从 0 开始使用树莓派和 TensorFlow 构建自动驾驶项目
source link: https://mp.weixin.qq.com/s/IvGWrzKM2_E6cJt6AZrXbA?amp%3Butm_medium=referral
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
如今，特斯拉，谷歌，优步、通用汽车、百度都在努力创造自己的自动驾驶汽车，致力于在现实世界的道路上行驶。许多分析师预测，在未来5年内，我们将开始在我们的城市中运行全自动驾驶汽车，并且在30年内，几乎所有汽车都将完全自主。但是，对于个人研究者而言，这种成本太大，我们可以使用的一些相同技术来制造你自己的自动驾驶汽车不是很酷吗？
在 github 上，一个叫做David Tian的小哥使用树莓派和TensorFlow构建了一个自动驾驶项目，在项目中，作者一步步将指导如何从头开始构建自己的项目，包括硬件的采购组装、自动驾驶小车的控制、自主车道导航、交通标志检测和行人检测。能够在一周内检测并跟踪车道，识别并响应交通标志和路上的人。
来自DeepPiCar的DashCam的车道跟随
交通标志和人员检测
作者整个项目介绍主要分为6部分
-
第1部分：概述
-
第2部分：Raspberry Pi设置和PiCar组装
-
第3部分：让PiCar看到和思考（本文）
-
第4部分：通过OpenCV进行自主车道导航
-
第5部分：通过深度学习进行自主车道导航
-
第6部分：交通标志和行人检测和处理
首先需要的准备工作包括：
硬件基础：自己动手构建这个项目一个 Raspberry Pi 板（50美元）， SunFounder PiCar套件 （115美元）， Google的Edge TPU （75美元）以及一些配件
软件算法基础：需要的基础有：Python（用于机器学习/ AI任务的事实上的编程语言），OpenCV（一个功能强大的计算机视觉包）和Tensorflow（谷歌流行的深度学习框架）
第一步是使用python和OpenCV教DeepPiCar通过检测车道线并相应地转向，在绕行的单车道道路上自主导航
后续，作者介绍使用深度卷积神经网络来检测道路特征并做出正确的转向决策，该实施的灵感来自NVIDIA的DAVE-2
最后，作者使用深度学习技术，如单目多目标物体检测和迁移学习，教DeepPiCar检测道路上的各种（微型）交通标志和行人。然后我们将教它停在红灯和停车标志，继续绿灯，停下来等待行人过马路，并根据张贴的速度标志等改变其速度限制。
项目的 github 地址：https://github.com/dctian/DeepPiCar
了解更多关注公众号
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK