基于樹莓派的智能小車的設計與開發

韓改寧，蘇靜池，張瑞斌

（咸陽師范學院計算機學院，陜西咸陽 712000）

隨著社會的發展，人們對生活的便利性要求越來越高，如外賣、快遞的配送等。智能小車是當代汽車的模型縮減，技術水平發展良好，融合了各種跨學科的工科知識[1-4]。智能小車基于傳統意義上的車載系統，將一些先進的、智能的、實用的科技運用到小車上，使其具有智能化。可以廣泛應用于配送和無人駕駛等許多方面。

1 系統總體設計

該文系統主要是通過相關設備實現對一些路面環境的實時監控，數據采集設備不斷采集數據，對數據進行分析、預測，決策小車的行駛狀態。系統主要解決的問題包括以下方面：

1）在樹莓派上搭建環境，如Python 環境和一些相關的庫。

2）利用TensroFlow 搭建合適的卷積神經網絡。

3）制作合適的紅綠燈數據集。

4）進行圖像信息采集，并對其進行處理分析及預測。

5）進行前方障礙物檢測。

6）對采集的數據進行分析，決策小車行駛狀態，如左轉、右轉、前進、后退。

系統的目標是通過攝像頭采集圖像，使用OpenCV 對圖像進行處理，實現循跡功能，通過訓練深度學習模型對圖像進行預測，實現紅綠燈識別功能，通過紅外避障模塊實現避障功能。

該文設計是在Anaconda、VNC viewer 等軟件開發環境和樹莓派、紅外避障傳感器、USB 攝像頭等硬件平臺的基礎上實現的。

2 硬件平臺搭建

該文設計應用到的硬件有樹莓派、紅外避障傳感器、USB 攝像頭、步進電機、電源，硬件結構圖如圖1 所示。

圖1 硬件結構圖

2.1 硬件平臺

2.1.1 樹莓派4B

Raspberry Pi 中文名為“樹莓派”，為學習編程而設計，體積很小，音頻、視頻等功能通通皆有，可以說是“麻雀雖小，五臟俱全”[2]。樹莓派4B 的內存升級到了4 GB，引入了USB 3.0，支持雙屏4 kB 輸出，CPU 和GPU 的速度也更快[5-8]。具有2.4/5.0 GHz雙頻無線LAN，藍牙5.0/BLE，千兆以太網，USB3.0和PoE 功能。

2.1.2 其他元器件

攝像頭模塊進行實時圖片采集，并實時將影像通過USB 傳輸給樹莓派。紅外避障傳感器不斷檢測前方是否有障礙物，并將信息通過串口傳給樹莓派。電機負責小車的行駛，一共四塊，通過樹莓派進行控制。

2.1.3 小車總體展示

智能小車實物圖包括主控板、攝像頭、驅動輪和紅外傳感器等，主要用于小車的避障、循跡和紅綠燈識別，小車實物圖如圖2 所示。

圖2 智能小車實物圖

2.2 環境配置

該文設計是以樹莓派4B 為核心的控制和數據傳輸設備，代碼要在樹莓派4B 上運行就需要合適的軟件環境。

1）配置Python 環境

安裝基本驅動，命令如下：

安裝庫virtualenv，該庫用來創建虛擬環境，命令如下：

創建虛擬環境，命令如下：

2）安裝TensorFlow

激活虛擬環境，命令如下：

安裝TensorFlow，這一步需要先下載TensorFlow 鏡像文件，命令如下：

3 系統功能開發

3.1 避障模塊

對于避障功能，需要在循跡期間發射紅外線，然后通過接收到反射回來的紅外線信號計算距離，其次要能夠調節障礙物判斷的距離標準，如果前方有障礙物，指示燈就會亮，并將信號發送給單片機，再由單片機決策后退、左轉、右轉或者繞行。

在循跡過程中，當前方無障礙時，紅外避障傳感器向樹莓派發送0 信號，當前方有障礙時，紅外避障傳感器向樹莓派發送1 信號。如果樹莓派連續接收到五個1 信號，就判定為前方有障礙，需繞行，再次回到軌道上繼續循跡。

3.2 紅綠燈識別功能

3.2.1 卷積神經網絡模型

卷積神經網絡是一種典型的前饋神經網絡,其模式具有平移不變性,通過學習樣本的局部特征,就可以在其他地方的任意位置識別出該模式,相對于全連接神經網絡的全局模式,具有更好的模型泛化能力。經典的卷積神經網絡主要由輸入層、隱含層和輸出層組成[9-12]。

該模型由TensorFlow2.4.0 搭建，采用順序模型進行連接。訓練模型一共七層，第一層、第二層和第四層是卷積層，創建卷積核并運用到某個張量的所有點上；第三層為池化層，可以提取敏感特征；第五層是平均全局池化層，將所有維度加起來求平均，使高寬維度消失，降低維度；第六層和第七層是全連接層，將特征圖轉換為向量進行分類。

3.2.2 紅綠燈數據訓練

該數據由小車所使用的USB 高清攝像頭所拍攝，使用了紅綠燈模型充當現實生活中的紅綠燈。在這些數據中，每張圖片里不僅有紅綠燈，還有一些干擾背景，如后面放一本紅色的書，放一個綠色的盒子或將手放在紅綠燈模型后，或者控制外界光線的強弱，紅綠燈模型距離的遠近等因素，力求每張圖片的內容都不完全相同。一共采集一千多張圖片作為訓練集和測試集。

