大数据分析挖掘作品，转载具体要求见文末

选文|微信公众号：大数据分析挖掘

翻译|黄维中,张一飞

我刚刚帮助我的朋友Kendrick完成了一个小的项目。我们制作了一个小汽车，你可以教会它怎么行驶，让它成为一辆小型无人车。我负责了所有的硬件和arduino软件，而kendrick制作了所有的机械自如学习软件。他称之为suiron，并把他上传到了github。https://github.com/kendricktan/suiron在arduino上运行的软件被称之为汽车控制软件，我也上传到了github。https://github.com/jabelone/car-controller

现在，你已经得到了代码链接，可以去看一下，并找出他的工作原理吧~ 我将在这里简单介绍一下该软件，但我的主要重点将是硬件。另外有一点需要注意的是开源许可证，我所有的东西是隶属GPL和肯德里克的Suiron项目隶属MIT 。

这个文章主要作为一个整个小车项目的概述。如果我以后有时间，我会尽力把这篇文章变成一个自主制造小车的辅导教程。

在我们开始介绍之前，你可以看看这辆小车在行驶中的小视频。（需要翻墙）

https://www.youtube.com/watch?v=tFwCyHdAWf0

现在我们来讲讲有趣的部分，它是怎么做出来的的

硬件

以下是需要用到的主要组件

1）无线遥控小汽车

我们使用的是这个车，但同样大小的遥控车也可以。不过他必须配备一个标准的esc和转向伺服。它最初应该配备了一个遥控器，电池和充电。我建议买一个新的无线远程控制系统

2） IntenNUC –raspberry pi并没有足够的动力并且是arm驱动的。一个在NUC中x86驱动的处理器i5较容易达到机械自主学习的目的。具体使用哪一个NUC并不要紧。

3）为了NUC服务的电池－一个标准的笔记本电脑电池组用于供电。这个kogan提供的电池可以支撑约6-10小时的运行时间。

4） 罗技c920网络摄像头－从任何信誉良好的零售商购买。你也许可以使用一个更便宜的摄像头，但是我们发现c920这款更好用。

4）镜头滤镜 -如果你准备在阳光下进行任何操作，你会希望有一个两极分化和ND（中性密度）滤光片。摄像头并不能很好的在刺眼阳光和阴影下运作，于是镜头滤镜帮助得到更好的画面。一个较好的ND（中性密度）滤光片帮助你更好地调节黑暗程度。

5）无线控制系统-如果你打算用这个项目做更多的事，我推荐买一个FrSky TARANIS. 你不会对它的质量感到失望。或者一个TURNIGY 9XR款效果也不错。如果无线控制系统里不包含接收器，记得买一个。

6）你还需要一个Arduino。个人比较喜欢Arduino nano，因为他们比较便宜并具有板上usb接口。

我建议你学习的ESC（电子调速器）如何与一个电动机，接收器，伺服和电池在一起工作的原理。这是正常遥控车标准设置。一旦你明白了这些，你应该看的Arduino的教程，以及如何使用它们来做到灯光闪烁和读取输入。通读Arduino的代码和连接组件应该是相当简单的。

这些组件是如何组成在一起的

如何组合这辆小车的组件取决于你。我建议把一切东西放得越低越好，这样电池在小车行驶的时候会更加稳定。摄像头必须被安装在高处，这样它能有更好的视野来观察。我用了一块轻木把所有东西黏在一起，因为它透光性强，并把摄像头粘在上面。我决定用几张图片来解释我是怎么把他们组建在一起的。所有白色的东西是3D打印机制作的，但其实不用3D打印机制也很容易。

两极分化/ ND滤镜

偏振过滤器的重要性不能被低估，因为它减少了反射和刺目眩光。 在下图，你可以看到有多少区别。 图中的水流是个有点极端的例子，但我选择了这幅图像是为了更容易表现出差异，在现实操作里的差异不会那么明显。

