. 用pix玩車非常簡單，復(fù)雜度遠遠低于無人機；

2. 不管是ardupilot，還是px4固件都是原生支持無人車，不需要做任何代碼改動的二次開發(fā)，需要做的就是參數(shù)修改和傳感器校準；

3. ardupilot需要刷成ardurover固件，這個固件同時也支持船。

a. 輸出1通道接舵機是車輛轉(zhuǎn)向

b. 輸出3通道接電調(diào)，控制油門動力

4. px4固件沒有特定的固件，只需要改改機架到對應(yīng)的車輛即可(SYS_AUTOSTART=50000)

a. 輸出2通道接轉(zhuǎn)向舵機

b. 輸出4通道接無刷電調(diào)

5. 陀螺儀，羅盤校準，這些和無人沒有差別。

6. 解鎖電機，默認手動模式，可以設(shè)置多個模式 比如返航，自動等；

給飛控用串口接上帶攝像頭的樹莓派，這樣一個智能車就跑起來了，還帶圖傳和數(shù)傳， 如果再給樹莓派接一個帶sim卡的usb無線網(wǎng)卡 ，這樣一個帶4G的智能小車了。

參考文檔:

https://docs.px4.io/main/en/frames_rover/traxxas_stampede.html
https://ardupilot.org/rover/docs/gettit.html

基于單片機的機器視覺人體識別小車

• 難度系數(shù)：4分
• 工作量：4分
• 創(chuàng)新點：3分

1 簡介

智能小車應(yīng)用變得越來越重要，它不僅是能夠把代碼與實踐連接起來的簡單實例，而且在即將到來的智能時代，也將是最先廣泛使用的智能產(chǎn)品。
本項目基于AI視覺和嵌入式小車結(jié)合的項目。視覺識別是一個主要內(nèi)容，是信息輸入的重要方式。因此，AI視覺和機器小車的互相配合加持對實際生產(chǎn)生活具有很大的意義。

實現(xiàn)了控制小車行進，并實時檢測人體目標。

2 主要器件

• 樹莓派3B+
• 四個直流電機
• 一個小車底盤+四個車輪
• L298N驅(qū)動模塊（介于樹莓派與馬達之間的橋梁）
• 充電寶一個（用于給樹莓派供電）
• 18650鋰電池兩節(jié)
• 杜邦線
• 面包板
• .蜂鳴器

3 線路連接

圖片是用fritzing這個軟件畫的，也是今天第一次用，畫的有點丑，湊合看吧。我沒有找到L298N這個模塊，就用圖中紅色的這個代替一下吧。

我的馬達控制邏輯比較簡單，小車左右兩側(cè)的馬達為一組同時控制，小車左邊兩個馬達正負極分別連在out1、out2接口上，右邊兩個馬達正負極分別連在out3、out4上，通過給out1和out2，out3和out4輸出相反的電平實現(xiàn)馬達的轉(zhuǎn)動，采用BOARD編碼格式，使用35、33、31、29四個GPIO接口分別連接到L298N驅(qū)動模塊上的in1、in2、in3、in4接口，同時將32、36、38、40分別連接到四個使能端接口，通過python編程設(shè)置gpio接口輸出高電平和低電平實現(xiàn)相應(yīng)的控制，蜂鳴器連接到gpio的11號端口上。

4 Yolo環(huán)境搭建

根據(jù)自己NVIDIA顯卡型號和驅(qū)動版本安裝CUDA和CUDNN

1、官網(wǎng)下載：https://developer.nvidia.com/cuda-90-download-archive

如下：

2、安裝依賴庫

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

否則將會報錯：

3、注意C++\G++版本

CUDA9.0要求GCC版本是5.x或者6.x，其他版本不可以，需要自己進行配置，通過以下命令才對gcc版本進行修改。

查看版本：

g++ --version

版本安裝：

sudo apt-get install gcc-5
sudo apt-get install g++-5

通過命令替換掉之前的版本：

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50

最后記得再次查看版本是否修改成功。

4、運行run文件

sudo sh cuda_9.0.176_384.81_linux.run

安裝協(xié)議可以直接按q跳到最末尾，注意一項：

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81?
(y)es/(n)o/(q)uit: n                    # 安裝NVIDIA加速圖形驅(qū)動程序,這里選擇n

