基于EdgeBoard的智能循跡避障小車設計

摘要：針對傳統的自主循跡避障小車在復雜路況下存在圖像識別精度低、處理時間長等問題，設計一種基于EdgeBoard的智能循跡避障小車。首先，通過USB攝像頭采集道路圖像；然后，采用基于OpenCV的道路循跡算法識別道路邊緣；最后，利用SSD_MobileNetV1深度學習模型識別特定的交通標志。經測試，該智能循跡避障小車具有良好的穩定性和可靠性。

關鍵詞：循跡避障小車；EdgeBoard；OpenCV；深度學習；自主循跡避障

中圖分類號：TP242.6" " " " "文獻標志碼：A" " " " " " 文章編號：1674-2605（2024）02-0004-07

DOI：10.3969/j.issn.1674-2605.2024.02.004

Design of Intelligent Tracking and Obstacle Avoidance Vehicle" " " " " " Based on EdgeBoard

YANG Jingjing" CAO Haiping" DING Jie" GU Yinbo" HUO Xuan

（Zhangjian School， Nantong University， Nantong 226000， China）

Abstract： Aiming at the problems of low image recognition accuracy and long processing time in traditional autonomous obstacle avoidance vehicles under complex road conditions， a smart obstacle avoidance vehicle based on EdgeBoard is designed. Firstly， collect road images through a USB camera; Then， the road tracking algorithm based on OpenCV is used to identify the edges of the road; Finally， use the SSD_MobileNetV1 deep learning model to identify specific traffic signs. After testing， the intelligent tracking and obstacle avoidance car has good stability and reliability.

Keywords： tracking and obstacle avoidance vehicle; EdgeBoard; OpenCV; deep learning; autonomous tracking and obstacle avoidance

0" 引言

隨著社會經濟的發展，汽車數量不斷攀升，給人們生活帶來便利的同時，也帶來交通擁堵和環境污染等問題。自動駕駛技術以攝像頭、雷達、超聲波、傳感器等感知器件和圖像處理、神經網絡控制等技術為基礎，實現汽車之間的智能協同和路徑規劃，可有效提高行駛效率，緩解交通壓力[1]。

自主循跡避障是自動駕駛技術的重要組成部分。目前，自主循跡避障技術已經取得較大進展。文獻[2]提出一種紅外循跡的設計方案，但對跑道寬度要求較高。文獻[3]采用混合遺傳算法設計智能循跡小車，但受電磁干擾較強。在復雜場合下，如何合理地規劃路徑是當前自主循跡避障研究領域關注的重點。

為此，本文提出一種基于EdgeBoard的智能循跡避障小車（以下簡稱“智能車”），采用基于OpenCV的道路循跡算法和SSD_MobileNetV1深度學習模型，實現在不同道路條件下的穩定行駛和及時避障，提升了智能車的安全性能和智能水平。

1" 智能車組成架構

本文設計的智能車主要包含視覺感知模塊、路徑規劃決策模塊、運動控制模塊等，總體架構如圖1所示[4]。其中，視覺感知模塊通過攝像頭獲取智能車周圍的道路信息；路徑規劃決策模塊的控制器上位機結合運動控制核心下位機，規劃決策智能車的行駛路徑，由此控制并驅動運動控制模塊中的電機和舵機，實現智能車循跡避障。

2" 硬件設計

智能車的視覺感知模塊選用USB攝像頭，上位機采用百度配置的EdgeBoard，運動控制模塊選用GA12-N20直流電機和MG995舵機；車身選用I型車模，采用碳纖維底盤搭建。

智能車的下位機主要包括核心板、驅動板、主控板。其中，核心板是下位機的控制中樞，用于編程開發和運動控制；驅動板接收核心板的控制指令，以驅動電機、舵機轉動，二者均采用TC264系列芯片；主控板根據智能車的需求自主設計，用于智能車供電，其部分電路圖如圖2所示。

智能車由5 V電源、3.3 V電源、11.1 V鋰電池3種電源供電。其中，5 V電源選用線性穩壓芯片TPS5430，為電機供電；3.3 V電源選用線性穩壓芯片AS1015，為單片機系統、舵機供電；11.1 V鋰電池為下位機的電路板供電，電路板通過LM2940S變壓器將11.1 V電壓供給電機、舵機等設備。此外，該電路還預留了引腳，用于連接驅動板和舵機，通過上位機與下位機的聯合控制，使驅動板和舵機分別實現智能車的速度、角度控制[5]。

