本文為馬薩諸塞大學(xué)阿默斯特分校實(shí)驗(yàn)室研究助理Neil Nie的自動駕駛高爾夫球車項(xiàng)目，兩個(gè)人花了一年半的時(shí)間，實(shí)現(xiàn)了自動巡航、避障等功能，盡管目前的方案還不夠成熟，但他們一路鉆研自動駕駛的熱情值得學(xué)習(xí)。

Neil Nie 是馬薩諸塞大學(xué)阿默斯特分校Joshua J. Yang實(shí)驗(yàn)室的研究助理，在電子工程和微控制器方面有豐富的經(jīng)驗(yàn)。他在App Store上發(fā)布了數(shù)十款應(yīng)用，曾在一次TEDx講座中，向大眾科普過機(jī)器學(xué)習(xí)算法。

從2017年9月開始，他和他的朋友邁克爾一直在開發(fā)一款自動駕駛高爾夫球車。現(xiàn)在，車輛可以在某些道路上完成自動跟隨，同時(shí)避開障礙物，物體檢測、交通燈檢測、車道檢測、路徑規(guī)劃以及本地化和地圖等內(nèi)容也在逐步實(shí)現(xiàn)。在Neil 的博客上，他們公布了開發(fā)的過程以及處理的模塊/組件列表。智車科技整理了其博客的主要內(nèi)容，以供研究者參考。

一、線控驅(qū)動系統(tǒng)

線控驅(qū)動系統(tǒng)（DBW）是自動駕駛汽車最基礎(chǔ)的部分之一，Neil也碰了很多次壁。擅長硬件的他，首選了通過硬件去控制車輛轉(zhuǎn)向。在方向盤的底部安裝了 TETRIX齒輪，并制作了一個(gè)電機(jī)支架，將電機(jī)安裝在轉(zhuǎn)向柱上，使用高扭矩直流電機(jī)來控制車輛，然而硬件控制并不可靠。

歷時(shí)三個(gè)月的探索，Neil決定換一種思路，他拆開了原來的轉(zhuǎn)向系統(tǒng)，用買來的ServoCity執(zhí)行器換掉了原有的線性執(zhí)行器，然后將其連接到 Arduino（黑客加速器），來控制車輛。

二、具有深度學(xué)習(xí)的自主轉(zhuǎn)向系統(tǒng)

完成了線控改裝后，Neil 將整個(gè)系統(tǒng)整合在高爾夫球車上。改裝組件主要包括：NVIDIA Jetson（車輛的主控制器）、車輛前部的網(wǎng)絡(luò)攝像頭、電腦顯示器、鼠標(biāo)鍵盤、用于轉(zhuǎn)向的直流電機(jī)、帶有電機(jī)控制器模塊的Arduino、用于為轉(zhuǎn)向電機(jī)供電的NiMH電池、外部電源等，不同布線將各個(gè)元件安裝在車上。

車輛改裝完畢后，自然要讓無人車動起來。Neil選擇了有名的NVIDIA 端到端控制，使用深度學(xué)習(xí)預(yù)測轉(zhuǎn)向角度，將單個(gè)前置攝像頭的原始像素直接映射到轉(zhuǎn)向命令。在自主轉(zhuǎn)向系統(tǒng)神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)中，分別參考了Comma.AI、NVIDIA、小型VGG網(wǎng)絡(luò)、以及訓(xùn)練的 ConvNet 網(wǎng)絡(luò)。

三、使用分割和檢測的基本避障系統(tǒng)

自動駕駛汽車最重要的一個(gè)方面是了解周圍的世界。Neil深信使用相機(jī)和計(jì)算機(jī)視覺技術(shù)就可以實(shí)現(xiàn)這一目標(biāo)，而不是使用傳統(tǒng)的雷達(dá)或激光雷達(dá)。

多年來，在FCN（完全卷積網(wǎng)絡(luò)）的初始提議之后，存在許多用于圖像分割的不同網(wǎng)絡(luò)架構(gòu)，如SegNet和DeepLab。盡管它們具有出色的性能，但這些網(wǎng)絡(luò)并不適合所有情況，處理能力非常有限。Neil最終選擇了使用由普渡大學(xué)和波蘭華沙大學(xué)的研究人員提出的實(shí)時(shí)圖像分割網(wǎng)絡(luò)ENet。

ENet的好處是它可以在Jetson上以~10fps的速度運(yùn)行。這是一個(gè)巨大的好處，特別是在自動駕駛車等應(yīng)用中。使用CityScapes數(shù)據(jù)集進(jìn)行培訓(xùn)，拿到在模擬軟件中訓(xùn)練好的模型，邁克爾和Neil 開始測試車輛的自動轉(zhuǎn)向和巡航控制系統(tǒng)。不幸的是，測試基本上沒有成功。在系統(tǒng)和測試條件方面遇到很多問題。這促使他們開始思考系統(tǒng)的魯棒性，特別是語義分割系統(tǒng)。

首先是陰影，卷積神經(jīng)網(wǎng)絡(luò)在處理陰影方面非常糟糕。他們的訓(xùn)練數(shù)據(jù)集沒有很多陰影圖像訓(xùn)練模型，導(dǎo)致圖像分割網(wǎng)絡(luò)感覺是根據(jù)顏色和形狀來執(zhí)行像素分類。

右邊是原始圖像，部分區(qū)域有陰影。左邊是分割結(jié)果。帶圓圈的區(qū)域表明網(wǎng)絡(luò)將陰影既視為道路，也認(rèn)為是障礙。

再一個(gè)是路面積水，在測試期間遇到潮濕路面時(shí)，網(wǎng)絡(luò)表現(xiàn)極差?？赡苁翘柕姆瓷浜偷缆返钠婀稚省?/p>

還有太陽眩光，神經(jīng)網(wǎng)絡(luò)可以通過眩光正確地分割道路。然而，空中的部分往往會被略過，車輛在這條路上行駛時(shí)，誤分類不會影響性能。

陰影的問題是困擾大多數(shù)ConvNets的問題。最直接的解決方案是使數(shù)據(jù)集多樣化，并包含更多帶陰影和反射的圖像。但是，創(chuàng)建該數(shù)據(jù)集非常困難。第二種解決方案是使用更好的網(wǎng)絡(luò)進(jìn)行分段，例如RCNN。更準(zhǔn)確的權(quán)衡是速度和記憶。使用更好的網(wǎng)絡(luò)將意味著需要升級當(dāng)前的車輛計(jì)算機(jī)。

有了語義分割圖像，Jetson簡單地處理來自攝像機(jī)的視覺輸入，并運(yùn)行分段分析，然后利用串行通信從Jetson發(fā)送到Arduino，根據(jù)圖像輸入逐步控制車輛的不同狀態(tài)，實(shí)現(xiàn)自動巡航。

目前，Neil 已完成了第一階段的開發(fā)，第二階段將更專注于使系統(tǒng)更安全，更可靠。逐步實(shí)施本地化系統(tǒng)，寫一個(gè)路徑規(guī)劃器，在地理圍欄環(huán)境中收集更多數(shù)據(jù)，改善計(jì)算機(jī)硬件并改進(jìn)傳感器系統(tǒng)。定位模塊使用GPS（全球定位系統(tǒng)）來找到車輛的精確位置遠(yuǎn)遠(yuǎn)不夠。需要開發(fā)使用激光雷達(dá)和雷達(dá)（傳感器融合和粒子濾波器）的定位。

盡管Neil的方案還比較粗糙，但是他們對無人駕駛的熱情值得肯定，期待他們逐步完善系統(tǒng)，打造更可靠的無人駕駛高爾夫球車。