3.2.3 紅綠燈識別功能實現

1）模型搭建

模型一共七層，網絡可視化的深度學習模型結構如圖3 所示。

圖3 深度學習模型結構

2）訓練模型

先讀取訓練集，將訓練集進行歸一化處理，圖片大小統一化，將每張圖片所處的文件名作為該圖片的標簽，然后把所有圖片和其標簽打包在一起，以便訓練模型使用，將圖像集分成訓練集和測試集。采用Adam 優化算法來快速擬合高緯度的數據，損失函數為sparse_categorical_crossentropy，其目標是數字編碼。使用之前建立好的模型訓練進行30 個epoch 訓練。

acc 是每次訓練時的正確率，val_acc 是每次訓練后對訓練數據進行預測的正確率，在第五次訓練之后acc 和val_acc 都穩定趨于1，訓練結果正確率如圖4(a)所示。損失值是衡量模型的效果評估，損失值越小模型越健壯。圖中loss 為每次訓練時的損失值，val_loss 為每次訓練完成后對訓練數據進行預測的損失值，總體趨于下降狀態，損失值穩定趨于0，損失值如圖4(b)所示。

圖4 訓練結果

3.3 循跡模塊

3.3.1 循跡設計

循跡和紅綠燈識別都是由攝像頭捕捉圖像，由樹莓派將捕捉的圖像進行處理、分析及預測，處理圖像前先判斷是循跡模式還是識別紅綠燈模式。

當處于循跡模式時，循跡模塊對圖片進行灰度處理，然后再對圖像進行分析，獲取圖像路線的輪廓，計算輪廓的重心，重心點的位置不同對應不同的處理方式，處理方式：如果重心在圖的左半部分則左轉，如果重心在圖的右半部分則右轉，如果重心在圖的中心位置則直行，如果圖中連續沒有路線輪廓抬起攝像頭表示到了紅綠燈路口[13-15]。

3.3.2 循跡功能實現

對于攝像頭采集到的圖像按照目的分成兩類，分別有不同的處理方式[16]。其中一類是用來實現循跡功能的，該圖為俯視視角圖像，被用來識別路線、圖片尺寸小、數量多少。將攝像頭獲取的圖像處理為灰度圖，使循跡的軌跡圖數據處理速度更快。循跡模塊流程圖如圖5 所示。

圖5 循跡程序流程圖

3.4 系統控制流程

啟動程序時，首先進行初始化：加載深度學習模型model.h5、初始化PWM 調控、打開攝像頭端口、控制攝像頭面朝地面等。然后執行循跡功能，樹莓派接收攝像頭畫面，分析圖像，按分析結果控制小車沿畫好的路線行駛，同時紅外避障傳感器也開始工作，如果前方有障礙物樹莓派會接收到紅外避障傳感器發來的1 信號，然后控制小車進行繞行。如果圖像中沒有路線，說明到了紅綠燈路口，此時樹莓派控制攝像頭抬起，然后接收攝像頭圖像，使用深度學習模型預測model.h5 對圖像進行預測，根據預測結果控制小車“紅燈停，綠燈行”，然后再次進入循跡功能。系統總控制流程圖如圖6 所示。

圖6 系統總控制流程圖

4 系統運行測試

測試場景圖軌道上半部分設計的是一個紅綠燈模型，從右到左分別是一個正方體障礙物、三棱柱障礙物和小車，如圖7 所示。

圖7 測試場景圖

啟動小車，小車會將攝像頭朝向地面，沿著黑線循跡，直到行駛到黑線消失的地方，即紅綠燈路口，然后將攝像頭抬起識別紅綠燈。紅燈亮起時，小車原地不動，繼續等待，綠燈亮起時，小車識別到綠燈，然后繞開紅綠燈，繼續循跡。小車識別紅綠燈展示如圖8 所示。

圖8 小車識別紅綠燈展示

小車繼續循跡，行駛過兩個彎道，小車過完兩個彎道后，遇到第一個障礙物，此時紅外避障傳感器的紅外接收器會接收到紅外發射器的信號，通過信號計算距離，當距離達到閾值時，傳感器指示燈亮起，并向樹莓派發送障礙信號。樹莓派收到障礙信號后會執行避障程序，繞開障礙物，小車避開正方體障礙過程如圖9 所示。

圖9 小車避開正方體障礙

避障完成后，小車再次進入軌道，繼續循跡，然后第二次遇到障礙物，再次進行避障。

該文將樹莓派與深度學習結合識別紅綠燈的方式運用到小車上，使用在PC 端訓練好的模型進行預測，識別速度更快，識別精確度也會隨著訓練數據集的豐富不斷提高，并且隨著訓練數據的多樣化，識別類型也會增多，如交通牌的識別等。

5 結論

利用樹莓派完成了可以避障、循跡、識別紅綠燈的智能小車的設計，避障功能由紅外避障模塊完成；循跡功能由攝像頭拍攝路面，采用OpenCV 對圖像進行處理，計算出路線輪廓重心，然后由樹莓派決策來完成；紅綠燈的識別由攝像頭拍攝紅綠燈，使用深度學習模型進行預測，樹莓派根據預測結果進行決策。該設計可以用于配送、無人車等方面。