繼卓大大發(fā)布了推文“基于RT106x電磁智能車AI算法”，并將此列為2020年智能車競(jìng)賽的比賽項(xiàng)目之一以后，AI算法智能車受到了廣大同學(xué)和專家的熱烈討論。很多同學(xué)都想在自己的賽道上感受一下AI的魅力，但苦于沒(méi)有文檔和工具而無(wú)從下手。

在這里向大家介紹我們?cè)赗T106x的小車上部署實(shí)施AI的方法，以及一個(gè)base line的電磁導(dǎo)引神經(jīng)網(wǎng)絡(luò)模型，希望能拋磚引玉，激發(fā)同學(xué)們開(kāi)動(dòng)腦筋，將AI在電磁智能車上的應(yīng)用發(fā)揚(yáng)光大。

先期準(zhǔn)備

硬件條件

話不多說(shuō)，首先必須有電磁智能車一輛，無(wú)線透?jìng)髂K用于采集訓(xùn)練數(shù)據(jù)（感謝逐飛科技友情贊助）。

下圖是我們使用的車模，其中紅色框內(nèi)車身的7個(gè)電感，是AI算法中電磁車運(yùn)行導(dǎo)向的輸入電感。

AI電磁實(shí)驗(yàn)的車模及其傳感器配置

藍(lán)色框內(nèi)的電感是抓取訓(xùn)練數(shù)據(jù)時(shí)的導(dǎo)航電感，在AI算法中并不使用（在模型部署成功后可以拆除）。

軟件環(huán)境

Python：3.7.3

Keras：2.2.4

TensorFlow：1.13.1

模型設(shè)計(jì)

模型的目的是通過(guò)車身的電感值來(lái)推導(dǎo)出對(duì)小車舵機(jī)的轉(zhuǎn)向控制命令，這是典型的回歸問(wèn)題。

我們訓(xùn)練了簡(jiǎn)易的Baseline模型，結(jié)構(gòu)如下：

使用Netron軟件顯示的網(wǎng)絡(luò)結(jié)構(gòu)圖

如圖所示，模型只使用了Dense算子——也就是全連接層，在一些文獻(xiàn)里稱之為多層感知機(jī)。模型使用最新一筆7個(gè)電感的讀數(shù)，參數(shù)19,301個(gè)，內(nèi)存需求很小，運(yùn)算速度快，用RT1060哪怕是按16位量化也完全無(wú)壓力。

不過(guò)，各位同學(xué)不要以為設(shè)計(jì)完了模型就萬(wàn)事大吉了，以為有了AI模型就可以忘掉經(jīng)典算法中調(diào)參的痛苦。小編可以負(fù)責(zé)任地告訴你，痛苦才剛剛開(kāi)始……

采集數(shù)據(jù)，訓(xùn)練模型

數(shù)據(jù)采集和處理

眾所周知訓(xùn)練數(shù)據(jù)是機(jī)器學(xué)習(xí)的重中之重，沒(méi)有完備的數(shù)據(jù)AI模型只不過(guò)是鏡中花水中月，沒(méi)有任何意義。訓(xùn)練數(shù)據(jù)對(duì)于模型而言就是韓信點(diǎn)兵多多益善，但也一定要小心不要引入錯(cuò)誤數(shù)據(jù)，錯(cuò)誤數(shù)據(jù)會(huì)讓你出軌~啊不，是讓小車出軌，然后就無(wú)跡可尋了。小編為了訓(xùn)練數(shù)據(jù)不知道掉了多少頭發(fā)，死了多少腦細(xì)胞。

我們獲取訓(xùn)練數(shù)據(jù)的方法是：小車運(yùn)行經(jīng)典導(dǎo)航算法，由小車的前置電感導(dǎo)航，實(shí)時(shí)抓取車身的電感數(shù)據(jù)，轉(zhuǎn)向數(shù)據(jù)，再通過(guò)無(wú)線透?jìng)髂K發(fā)送到PC端，PC上的串口工具把數(shù)據(jù)保存成文本格式。

怎么把文本格式的數(shù)據(jù)轉(zhuǎn)換成訓(xùn)練數(shù)據(jù)呢？這就要借助強(qiáng)大的Python了，在腳本里讀入文本文件，把7組AD值作為x_train、x_test，對(duì)應(yīng)的轉(zhuǎn)向值pwm作為y_train、y_test，并保存成numpy數(shù)組文件以方便訓(xùn)練腳本調(diào)用，建議生成四個(gè)文件x_train.npy、x_test.npy、y_train.npy、y_test.npy，注意數(shù)據(jù)格式要符合模型結(jié)構(gòu)，數(shù)據(jù)范圍要壓縮至-128~127之間用于制作測(cè)試文件。

在數(shù)據(jù)轉(zhuǎn)換時(shí)需要對(duì)AD值做一個(gè)簡(jiǎn)單濾波。以下是我們使用的濾波算法僅供參考。

簡(jiǎn)單的濾波算法

模型訓(xùn)練

在訓(xùn)練腳本讀取訓(xùn)練數(shù)據(jù)numpy文件，并把數(shù)據(jù)范圍標(biāo)準(zhǔn)化至-1~+1的浮點(diǎn)數(shù)。并調(diào)整數(shù)據(jù)表形狀(reshape)為模型輸入?yún)?shù)的結(jié)構(gòu)。

輸入?yún)?shù)結(jié)構(gòu)
（建議把源代碼的若干個(gè)相關(guān)行分自然段，每個(gè)自然段添加一行中文注釋。比如reshape的，astype的）

模型函數(shù)：

模型函數(shù)

模型訓(xùn)練部分代碼（添加少量關(guān)鍵中文注釋）：

訓(xùn)練部分代碼
這里保存了臨時(shí)文件xxx_ctx.h5，為了訓(xùn)練中途意外停止后，重新訓(xùn)練時(shí)可以支持?jǐn)帱c(diǎn)續(xù)練。

優(yōu)化器使用RMSprop，損失函數(shù)使用mean_squared_error。

訓(xùn)練損失函數(shù)

訓(xùn)練時(shí)誤差迅速下降，下降速度越來(lái)越慢，20輪訓(xùn)練后精度即已接近最終效果。這里顯示了訓(xùn)練了120次后的結(jié)果：loss=0.0044.

訓(xùn)練過(guò)程誤差

各位看官讀到這里是不是腦海里已經(jīng)有了智能車策馬奔騰的畫(huà)面了，并且迫不及待的想把訓(xùn)練好的模型部署到小車上了？
No No No，經(jīng)常被生活打臉的小編告訴你這是完全不夠的。為什么呢？很簡(jiǎn)單模型過(guò)擬合了。AI模型運(yùn)行時(shí)會(huì)有誤差，遲早導(dǎo)致出軌，那么有哪些誤差呢：

模型計(jì)算的誤差，邏輯回歸引入的誤差，無(wú)論訓(xùn)練多少遍一定會(huì)存在一定的誤差

訓(xùn)練數(shù)據(jù)采集時(shí)的誤差，前置電感和車身電感距離上的誤差

累積誤差，前兩種誤差會(huì)導(dǎo)致小車偏離軌道以至誤差越來(lái)越大。積累到在訓(xùn)練數(shù)據(jù)里沒(méi)有出現(xiàn)過(guò)的程度時(shí)，模型就不知該怎么辦了，這是出軌的根源（說(shuō)起來(lái)簡(jiǎn)單，小編其實(shí)被虐了很久才悟出來(lái)）。

知道了癥結(jié)所在，就可以對(duì)癥下藥了：盡可能讓訓(xùn)練數(shù)據(jù)里出現(xiàn)小車的各種回歸正軌的模式。簡(jiǎn)單的說(shuō)就是要引入從偏離軌道狀態(tài)重返回軌道過(guò)程的糾正數(shù)據(jù)，我們通過(guò)兩種辦法獲得糾正數(shù)據(jù)。

第1種方法：把小車電機(jī)配置成手動(dòng)控制模式，但要保留轉(zhuǎn)向控制功能和數(shù)據(jù)采集功能。把小車移動(dòng)到偏離位置，手動(dòng)推動(dòng)小車，小車原有的控制算法會(huì)矯正方向使小車回到軌道上去。同時(shí)要抓取實(shí)時(shí)數(shù)據(jù)并保存。如下視頻所示

手動(dòng)控制模式采集數(shù)據(jù)

第2種方法：在用經(jīng)典算法引導(dǎo)小車時(shí)，加入隨機(jī)干擾，故意讓小車偏離軌道一會(huì)，同時(shí)讓控制算法短暫休眠，小車在此期間會(huì)出軌，待算法喚醒后趕緊再糾正回來(lái)，并且實(shí)時(shí)保存糾正的數(shù)據(jù)。如下視頻所示

經(jīng)典算法引導(dǎo)采集數(shù)據(jù)

總結(jié)一下，數(shù)據(jù)分三部分：

經(jīng)典算法導(dǎo)航的正常數(shù)據(jù)。

手動(dòng)偏移的糾正數(shù)據(jù)。

經(jīng)典算法隨機(jī)干擾的糾正數(shù)據(jù)。

把三個(gè)數(shù)據(jù)合成一套訓(xùn)練數(shù)據(jù)。特別注意第2種方法中可能會(huì)引入錯(cuò)誤數(shù)據(jù)（小車過(guò)度偏離賽道，手動(dòng)移動(dòng)小車時(shí)小車與賽道平面角度過(guò)大或與水平面距離太遠(yuǎn)），實(shí)際操作過(guò)程中要小心。由于機(jī)器學(xué)習(xí)的不可解釋特性，錯(cuò)誤數(shù)據(jù)或不合適數(shù)據(jù)會(huì)導(dǎo)致不可預(yù)知的行為，所以整個(gè)過(guò)程可能需要多次嘗試和調(diào)整。