3" 智能車控制流程

智能車控制流程如圖3所示。

通過安裝在智能車上的USB攝像頭采集道路圖像；利用基于OpenCV的道路循跡算法及SSD_ MobileNetV1深度學習模型，提取道路圖像的道路邊緣信息和圖像特征，進而判斷道路類型；EdgeBoard處理器通過USB轉TTL模塊發送加密指令給下位機；下位機解析收到的指令，并發送控制指令給電機、舵機等設備；電機采用PID控制算法，通過PWM控制驅動電路調整轉速，實現電機轉速的閉環控制，進而實現智能車的速度控制；舵機根據接收的PWM信號轉動對應的角度，實現智能車的角度控制。

4" 軟件設計

4.1" 總體方案

智能車的軟件采用SSH客戶端工具FinalShell進行開發和調試。FinalShell提供了可視化的控制界面，方便對EdgeBoard進行源程序編寫、編譯和鏈接等操作，并生成可執行文件。

智能車的軟件主要包括基于OpenCV的道路循跡算法和SSD_MobileNetV1深度學習模型。其中，基于OpenCV的道路循跡算法可實現圖像預處理、二值化、道路識別等功能；SSD_MobileNetV1深度學習模型對USB攝像頭采集的特定交通標志進行有效標注，并利用神經網絡進行模型訓練和部署[6]。智能車的軟件設計流程圖如圖4所示。

4.2" 基于OpenCV的道路循跡算法

4.2.1" 圖像預處理

首先，利用顏色空間轉換函數cvtcolor（）對USB攝像頭采集的道路圖像進行灰度化處理[7]，簡化圖像信息，突出圖像特征，提高后續的處理效率。

然后，利用（3，3）卷積核的高斯濾波對灰度化處理后的道路圖像進行平滑處理，更多地保留道路圖像的總體灰度分布情況。

接著，利用OSTU算法進行二值化處理。通過最大化背景和道路之間的類間方差來區分背景和道路。類間方差越大，背景和道路的灰度差異越明顯，錯分的可能性越小[8]。

最后，得到由255（白色）和0（黑色）組成的道路預處理圖像，如圖5所示。

4.2.2" 道路邊緣信息存儲

在預處理后的道路圖像中，對每行色塊進行搜索，找出相鄰兩列之間的突變色塊。按照行列大小關系，分別存儲左右突變色塊的信息。左右突變色塊搜索存儲的主要代碼為：

if （imagePath.atlt;uchargt;（row， col） gt; 127 amp;amp;

imagePath.atlt;uchargt;（row， col - 1） lt;= 127）

{

startBlock[counterBlock] = col;" //黑色0，0，0，每行白色起點列數存儲

}

else

if （imagePath.atlt;uchargt;（row，col） lt;= 127 amp;amp;

imagePath.atlt;uchargt;（row， col - 1） gt; 127）

{

endBlock[counterBlock++] = col;" "http://每行白色終點列數存儲

if （counterBlock gt;= end（endBlock） - begin（ endBlock） ）

break;

}

如果某行的色塊寬度大于設置的色塊寬度widthBlocks，則認為其是左邊緣或右邊緣的信息，分別存儲到pointsEdgeLeft和pointsEdgeRight兩個vector向量中。

4.2.3" 道路邊緣信息處理與中心線修正

根據實時存儲的道路邊緣信息，搜索邊緣信息中突變行的左上（rowBreakLeftUp）、左下（rowBreakLeftDown）、右上（rowBreakRightUp）、右下（rowBreakRightDown）4個點，以便后續進行道路邊緣信息的更新[9]。

以搜索十字道路的左上邊緣突變點為例，從左邊緣信息的末尾元素位置開始向上搜索，判斷當前點的縱坐標是否大于2，并且與下一個點的縱坐標差是否小于3。如果滿足條件，說明當前點不是突變點，更新rowBreakLeftUp的值為當前索引i，繼續向上搜索；同時重置突變點計數器counter為0，增加過濾計數器counterFilter值。

