摘要：在我已經(jīng)制作完成一輛可以運(yùn)行的遙控車時(shí)，公司發(fā)布了一個(gè)自駕車項(xiàng)目，來(lái)展示自動(dòng)駕駛汽車的工作原理。需要注意的是，這里用的都是語(yǔ)言而非，其主要原因有兩個(gè)一方面，近來(lái)似乎已成為運(yùn)用機(jī)器學(xué)習(xí)技術(shù)時(shí)實(shí)際使用的語(yǔ)言。

最近，Mapbox 的 Android 工程師 Antonio 使用計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)技術(shù)，為他的女兒 Violeta 重新制作了一臺(tái)遙控車。接下來(lái)我們看看 Antonio 是如何實(shí)現(xiàn)是：

今年上半年的一天，我和女兒 Violeta 在玩著她爺爺奶奶送給她的遙控車。為了學(xué)習(xí)如何操控它， Violeta “有條不紊”地開著車撞向每一個(gè)家具，結(jié)果就在某一個(gè)“砰”聲后，遙控車罷工了。我們打開了遙控車內(nèi)部，瞧瞧是哪兒出了問(wèn)題——幸好只是一根電線松了，幾分鐘后，我就搞定它了。

然而，這個(gè)小插曲卻引起了我的思考。這些用集成電路板做的小玩具生產(chǎn)成本低但是修起來(lái)卻未必那么容易。

如果下一次把車?yán)锏牧慵矇牧耍覀冇中薏涣耍窃撛趺崔k？

在那段時(shí)間，安卓剛剛發(fā)布了 Android Things, 是安卓開發(fā)的“小周邊”，在樹莓派（Raspberry Pi） 和類似的 IoT 設(shè)備上運(yùn)行。我對(duì)安卓非常熟悉，所以我做了個(gè)決定，相信你們也能猜到：我決定重新制造一臺(tái)“不怕撞”的遙控車。

硬件

硬件方面，我是用現(xiàn)成的組件組裝的，這樣如果有部件損壞，更換起來(lái)比較方便。以下是我的簡(jiǎn)短的購(gòu)物單（總價(jià)略高于100美元）：

一個(gè)樹莓派（Raspberry Pi）（大約35美元）；
一個(gè)馬達(dá)控制器（22美元）—— 馬達(dá)不能直接連接在樹莓派上；
一個(gè)便攜式充電器（用來(lái)為樹莓派和馬達(dá)充電）（30美元）；
最后，是一個(gè)支撐框架。Junior Runt Rover 是一個(gè)不錯(cuò)的選擇（28美元），當(dāng)然你也可以從別的玩具上拆一個(gè)下來(lái)。

通過(guò)一個(gè)安卓系統(tǒng)下的配套應(yīng)用程序可以控制遙控車，該控制通過(guò)一個(gè)本地服務(wù)器實(shí)現(xiàn)。然而，我不得不告訴你，用一個(gè)復(fù)古的任天堂控制器一定會(huì)有趣的多（當(dāng)然你的預(yù)算得調(diào)高35美元）。

將這些組件直接拼裝在一起即可，拼裝過(guò)程我另有記錄。此外，還有一些注意的地方：

關(guān)于焊接：我還未找到一臺(tái)與樹莓派兼容且已焊接的馬達(dá)控制器。你可能需要從床底翻出你的焊臺(tái)或者問(wèn)朋友借一臺(tái)。焊接本身不難，但是你可能需要提前練習(xí)一下，畢竟零件都太小了。

超越樹莓派：Android Things 是 IoT 設(shè)備上一個(gè)抽象的圖層，雖然樹莓派廣受興趣愛好者的歡迎，但其它設(shè)備也同樣支持，而且不需要改一行代碼。到目前為止，我的最愛還是 NXP Pico. 它的優(yōu)勢(shì)在于高速的內(nèi)存（這樣你就不需要再額外買一張 SD 卡），并且它帶有一個(gè)模組化系統(tǒng)。如果你想要將你的硬件項(xiàng)目實(shí)體化，那么哪些實(shí)體產(chǎn)品設(shè)備會(huì)用到這種模塊（是不是似乎看到了商機(jī)……）

