的區(qū)域的邊緣。隨后使用概率霍夫線變換將計(jì)算出的邊連接成線段。這三種算法都是現(xiàn)成的OpenCV函數(shù)，所以不需要重新造輪子。整個(gè)感興趣區(qū)域縮小到圖像的下半部分，因?yàn)檫@是 DeepRacer 立即關(guān)注的區(qū)域。然后使用剩余計(jì)算出的線段的平均坡度來(lái)計(jì)算第 2 部分中使用的檢測(cè)到的車道線。

下圖顯示了處理圖像的進(jìn)展，最終檢測(cè)到的車道投影到原始圖像上。

?

?

?

?

1 / 6 ? HSV 圖像

?

2. 計(jì)算目標(biāo)航向：

這部分算法是我和 Tian 的工作的卷積。這部分采用第 1 部分中的車道線。如果車道可見，則有兩種可能的情況 - 兩條車道線都可見（理想情況），或者只有一條線可見。

首先，我們解決兩者中較容易的一個(gè)：

• 兩條可見車道線 - 當(dāng)有兩條可見車道線時(shí)，任務(wù)簡(jiǎn)化為計(jì)算兩個(gè)端點(diǎn)之間的中點(diǎn)并將其設(shè)置為目標(biāo)點(diǎn)。然后我在目標(biāo)和圖像底部的中心點(diǎn)（我將其作為相機(jī)的中心）之間插入一條線。這條線與正 y 軸形成的角度給出了傳遞給 DeepRacer 的轉(zhuǎn)向角。
• 一條可見的車道線——只有一條車道線，我在計(jì)算轉(zhuǎn)向角時(shí)遇到了一些困難。我最終決定簡(jiǎn)單地計(jì)算一條與單個(gè)可見線平行的航向線。在反復(fù)測(cè)試中，這種方法產(chǎn)生了不錯(cuò)的結(jié)果，但我不相信它的穩(wěn)健性，我愿意接受更好的建議。

這基本上總結(jié)了 DeepRacer 的基本車道跟隨算法。我希望它有助于為任何流動(dòng)站開發(fā)車道跟隨器提供基礎(chǔ)。

平行停車

在本節(jié)中，我將介紹為平行停放機(jī)器人而開發(fā)的算法。我想首先指出，由于感測(cè)有限，算法相當(dāng)簡(jiǎn)單——單個(gè)攝像頭意味著汽車必須依賴大部分開環(huán)控制。這就是說(shuō)，平行泊車方法分為兩部分——

• DeepRacer 從位置 1 開始，如下圖所示，它估計(jì)標(biāo)簽 1 和 2 之間的距離，并確定它是否真的可以放入停車位
• 如果可以，它就會(huì)驅(qū)動(dòng)到位置 2。這部分過(guò)程是完全開環(huán)的
• 然后它可以從位置 2 估計(jì)它相對(duì)于標(biāo)簽 3 的位置，如果它在指定區(qū)域內(nèi)，它會(huì)繼續(xù)實(shí)際停放自己。同樣，這部分是開環(huán)的，因?yàn)槲覀儫o(wú)法在它停放時(shí)感覺到它靠近任何一個(gè)盒子

?

?

?

?

1 / 3 ?停車設(shè)置

?

編寫此節(jié)點(diǎn)的目的是讓自己獲得一些編寫發(fā)布和訂閱 ROS 節(jié)點(diǎn)的經(jīng)驗(yàn)，該節(jié)點(diǎn)實(shí)現(xiàn)了多種消息類型并包含視覺信息。前面提到的標(biāo)簽是 AprilTags，它是一個(gè)標(biāo)記家族，可以簡(jiǎn)化各種與深度相關(guān)的圖像處理任務(wù)。有關(guān) AprilTag 項(xiàng)目的更多信息，請(qǐng)?jiān)L問https://april.eecs.umich.edu/software/apriltag 。標(biāo)準(zhǔn) AprilTag ROS 節(jié)點(diǎn)發(fā)布相機(jī)相對(duì)于相機(jī)視野內(nèi)任何標(biāo)簽的旋轉(zhuǎn)和平移（姿勢(shì)）。我就是用這個(gè)姿勢(shì)來(lái)確保汽車可以完成過(guò)程的每個(gè)階段。

隨著我花更多時(shí)間在 DeepRacer 上，我會(huì)不斷改進(jìn)算法并增加它們的數(shù)量。我已經(jīng)著眼于實(shí)施對(duì)象檢測(cè)和跟蹤，以消除系統(tǒng)對(duì) AprilTag 系統(tǒng)的依賴。