中性密度滤波器比起偏振滤光器来说更为重要。这种滤镜可以说是网络摄像头的太阳眼镜。网络摄像头并不适合在刺眼的光线下使用，因此降低光线的强度但又干扰不图像。 下图为正确的中性密度滤波器如何更好地使刺眼的光线的图像。

我建议在安装的时候将这些滤镜装成方便拆卸的，因为在低光照条件下这些滤镜会使得影像过暗。 即使在光照完美的一天，黄昏前的几个小时都比中午的时候暗了很多。 所以我做了一个简单的安装——用一个鳄鱼夹来固定滤镜。 两个滤镜是黏在一起的，然后我用3D打印机给他们做了一个“小架子”。

The Arduino

下图显示了这些硬件是怎样连接的。 Arduino是“硬件大脑”。，它读取在从R / C接收机的值，然后基于所述模式信道来决定具体做什么。 大家可以通过Arduino代码（文章开头有链接），看看这究竟是怎样实现的：基本上有3种模式，手动，自动和紧急停止。

在手动模式下，Arduino在转向和电机值读出并直其传递到电动机和转向伺服。 在这种模式下，右旗启用，它也发回了UART是什么，这些价值观是每收到一个字符时间。 （每收到时间，可以防止串行缓冲器快满了，“滞后”），在自主模式Arduino的在从国统会UART读取输入。 在此模式下它接收到两个消息； 引导，x和电机，其中x是你想要将它的值设置为。 然后将它写入这些产出到转向伺服或马达。 最后，急停杀死电动机的输出和拉直转向舵机。 这急停覆盖任何形式的手动或自主控制的。

机器学习部分

我们使用了一种叫做张量流动图书馆。 这是由谷歌发布的一个开放源码机器学习库。 它是开源的，并在Apache许可证下发布。 它有一个很好的Python和一个“没有废话的”C ++ API。

收集数据

这是整个过程的一个非常简短的总结。 每个视频帧被记录Suiron（在NUC软件）时会询问车控制器（Arduino的上软件）是什么人的运营商在做什么。 请记住，在手动模式下，操作员是围绕驾驶的汽车。 车载控制器通过发送当前的转向和电机值回Suiron响应。 Suiron取这些数值和与所述框架的一个处理版本保存它们沿。

这一过程发生在30Hz左右（或每秒30次），只要你记录数据。 在最后的模型中，我们使用了约20分钟，值得培养的数据。 这是20分钟左右的轨道连续驱动。这似乎不是很多，但它非常快的重复。  在现实中，20分钟足够近的数据没有在那里。 它的工作原理是特定的轨道类似的照明条件下的很大，但如果条件改变太多可能会失败。

训练数据

再次，我不是在这一个使出，但我会尽量简要说明训练是如何工作的。 卷积神经网络（细胞神经网络）是他们的工作方式很奇怪。 这是不可能的究竟是如何或为何CNN的工作知道的。 基本上，我们给张量流框架和两个数字。 （转向和电机）然后，我们要求它制定出框架如何与这两个数字。 给它成千上万的例子（帧）后它可以尝试概括的模型。

由于计算能力的量需要花费很长的时间来培养一个很好的模式。 由于它具有进行计算的种类，张量流运行在专用GPU快得多。 只有20分钟的数据我们的模型花了半天的时间才能正常训练。 培训发生在一个桌面带着借来的GTX980，一个GPU这是对消费者的显卡的高端。

利用该模型

你可以看到它的行动在下面的GIF。 蓝线是模型认为它应该做的，绿线是当我转向它是我实际做。 注意，这个数据不包括在训练集，这是为了确保该模型适用于其它数据。

只要它经过训练，这套模式就可以被拿来用了。 基本上，发生的事情是我们从摄像头收集只是一个框架。 然后，我们把它传递给张量流，并要求它通过模型来运行它。 该模型然后吐出它认为我们两个值应该是一个转向，一个用于油门。 此刻的油门是未使用的，它以恒定的速度运行。 然而，我们认为我们会包括以防万一，我们希望在将来使用它。

（更多文章，可到微信公众号：bigdata321, 寻求报道转载，请加微信：didaomaster）