一開始，我以為我女兒會(huì)害怕我自制的遙控車，沒(méi)想到她毫不畏懼，還很喜歡帶著它“跌跌撞撞”闖蕩世界。看，領(lǐng)居家的貓也很喜歡它……

軟件

設(shè)計(jì)軟件時(shí)，發(fā)生了一些我計(jì)劃外的事。在我已經(jīng)制作完成一輛可以運(yùn)行的遙控車時(shí)，Udacity 公司發(fā)布了一個(gè)自駕車“nanodegree”項(xiàng)目，來(lái)展示自動(dòng)駕駛汽車的工作原理。

他們運(yùn)用了計(jì)算機(jī)視覺(jué)（Computer Vision）和深度學(xué)習(xí)（Deep Learning）技術(shù)來(lái)使自動(dòng)駕駛汽車識(shí)別道路和人行道。這些技術(shù)都從實(shí)用角度出發(fā)，讓你在模擬器甚至在車子里都可以進(jìn)行編程。

有很長(zhǎng)一段時(shí)間，自動(dòng)駕駛汽車技術(shù)于我而言就是一個(gè)未知的匣子，我渴望探索，因此我毫不猶豫報(bào)名了相關(guān)課程并申請(qǐng)加入了遙控車項(xiàng)目。

在課程中你第一個(gè)學(xué)到的是自動(dòng)駕駛汽車識(shí)別物體的兩種方式（通常兩種方法結(jié)合使用）：計(jì)算機(jī)視覺(jué)技術(shù)（Computer Vision）和機(jī)器學(xué)習(xí)技術(shù)（Machine Learning）。

無(wú)論你使用哪種技術(shù)，你都需要一個(gè)攝像頭來(lái)探測(cè)車前的情況。這并不困難。現(xiàn)在你只要花30美金就能買到一個(gè)800萬(wàn)像素的可直接連接樹莓派或其它設(shè)備的攝像頭。

計(jì)算機(jī)視覺(jué)技術(shù)（Computer Vision）

計(jì)算機(jī)視覺(jué)技術(shù)是最為直觀的技術(shù)。它的主要原理是從車上的攝像頭提取關(guān)于街道的信息并進(jìn)行圖像過(guò)濾和轉(zhuǎn)化（這里就需要車內(nèi)攝像頭有足夠的高度來(lái)拍攝一個(gè)比較好的視角）。

為了使這樣的分析可行，并且使車子可以對(duì)分析結(jié)果有實(shí)時(shí)的應(yīng)對(duì)，我使用了一種同地圖 SDK 很類似的方法：花了一番功夫在C++上（使用開源的計(jì)算機(jī)視覺(jué)技術(shù)代碼），并在Java端展示了所用的方法，藉此，安卓系統(tǒng)可以做出判斷是直行或轉(zhuǎn)彎。

一旦這一步完成了，我們就做得差不多了。那我們就從項(xiàng)目測(cè)試套件開始吧，下面這張圖展示了測(cè)試的一部分：

1、將獲取的畫面轉(zhuǎn)化成圖片，這張圖看起來(lái)就像是從攝像頭拍攝的照片。（如果你熟悉開源計(jì)算機(jī)視覺(jué)技術(shù)代碼的話，你就能知道這結(jié)合了 “getPerspectiveTransform” 和 “warpPerspective”）。這一步清除了畫面中所有的無(wú)關(guān)物體，從而使車子可以集中于眼前的道路：

2、進(jìn)行色差閾分析使車子從獲取的畫面中識(shí)別出路線。根據(jù)你設(shè)計(jì)的路線顏色（比如我這里是亮黃色）可以選擇不同的色彩空間。鑒于 HSV 色彩空間更符合人類識(shí)別、感知顏色的方式，你可以將開源計(jì)算機(jī)視覺(jué)技術(shù)中默認(rèn)的 BGR 色彩空間改成 HSV 色彩空間，利用 HSV 中的色相和飽和度范圍還可以更容易地過(guò)濾具體的顏色。

3、最后，我們需要繪制分布圖來(lái)找到最佳的位置定位（如下圖所示的垂直藍(lán)線）：

好了，做完上面幾步，你的小車就能聽你的話看準(zhǔn)自己的車道了！

接下來(lái)，我們要為小車安裝雷達(dá)定位器了 :-)

你想知道從小車的攝像頭里看出去是怎樣的嗎？那不妨來(lái)看看這個(gè)視頻吧（https://www.youtube.com/watch...）.這是你在 Udacity 訓(xùn)練中要做的一個(gè)練習(xí)。

