描述

概括

這個項目，最簡單地說，是對通用移動機器人技術的探索。我已著手在 DeepRacer 上構建多種行為，以了解機器人專家所需的不同技能。在撰寫本文時，我已經(jīng)構建了并行停車和車道跟蹤 ROS 節(jié)點，這些節(jié)點在機器人上運行，具有相當強的魯棒性。我希望任何閱讀本文的人都知道如何使用 OpenCV 的廣泛庫實現(xiàn)基本的顏色閾值、邊緣檢測和特征提取。您還將能夠編寫一個簡單的基于 python 的 ROS 包，以近乎實時的方式實現(xiàn)該算法。最后，我將 AprilTag 檢測庫用于平行停車功能，

背景

AWS DeepRacer 是亞馬遜開發(fā)的一款可愛的機器，旨在讓沒有技術背景的人更容易使用強化學習。該車輛擁有運行 Ubuntu 16.04 的英特爾凌動處理器，允許它使用機器人操作系統(tǒng) (ROS) 和英特爾 OpenVINO 進行視覺處理（我對這個框架沒有做任何事情）。它配備了一個 4 兆像素的廣角攝像頭、一個控制所有 4 個輪子的直流電機和一個轉向伺服系統(tǒng)。還有一個慣性測量單元 (IMU)，我還沒有接觸到它。有關 DeepRacer 的更多信息，請訪問https://aws.amazon.com/deepracer/

我有機會修補其中一個版本 1 DeepRacers，我想分享我的經(jīng)驗。我一定要盡可能多地解釋我的過程，或者附上我將從中改編方法的地方的鏈接。

車道跟隨

我在機器人上實現(xiàn)車道跟蹤時使用的算法基礎可以在 David Tian 撰寫的精彩的 6 部分系列文章中找到，該系列文章開頭為：https://towardsdatascience.com/deeppicar-part-1-102e03c83f2c。

該算法背后的基本思想分為兩部分：

1.圖像處理：

來自 DeepRacer 相機的校正圖像流首先針對色調(diào)-飽和度值 (HSV) 顏色空間中的目標車道顏色進行閾值處理，因為這在寬亮度范圍內(nèi)提供了顯著更高的性能。然后使用 Canny 邊緣檢測算法計算找到的區(qū)域的邊緣。隨后使用概率霍夫線變換將計算出的邊連接成線段。這三種算法都是現(xiàn)成的OpenCV函數(shù)，所以不需要重新造輪子。整個感興趣區(qū)域縮小到圖像的下半部分，因為這是 DeepRacer 立即關注的區(qū)域。然后使用剩余計算出的線段的平均坡度來計算第 2 部分中使用的檢測到的車道線。

下圖顯示了處理圖像的進展，最終檢測到的車道投影到原始圖像上。

?

?

?

?

1 / 6 ? HSV 圖像

?

2. 計算目標航向：

這部分算法是我和 Tian 的工作的卷積。這部分采用第 1 部分中的車道線。如果車道可見，則有兩種可能的情況 - 兩條車道線都可見（理想情況），或者只有一條線可見。

首先，我們解決兩者中較容易的一個：

• 兩條可見車道線 - 當有兩條可見車道線時，任務簡化為計算兩個端點之間的中點并將其設置為目標點。然后我在目標和圖像底部的中心點（我將其作為相機的中心）之間插入一條線。這條線與正 y 軸形成的角度給出了傳遞給 DeepRacer 的轉向角。
• 一條可見的車道線——只有一條車道線，我在計算轉向角時遇到了一些困難。我最終決定簡單地計算一條與單個可見線平行的航向線。在反復測試中，這種方法產(chǎn)生了不錯的結果，但我不相信它的穩(wěn)健性，我愿意接受更好的建議。

這基本上總結了 DeepRacer 的基本車道跟隨算法。我希望它有助于為任何流動站開發(fā)車道跟隨器提供基礎。

平行停車

在本節(jié)中，我將介紹為平行停放機器人而開發(fā)的算法。我想首先指出，由于感測有限，算法相當簡單——單個攝像頭意味著汽車必須依賴大部分開環(huán)控制。這就是說，平行泊車方法分為兩部分——

• DeepRacer 從位置 1 開始，如下圖所示，它估計標簽 1 和 2 之間的距離，并確定它是否真的可以放入停車位
• 如果可以，它就會驅(qū)動到位置 2。這部分過程是完全開環(huán)的
• 然后它可以從位置 2 估計它相對于標簽 3 的位置，如果它在指定區(qū)域內(nèi)，它會繼續(xù)實際停放自己。同樣，這部分是開環(huán)的，因為我們無法在它停放時感覺到它靠近任何一個盒子

?

?

?

?

1 / 3 ?停車設置

?

編寫此節(jié)點的目的是讓自己獲得一些編寫發(fā)布和訂閱 ROS 節(jié)點的經(jīng)驗，該節(jié)點實現(xiàn)了多種消息類型并包含視覺信息。前面提到的標簽是 AprilTags，它是一個標記家族，可以簡化各種與深度相關的圖像處理任務。有關 AprilTag 項目的更多信息，請訪問https://april.eecs.umich.edu/software/apriltag 。標準 AprilTag ROS 節(jié)點發(fā)布相機相對于相機視野內(nèi)任何標簽的旋轉和平移（姿勢）。我就是用這個姿勢來確保汽車可以完成過程的每個階段。

隨著我花更多時間在 DeepRacer 上，我會不斷改進算法并增加它們的數(shù)量。我已經(jīng)著眼于實施對象檢測和跟蹤，以消除系統(tǒng)對 AprilTag 系統(tǒng)的依賴。