模型部署

經(jīng)過(guò)多輪的訓(xùn)練，我們得到最終的模型文件smartcar.h5。

那么怎么部署到小車上呢，這要借助“NNCU”這一套神器了。NNCU模型轉(zhuǎn)換器可以點(diǎn)擊這里從網(wǎng)盤下載，這里有個(gè)大禮包，里面有nnCU工具、教學(xué)視頻、用戶手冊(cè)，還有一個(gè)MCU+AI的ppt。
通過(guò)轉(zhuǎn)換器把模型轉(zhuǎn)換成C文件。這樣就可以很方便的集成到原有的工程中了，注意還需要集成一些依賴庫(kù)和算法庫(kù)，可以參考性能測(cè)試工程（nncie_stub.uvproj）。
從網(wǎng)盤中下載解壓nncu_test_nighty.7z，運(yùn)行“nncu_vbgui.bat”，選擇模型文件，配置信息如下：

模型配置信息
這里我們使用14位來(lái)量化模型，對(duì)于NNCU工具，9-16位都會(huì)使用16位整數(shù)來(lái)封裝。

16位量化和8位量化相比，以犧牲少量模型推理時(shí)間和加倍模型數(shù)據(jù)的代價(jià)，換來(lái)幾乎無(wú)損的精度。
這里還有個(gè)重要的小建議：雖然使用16位整數(shù)來(lái)表達(dá)，但實(shí)際最好只使用其中的9-15位（未用的位會(huì)自動(dòng)做有符號(hào)擴(kuò)展），是為了防止模型運(yùn)算期間的乘累加溢出。

注意輸入數(shù)據(jù)移位指數(shù)7位，這意思是說(shuō)數(shù)據(jù)里有7個(gè)二進(jìn)制位用于表達(dá)分?jǐn)?shù)（或者說(shuō)是小數(shù)）部分?；叵肭拔奶岬綔y(cè)試集和訓(xùn)練集中數(shù)據(jù)范圍是-128+127，而模型訓(xùn)練時(shí)，模型處理數(shù)據(jù)范圍是-1+1，所以量化數(shù)據(jù)里其實(shí)是放大到128倍了，也就是7個(gè)二進(jìn)制分?jǐn)?shù)位。

我們?cè)倏础拜敵龊筇幚眍愋汀?。由于模型是做預(yù)測(cè)，后處理需要用戶自己處理，不需要執(zhí)行引擎后處理。
中間層、輸出層分?jǐn)?shù)位數(shù)：由于模型輸出是-1~+1之間，10位分辨率也比較夠用，這里占用量化總位數(shù)14位中的10位來(lái)表達(dá)分?jǐn)?shù)。大家也可以試試其它的，比如9-13，一般影響極小。
點(diǎn)擊”干活!”，會(huì)跳出后臺(tái)轉(zhuǎn)換腳本的命令窗口，稍候片刻會(huì)在nncu_pc目錄下生成model1.nncu.c—模型執(zhí)行文件。那么怎么使用以及模型量化后性能怎么樣呢？

NNCU工具里提供了測(cè)試工程“test_mcu”，各位同學(xué)可以通過(guò)這個(gè)工程測(cè)試量化后的模型性能，也可以參考這個(gè)工程來(lái)進(jìn)行模型移植工作。具體的操作，可以點(diǎn)擊看這個(gè)視頻（末尾部分），也可以看這篇微信文章"在MCU上實(shí)現(xiàn)AI深度學(xué)習(xí)，你想知道的都在這兒"以了解更多。

測(cè)試性能，首先需要制作測(cè)試數(shù)據(jù)集。我們把a(bǔ)d_test_dat.npy作為輸入，把模型計(jì)算結(jié)果和pwm_test_label.npy值的平方差作為誤差，計(jì)算平均差值來(lái)評(píng)估量化后的模型性能。

把訓(xùn)練集和測(cè)試集復(fù)制到”datasetssmartcar_ad”目錄，命名如下：

存儲(chǔ)訓(xùn)練集和測(cè)試集合的目錄

點(diǎn)擊工具右下角“制作測(cè)試數(shù)據(jù)”按鈕。選擇迷你數(shù)據(jù)集中smartcar_ad，點(diǎn)擊”干活"。在目錄nncu_pc下生成測(cè)試文件smartcar_ad.nctv.c。