機(jī)器學(xué)習(xí)技術(shù)（Machine Learning）

另一種讓小車自動(dòng)駕駛的方法就是機(jī)器學(xué)習(xí)技術(shù)（Machine Learning）（又稱：深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)）。深度學(xué)習(xí)技術(shù)目前已經(jīng)成為自動(dòng)駕駛汽車發(fā)展中十分重要的一種方法。大部分情況下，你都會(huì)用真實(shí)數(shù)據(jù)構(gòu)建一個(gè)模型來(lái)區(qū)分交通信號(hào)，或是通過(guò)克隆學(xué)習(xí)真實(shí)情況下的汽車行為使自動(dòng)駕駛汽車能夠做出即時(shí)的駕駛判斷。你會(huì)找上千張照片，然后將其中你想讓汽車學(xué)習(xí)的部分進(jìn)行編碼（比如，每個(gè)車輪的轉(zhuǎn)速）。

這樣做的問(wèn)題在于設(shè)計(jì)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)并不是容易事，而且對(duì)于我要達(dá)成的目標(biāo)而言太小題大做了。

所以，我換了一種方法。我參考 NVIDIA 發(fā)布的公開的相關(guān)研究報(bào)告后（點(diǎn)擊可查看完整研究報(bào)告），選用了其中一種網(wǎng)絡(luò)架構(gòu)。這種架構(gòu)由九層組成，包括一個(gè)標(biāo)準(zhǔn)化層，五個(gè)卷積層，三個(gè)全連接層：

使用 Keras 這樣的工具，只需要幾行代碼就能實(shí)現(xiàn)。

需要注意的是，這里用的都是 Python 語(yǔ)言而非 Java，其主要原因有兩個(gè)：

一方面，近來(lái) Python 似乎已成為運(yùn)用機(jī)器學(xué)習(xí)技術(shù)時(shí)實(shí)際使用的語(yǔ)言。它有很大的程序庫(kù)和相關(guān)文檔記載，而且像在使用 TensorFlow 這類框架時(shí)也經(jīng)常使用它。

另一方面，誰(shuí)都不愿意在小容量的樹莓派上調(diào)試模型，實(shí)在太慢、太不方便了。所以很多人會(huì)選擇用一個(gè)更強(qiáng)大的筆記本電腦或是一個(gè)云端的服務(wù)器（比如許多 Mapboxers 會(huì)這么做：mapbox/morecs#54）。

社區(qū)

在我研究過(guò)程中最棒的就是能夠認(rèn)識(shí)這群熱衷于自己造自動(dòng)駕駛汽車（“機(jī)器車”）的狂熱愛好者。這起初只是 Chris Anderson 在加利福尼亞州奧克蘭市發(fā)起的一場(chǎng)同好聚會(huì)，沒(méi)想到迅速擴(kuò)散到了其他地方。

你可能因?yàn)椤哆B線》雜志或是“開始DIY無(wú)人駕駛飛機(jī)”這樣的事情知道 Chris Anderson 的名字。他說(shuō)他的志向就是“用‘DIY’去攻克世界上所有著名的大型產(chǎn)業(yè)，并看看會(huì)怎么樣”。

下面這張圖表是最近一次機(jī)器車同好小聚上，大家對(duì)比的計(jì)算機(jī)視覺(jué)技術(shù)和機(jī)器學(xué)習(xí)技術(shù)。你可以發(fā)現(xiàn)，兩種技術(shù)方法表現(xiàn)都很好。雖然計(jì)算機(jī)視覺(jué)技術(shù)更快地取得優(yōu)勢(shì)，但機(jī)器學(xué)習(xí)技術(shù)也不遜色，很快地追了上去：

寫在最后

如果你想了解更多關(guān)于自動(dòng)駕駛汽車，或是他們的小兄弟機(jī)器車的信息，不妨看看下面幾條：
如果你熟悉 Java/ Android， 可以參考這個(gè)說(shuō)明來(lái)搭建你自己的安卓機(jī)器車。
如果你更喜歡用 Python，那建議你可以從兒童單車項(xiàng)目開始。它的編程和搭建更加復(fù)雜（它需要可打印的3D模型），但也的確非常值得你這樣的投入。

如果你有任何問(wèn)題，或者分享有關(guān)遙控車、計(jì)算機(jī)視覺(jué)（Computer Vision）和深度學(xué)習(xí)（Deep Learning）技術(shù)方面的內(nèi)容，隨時(shí)歡迎聯(lián)系 Mapbox 公眾號(hào)。