若counterFilter的值大于10，且當前點的縱坐標突然小于等于2，表示可能找到了潛在的突變點，counter 的值增加1。如果counter累計值超過5，表示找到了連續的左上邊緣突變點，正式返回rowBreakLeftUp的值（以上參數數值根據實際情況均可調）。

搜索十字道路左上邊緣突變點的主要代碼片段：

for （int i = pointsEdgeLeft.size（） - 5; i gt; 50; i--）

{

if （pointsEdgeLeft[i].y gt; 2 amp;amp; abs（pointsEdgeLeft[i].y - pointsEdgeLeft[i + 1].y） lt; 3）

{

rowBreakLeftUp = i;

counter = 0;

counterFilter++;

}

else if （pointsEdgeLeft[i].y lt;=2 amp;amp; counterFilter gt; 10）

{

counter++;

if （counter gt; 5）

return rowBreakLeftUp;

}

}

搜索結束后，由左上、左下、右上、右下4個突變點求取2條直線。設一直線L上的兩點、的坐標分別為、，且，則直線L的斜率、截距b分別為

（1）

將邊緣突變行的左上、左下、右上、右下4個點分別代入公式（1），計算出2條直線的斜率、截距，可得到2條直線方程。將位于左上到左下的行值分別代入2條直線方程中的，求出對應的值，即新的左右邊緣點列值。更換原來的邊緣點列值，并存入邊緣點集中，道路邊緣信息更新完成。

在更新后的道路左右邊緣信息中，首先，分別選取圖像的首行邊緣點、1/3處邊緣點、1/2處邊緣點、末行邊緣點，共4對左右邊緣點；然后，將4對左右邊緣點的行值、列值之和分別除以2，得到4對邊緣點的中點；最后，由4對邊緣點的中點坐標生成三次貝塞爾曲線：

（2）

式中：為貝塞爾曲線的控制點，為貝塞爾曲線上參數t處的點坐標[10]。

將4對邊緣點的中點坐標代入公式（2），得到的曲線即為道路的中心線。通過對比道路中心線與道路圖像中心的偏差及方向，計算需要修正的角度，計算方法如下：

float error = controlcenter - cOLSIMAGE / 2; //圖像控制中心轉換偏差

static int errorLast - e;//記錄前一次的偏差

if （abs（error - errorLast） gt; cOLSIMAGE / 10）

{

error = error gt; errorLast ？ errorLast + COLSIMAGE / 10 ：

errorLast - coLSIMAGE / 10;

}

根據PID控制算法的實時反饋，實現智能車方向和速度的精準控制，使其沿著道路中心線行駛。

4.3" SSD_MobileNetV1深度學習模型

智能車需要識別特定的道路交通標志，以完成特殊路段的通行。本文通過SSD_MobileNetV1深度學習模型識別特定的道路交通標志。

4.3.1" 數據集的采集與制作

將安裝了USB攝像頭的智能車放置在采集點，在EdgeBoard上運行collect.py圖像采集程序，通過手柄控制智能車前進，采集各路段的道路圖像。

利用開源軟件LabelImg對采集的道路圖像進行標注，將生成的xml與道路圖像一一對應，打包成數據集。將標注好的數據集的70%劃分為訓練集、15%劃分為驗證集、15%劃分為測試集。

4.3.2" 模型訓練

由于EdgeBoard處理器的計算資源有限，智能車選取SSD_MobileNetV1網絡進行模型訓練，以免出現幀率較低的情況。

SSD_MobileNetV1采用MobileNetV1作為主干特征提取網絡，共使用5個不同尺度的特征圖，預測不同大小比例的回歸候選框，網絡結構如圖6所示。

利用SSD_MobileNetV1模型識別特定的道路交通標志時：

首先，對輸入的道路圖像進行深度可分離卷積和池化操作，得到6個不同尺寸和深度的特征圖；

然后，通過多層卷積和池化操作，設置錨框（8 732個），得到一系列預測框和對應的置信度分數，通過錨框的大小和長寬比確定特征圖層數和特定長寬比的比例尺；

接著，利用非極大值抑制法，選擇一組置信度高、不重疊的預測框，作為初始目標的檢測結果；

最后，計算高置信度分數的預測框與真實目標框之間的IoU值，并進行比對，以確定每個預測框是否包含目標，將這些預測框進行分類標記并計算預測框的位置回歸，得到最終目標的檢測結果。

此外，本文采用綜合考慮分類誤差和邊界框誤差的MultiBox損失函數，并通過反向傳播算法更新模型參數，使模型的性能和泛化能力進一步提高。

利用訓練后的SSD_MobileNetV1模型識別特定的道路交通標志，識別效果如圖7所示。

由圖7可知，SSD_MobileNetV1模型可識別USB攝像頭拍攝的交通標志和對應概率。

5" 智能車測試

為測試智能車在不同光照條件下的穩定性和性能，在正常光照（12時，室內未開燈）和較暗光照（18時，室內開燈）下分別進行15次測試。

測試道路情況：地圖長為5.58 m，寬為5.21 m，道路總長度為27.9 m。

測試過程：

1） 準備工作，確保智能車和測試環境處于正常狀態，包括智能車的電池電量穩定在75%以上、USB攝像頭正常工作并提供清晰、穩定的圖像；

2） 開始測試，在正常光照/較暗光照條件下，將智能車放置在車庫位置，秒表歸零，啟動智能車主程序，開始記錄時間；

3） 測試過程，記錄開始進入設置路段和完全通過設置路段的時間點；

4） 結束測試，當智能車第二次抵達車庫并完全進入車庫時（如圖8（c）所示），記錄此時的時間作為計時終點；

5）多次測試，為了確保測試結果的可靠性和穩定性，進行多次測試。

測試效果如圖8所示，通過時間如表1所示。

由表1可知，在正常光照與較暗光照條件下，智能車各設置路段的通過時間相差在0.5 s內，可以順利完成出入庫、三岔拐彎等任務，具有良好的穩定性和可靠性。

6" 結論

本文設計了一種基于EdgeBoard的智能循跡避障小車。測試結果表明；該智能車可以在設定的道路上實現自主規劃、識別特定的交通標志等功能，具有良好的穩定性和可靠性。但智能車運行算法邏輯較復雜，代碼運行效率較低，后續會對智能車的運行算法進行優化，減少代碼冗余部分，提高運行效率。

參考文獻

[1] 曹月花，李輝.一種基于EdgeBoard的智能車系統設計與實現[J].現代電子技術，2022，45（18）：166-170.

[2] 張萍，陳國壯，候云雷，等.模糊控制紅外循跡小車的研究[J].實驗室研究與探索，2018，37（7）：50-53;91.

[3] 莫太平，周園園，張云強.面向工業物流服務的智能車及循跡算法的研究[J].火力與指揮控制，2017，42（3）：146-151.

[4] 張子涵.基于多傳感數據融合的自主巡航智能小車設計[D].杭州：浙江理工大學，2023.

[5] 黃凱龍.基于飛思卡爾單片機的智能車及其調試系統設計[D].長沙：湖南大學，2014.

[6] 于亞威.深度學習條件下的多攝像機行人視頻目標再識別研究[D].深圳：深圳大學，2019.

[7] 雷得超，任守華.基于OpenCV圖像處理車牌識別系統分析研究[J].電腦與信息技術，2022，30（4）：15-17.

[8] 蔡文杰，丁青.基于大津算法的5GNR幀結構自動檢測方法[J].通信技術，2021，54（2）：369-373.

[9] 楊萍，侯靜茹，曹強.基于單片機的智能車圖像處理與道路識別算法研究[J].機械制造，2017，55（1）：32-35.

[10] 江浩，彭俠夫.基于三次貝塞爾曲線的軌跡規劃方法[J].數字技術與應用，2022，40（11）：7-10.

作者簡介：

楊靜靜，女，2002年生，本科，學生，主要研究方向：電氣工程及其自動化。

曹海平（通信作者），男，1972年生，碩士研究生，高級實驗師，主要研究方向：電氣控制。E-mail： cao.hp@ntu.edu.cn

丁杰，男，2002年生，本科，學生，主要研究方向：電氣工程及其自動化。

顧銀波，男，2002年生，本科，學生，主要研究方向：計算機科學與技術。

霍旋，男，2002年生，本科，學生，主要研究方向：通信工程。