生成測(cè)試文件
下一步是測(cè)試模型性能（參照幫助視頻“nncu_使用入門.mp4”）?？截恗odel1.nncu.c, smartcar_ad.nctv.c到目錄test_mcuoardsevkmimxrt1060demo_apps ncie_stub中，覆蓋原有文件：model.nncu.c，tv.nctv.c。

打開(kāi)工程mdk ncie_stub.uvprojx，在helo_world.c中的測(cè)試函數(shù)CIETest，模型計(jì)算測(cè)試集求得平均差值。平均差值越小表示模型在測(cè)試集的擬合性越高。但注意這是沒(méi)有累積誤差情況下，實(shí)際上需要多加入回歸正軌的數(shù)據(jù)，否則即使差值小也不能保證實(shí)際效果，只是模型過(guò)擬合，在測(cè)試集上表現(xiàn)的很好。

應(yīng)用模型激素測(cè)試集合進(jìn)行測(cè)試

CI_RunModelXIP_NoCopyOutput(pvModel, pImg + 8, (void**)&g_out);

是模型執(zhí)行的函數(shù)調(diào)用，用法如下：

pvModel – 模型數(shù)據(jù)，在model1.nncu.c定義，包含了模型的信息和參數(shù)

pImg + 8 – x_text 也就是7個(gè)AD數(shù)值

g_out – 模型輸出buffer，根據(jù)配置輸出為16bit，帶有分?jǐn)?shù)位的數(shù)據(jù)。需要移位得到-128~+127的數(shù)值范圍才能發(fā)送給舵機(jī)。

編譯工程，通過(guò)JLink連接板子，并打開(kāi)串口程序，接收串口的調(diào)試信息。開(kāi)始debug模式，工程默認(rèn)使用sram運(yùn)行程序，等待測(cè)試程序執(zhí)行。執(zhí)行結(jié)束后，串口會(huì)輸出執(zhí)行結(jié)果：即平均差值，和平均執(zhí)行時(shí)間。

小編訓(xùn)練的模型6000次平均差值是16，每次計(jì)算時(shí)間1.87dms——0.187ms。

串口輸出測(cè)試結(jié)果

實(shí)戰(zhàn)演習(xí)

經(jīng)過(guò)模擬測(cè)試，模型性能符合預(yù)期，下一步就是把相關(guān)代碼集成到電磁車系統(tǒng)中。首先集成nncie庫(kù)nncie_imxrt10x0.lib，model.nncu.c，以及nncu_mcucmsis_nnSource中的CMSIS_NN相關(guān)代碼（參照測(cè)試工程）。其次集成模型的調(diào)用方法：

模型調(diào)用方法
model1數(shù)組就是模型數(shù)據(jù)，ad_array是7個(gè)電感數(shù)據(jù)（如果12bit，需要移位到8bit），pwm是模型計(jì)算的轉(zhuǎn)向值(范圍-128+127)。請(qǐng)注意，制作訓(xùn)練數(shù)據(jù)時(shí)，為了方便訓(xùn)練計(jì)算，我們把轉(zhuǎn)向值范圍由真實(shí)值-420420壓縮到了-128127，所以在控制舵機(jī)時(shí)，需要把計(jì)算所得的轉(zhuǎn)向值放大到-420+420。

現(xiàn)在小伙伴可以在賽道上驗(yàn)證模型的實(shí)際性能了，可能第一次不會(huì)成功，需要多些耐心處理訓(xùn)練數(shù)據(jù)反復(fù)的重新訓(xùn)練，迭代調(diào)試了。

結(jié)果展示

這是小編訓(xùn)練的模型的實(shí)際運(yùn)行情況（摘除了前置采集裝置）

AI電磁車模實(shí)際運(yùn)行情況

未來(lái)展望

以上是AI機(jī)器學(xué)習(xí)部署到電磁智能車的全過(guò)程，可以驗(yàn)證機(jī)器學(xué)習(xí)在電磁智能車上實(shí)施的可行性。
在這個(gè)過(guò)程中遇到很多問(wèn)題，主要是處理分析訓(xùn)練數(shù)據(jù)，經(jīng)過(guò)多次迭代訓(xùn)練才得到一個(gè)基本可靠的模型。
當(dāng)然還存在一些有待改進(jìn)地方：

小車目前還是勻速運(yùn)動(dòng)，沒(méi)有速度變化，怎樣設(shè)計(jì)更好的模型來(lái)引入速度參數(shù)？

數(shù)據(jù)獲得方式是不是有更好的辦法，通過(guò)對(duì)電磁軌道的模擬，來(lái)通過(guò)公式工具推導(dǎo)訓(xùn)練數(shù)據(jù)？

怎樣可以引入更加豐富的賽道內(nèi)容，比如交通引導(dǎo)線，指示燈，障礙物？等等。
編輯：hfy