神经网络视觉循迹小车

        大四狗下学期想学习机器学习、深度学习等相关知识，于是毕设想做些神经网络相关的东西，因为本科期间参加过大学生智能车竞赛，于是想利用小车，通过神经网络，实现自主学习，完成在规定赛道上的行驶。现在在这里，记录，归纳，整理下过程，同时也留点资料给实验室的学弟学妹们……持续更新……

        在传统的视觉循迹小车中，主要是通过摄像头获取赛道图像，然后对图像进行处理，得到偏差，然后根据偏差控制小车行驶。小车之所以能运行，关键在于，他会根据人为设定好的判定条件，去抉择下一步该怎么做。人为设定的判定条件的好坏，决定的车能跑成什么样。而神经网络，是机器学习的一种方法。通过神经网络实现循迹功能，与传统的方法比较，他更可以被说成是一种自主学习的方法。整个思路大致如下，首先通过摇杆操纵小车运行一段时间，收集训练数据（包括图像，摇杆值），然后通过神经网络训练出一套模型，以后就可以根据这个模型，预测、控制小车行驶。

        本人从最简单的做起，从BP神经网络学起，后面学习其它更快更新的算法，例如近几年特别火的CNN……（文章后面也会写出一些机器学习的笔记心得）

       http://www.tudou.com/programs/view/nr8PE4RkWTY （这个是我用BP神经网络做的效果-0-）

       整体框架:

       1、小车：主控芯片K60，但K60运行速度有限，于是这里只用作小车的控制驱动，不涉及图像处理，神经网络等算法。（关于小车，没什么要求，只要能通过某种方式控制就好，我用的是比赛时候的车模，也懒得重新组装了，就是往上加树莓派，加电源，所以导致太重了……太重了就不好控制了2333333，如果只是简单学习的话强烈建议用些简单的，轻的，好控制的，什么adurino小车啊，调起来不用考虑那么多因素）

       2、树莓派+camera ：可以作为传输中介，将图像传给PC，通过PC进行训练预测等。也可以直接作为运算终端，直接在树莓派上进行训练，预测等。我这里是用作前者，因为用电脑开发比较快，写代码什么的都比较方便0-0：（ps：树莓派我用的是pi3，官方系统是基于debian的linux系统。刚开始用linux肯定各种陌生，然后就各种百度，谷歌的查。现在官方的桌面系统已经很好用了，但终究到底还是得通过命令行控制。摄像头用的是官方的，派上有专门接口，直接调用官方库。用usb的摄像头也行，可以通过opencv调用）

       3、PC电脑：和树莓派通过wifi连接在同一个局域网内，通过socket服务传输数据。同时可以和小车主控板通过蓝牙连接，发送指令控制小车

       4、手柄：通过手柄遥控小车，收集训练数据，同时记录手柄的摇杆值，即学习的标签

       

       整个程序用python语言开发，主要python比较容易上手，而且各种库方便调用。主要用的都是opencv，opencv里有大量成熟的库，BP神经网络就是调用的是opencv的ml类，简直不能再简单了，几句话就能搭建好了一个网络…（往后打算自己写个BP，这样方能更深入学习，至少看起来不是很难写0-0）

作者：刘宇鸣
链接：https://zhuanlan.zhihu.com/p/26307292
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

-------------第二次更新-------------

一开始在各大报道论坛上听到神经网络都是被唬住的，后面认认真真看了点资料，似乎懂了那么一点点……人工神经网络（Artificial Neural Network，即ANN），就是通过模仿神经元的活动，获得一个可以变形为任意形状的任意函数。比如我们人类从小辨别猫狗，一开始我们肯定不知道这是猫还是狗，辨别准确率为0。然后家长告诉你，这只是狗，汪汪汪……这只是猫，喵喵喵……其实你还是啥也不知道。然后有了下一次，家长继续告诉你，这样的是狗，那样的是猫，汪汪汪的狗让你害怕，喵喵喵的猫让你开心。然后你的大脑神经网络慢慢在训练出一个能辨别狗和猫的模型。可能某个阶段你认错了猫，家长们又告诉了你这是狗，这样你对狗的认识又深了。随着你的成长，见着猫狗的次数不断增加，你辨别猫狗的准确率也就越来越高。直到长大，你基本能一眼就辨别出猫和狗了……这是一个监督学习的例子，动物的样貌，声音等等特征就是神经网络的输入，辨别出是猫还是狗就是输出。而你的大脑慢慢会辨别出猫狗，这个就是学习过程，至于你的大脑是如何通过神经网络学习会的，具体是识别了哪些特征，我们不知道，也难以解释。神经网络就好比一个黑箱子，我们只需要确定输入输出，然后搭建网络，训练出一个模型，尽可能让输出对应上输入，让他们满足一定的映射关系。这个关系可能是线性，也有可能是非线性的，但我们都不需要理它。以后我们就用这个模型去预测其他的输入。使用不同的神经网络，比如BP神经网络，CNN，RNN得到的模型是不一样的，效果也不一样，也各适用于不同的问题，不同的场合。

我这里这开始用的就是BP，因为简单，好理解，对于我这种刚入门的人来说。首先对于我这个小项目来说，输入就是摄像头采回来的图像，我的输出直接小车的舵机控制量。基本实现的是end-to-end（端对端）（ps：英伟达去年大约这个时候发布了一个无人驾驶系统DAVE，就是end-to-end，人家这真车实战的，仰望高端玩家 End-to-End Deep Learning for Self-Driving Cars）

……未完待续……