5、添加環(huán)境變量

進行環(huán)境的配置，打開環(huán)境變量配置文件

sudo gedit ~/.bashrc

在末尾把以下配置寫入并保存：

#CUDA
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}} 
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

最后執(zhí)行：

source ~/.bashrc

5 yolo模型訓(xùn)練

本文訓(xùn)練數(shù)據(jù)集包括從VOC數(shù)據(jù)集中提取出6095張人體圖片，以及使用LabelImg工具標注的200張python爬蟲程序獲取的人體圖片作為補充。

使用labelimg標記圖片

從VOC數(shù)據(jù)集里提取出人體圖片

import os
import os.path
import shutil

fileDir_ann="D:\\VOC\\VOCdevkit\\VOC2012\\Annotations"
fileDir_img="D:\\VOC\\VOCdevkit\\VOC2012\\JPEGImages\\"
saveDir_img="D:\\VOC\\VOCdevkit\\VOC2012\\JPEGImages_ssd\\"

if not os.path.exists(saveDir_img):
    os.mkdir(saveDir_img)

names=locals()

for files in os.walk(fileDir_ann):
    for file in files[2]:



        saveDir_ann="D:\\VOC\\VOCdevkit\\VOC2012\\Annotations_ssd\\"
        if not os.path.exists(saveDir_ann):
            os.mkdir(saveDir_ann)

        fp=open(fileDir_ann + '\\' + file)
        saveDir_ann=saveDir_ann + file
        fp_w=open(saveDir_ann, 'w')
        classes=['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', '>cat<', 'chair', 'cow',
                   'diningtable', \
                   'dog', 'horse', 'motorbike', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor', 'person']

        lines=fp.readlines()

        ind_start=[]
        ind_end=[]
        lines_id_start=lines[:]
        lines_id_end=lines[:]

        while "\t<object>\n" in lines_id_start:
            a=lines_id_start.index("\t<object>\n")
            ind_start.append(a)
            lines_id_start[a]="delete"

        while "\t</object>\n" in lines_id_end:
            b=lines_id_end.index("\t</object>\n")
            ind_end.append(b)
            lines_id_end[b]="delete"

        i=0
        for k in range(0, len(ind_start)):
            for j in range(0, len(classes)):
                if classes[j] in lines[ind_start[i] + 1]:
                    a=ind_start[i]
                    names['block%d' % k]=[lines[a], lines[a + 1], \
                                            lines[a + 2], lines[a + 3], lines[a + 4], \
                                            lines[a + 5], lines[a + 6], lines[a + 7], \
                                            lines[a + 8], lines[a + 9], lines[a + 10], \
                                            lines[ind_end[i]]]
                    break
            i +=1

        classes1='\t\t<name>person</name>\n'



        string_start=lines[0:ind_start[0]]
        string_end=[lines[len(lines) - 1]]

        a=0
        for k in range(0, len(ind_start)):
            if classes1 in names['block%d' % k]:
                a +=1
                string_start +=names['block%d' % k]



        string_start +=string_end
        for c in range(0, len(string_start)):
            fp_w.write(string_start[c])
        fp_w.close()

        if a==0:
            os.remove(saveDir_ann)
        else:
            name_img=fileDir_img + os.path.splitext(file)[0] + ".jpg"
            shutil.copy(name_img, saveDir_img)
        fp.close()

修改YOLOv3 tiny 配置文件

下載預(yù)訓(xùn)練權(quán)重開始訓(xùn)練

預(yù)訓(xùn)練權(quán)重可以減少前期的迭代次數(shù)，加速訓(xùn)練過程。通過繪制訓(xùn)練過程的loss曲線可知，開始時loss下降較快，之后開始在一水平線上波動。訓(xùn)練結(jié)束得到y(tǒng)olov3-voc_final.weights模型文件。

模型效果：

6 模型轉(zhuǎn)化

但是模型要想部署在算力微弱的樹莓派上，還需要進行兩次模型轉(zhuǎn)化才能運行在NCS上進行前向推理。

模型轉(zhuǎn)化：
第一次轉(zhuǎn)化：（.weight–>.pb）
這里的模型轉(zhuǎn)化OpenVINO給出了官方指南https://docs.openvinotoolkit.org/latest/_docs_MO_DG_prepare_model_convert_model_tf_specific_Convert_YOLO_From_Tensorflow.html 但是可能會出現(xiàn)錯誤。

 python3 convert_weights_pb.py \
--class_names yolov3-tiny-mine.names \
--weights_file weights/yolov3-tiny-mine_40000.weights \
--data_format NHWC \
--tiny \
--output_graph pbmodels/frozen_yolov3-tiny-mine.pb

執(zhí)行完上述代碼，就能得到Tensorflow支持的模型文件。

第二次轉(zhuǎn)化：（.pb–>.IR)
第二次的模型轉(zhuǎn)化我在windows環(huán)境下完成的。

python "C:\Program Files (x86)\IntelSWTools\openvino_2019.1.087\deployment_tools\model_optimize

7 樹莓派環(huán)境配置

1. 下載燒寫工具Pi Imager  
   打開樹莓派官方網(wǎng)站https://www.raspberrypi.org/software/，根據(jù)下圖指示下載Pi Imager并安裝  
   ![在這里插入圖片描述](https://img-blog.csdnimg.cn/685e0c975aec4a4ab9dad339c34d0c67.png)

2.在線燒寫
① 將配套SD卡放入讀卡器插入到電腦的USB口；
② 打開燒錄軟件Pi Imager，在“operating system”選擇“Raspberry Pi OS（32-bit）”（第一項）；

③ 在"SD Card"選擇SD卡，然后點擊“write”，然后等待燒寫完成。
3. 離線燒寫
① 下載raspberry系統(tǒng)鏡像
打開樹莓派官方網(wǎng)站https://www.raspberrypi.org/software/，點擊按鈕“See all download options”

② 在“Raspberry Pi OS with desktop and recommended
software”項點擊“Download”，等待下載完成。

③ 燒錄系統(tǒng)：
在Pi Imager中“Operating System”選擇最后一項“use Custom”，在彈出對話框中選擇剛剛下載的鏡像。后續(xù)步驟同在線燒錄。

4. 啟動樹莓派，驗證系統(tǒng)
① 將SD卡插到樹莓派SD卡插槽，如下圖；
② 打開供電開關(guān)，給系統(tǒng)供電，指示燈點亮并閃爍，電壓表實時顯示電池電壓（當電壓低于6.8V以下，應(yīng)及時給小車供電）；
③ 二十多秒后，系統(tǒng)啟動完成。正常啟動完成后，紅燈亮，綠燈閃爍。

模型部署：
使用github PINTO0309的OpenVINO-YoloV3工程，應(yīng)該是個日本的工程師寫的，特別感謝。

利用工程下的openvino_tiny-yolov3_MultiStick_test.py進行測試，在文件中指定我們轉(zhuǎn)化好的模型文件。

運行效果

image
盡管速度不快，但最快也能達到7-8幀的樣子。

本文將訓(xùn)練好的原始模型經(jīng)過兩次轉(zhuǎn)化得到了可以被NCS所支持的模型文件，并搭建好樹莓派所需的運行環(huán)境，最終將模型部署在樹莓派上并完成了測試。下篇文章將介紹，樹莓派小車的控制程序以及微信報警程序的實現(xiàn)。

8 最后

嵌入式物聯(lián)網(wǎng)的學(xué)習(xí)之路非常漫長，不少人因為學(xué)習(xí)路線不對或者學(xué)習(xí)內(nèi)容不夠?qū)I(yè)而錯失高薪offer。不過別擔(dān)心，我為大家整理了一份150多G的學(xué)習(xí)資源，基本上涵蓋了嵌入式物聯(lián)網(wǎng)學(xué)習(xí)的所有內(nèi)容。點擊下方鏈接，0元領(lǐng)取學(xué)習(xí)資源，讓你的學(xué)習(xí)之路更加順暢！記得點贊、關(guān)注、收藏、轉(zhuǎn)發(fā)哦！

點擊這里找小助理0元領(lǐng)取：掃碼進群領(lǐng)資料