無人駕駛雖然入門門檻很高，但是還是可以通過一些簡(jiǎn)化的模型迅速上手。例如比較有名的DonkeyCar，其實(shí)就是一個(gè)簡(jiǎn)單低成本的玩具車，基于樹莓派和Python，利用Keras深度學(xué)習(xí)框架實(shí)現(xiàn)自動(dòng)駕駛。即使沒有實(shí)車，也可以在Donkey Car官網(wǎng)下載模擬器，用程序控制模擬器中的小車。感興趣的同學(xué)可以看看社區(qū)和文檔

目前還有一些比賽也在使用donkey car幫助大家低門檻地進(jìn)入自動(dòng)駕駛領(lǐng)域。例如中國(guó)人工智能學(xué)會(huì)主辦的2018模擬駕駛比賽,比賽提供了一些獎(jiǎng)金，還為進(jìn)入決賽的選手免費(fèi)提供donkeycar實(shí)車線下比拼。此外，中國(guó)人工智能學(xué)會(huì)還會(huì)頒發(fā)證書，所以可以向想要入門自動(dòng)駕駛，想保研、申請(qǐng)獎(jiǎng)學(xué)金的同學(xué)推薦一下。此外，網(wǎng)上還有不少簡(jiǎn)單的攻略，例如下面是一篇來自github的自動(dòng)駕駛相關(guān)研究，我對(duì)這篇文章進(jìn)行了編譯并在此發(fā)布，希望能幫助更多感興趣的朋友上手自動(dòng)駕駛。

歡迎大家相互交流，項(xiàng)目地址：https://biendata.com/kernel/detail/427

導(dǎo)入相關(guān)庫(kù)

步驟1：獲取駕駛數(shù)據(jù)

數(shù)據(jù)集由 ~7900 個(gè)圖像和手動(dòng)開車時(shí)收集的轉(zhuǎn)向角組成。大約三分之二的圖像與線之間的汽車。另外三分之一的車開始偏離航線，并且駛回線路之間。

路徑是

數(shù)據(jù)集由 2 個(gè) pickled 數(shù)組組成。X 是圖像陣列，Y 是相應(yīng)轉(zhuǎn)向角度的陣列。

結(jié)果：

步驟2：拆分?jǐn)?shù)據(jù)

在這里，我們將洗牌（shuffle）我們的數(shù)據(jù)，并將數(shù)據(jù)分成三部分。訓(xùn)練數(shù)據(jù)將用于訓(xùn)練我們的駕駛模型，使用驗(yàn)證數(shù)據(jù)避免過度擬合模型，測(cè)試數(shù)據(jù)用于測(cè)試我們的模型是否學(xué)到了什么。

輸出：7892

輸出：7892

步驟3：增強(qiáng)訓(xùn)練數(shù)據(jù)

為了加倍我們的訓(xùn)練數(shù)據(jù)并防止轉(zhuǎn)向偏差，我們翻轉(zhuǎn)每個(gè)圖像和轉(zhuǎn)向角并將其添加到數(shù)據(jù)集中。還有其他的方法來增加使用翻譯和假陰影駕駛數(shù)據(jù)，但我沒有使用這些自動(dòng)駕駛儀。

結(jié)果：12626

步驟4：建立駕駛模式

這種駕駛模式將是一個(gè)端到端的神經(jīng)網(wǎng)絡(luò)，接受圖像陣列作為輸入，并輸出-90（左）和90（右）之間的轉(zhuǎn)向角。 要做到這一點(diǎn)，我們將使用一個(gè)完全連接圖層的3層卷積網(wǎng)絡(luò)。該模型基于 Otavio 的 Carputer，但不產(chǎn)生油門值輸出，不使用過去的轉(zhuǎn)向值作為模型的輸入，并且使用較少的卷積層。

使用 TensorFlow 后端

輸出：

步驟5：訓(xùn)練模型

我已經(jīng)學(xué)會(huì)了很難的方法，即使這一切都是完美的，如果你沒有正確地訓(xùn)練，你的自動(dòng)駕駛儀將無法工作。我遇到的最大的問題是過度適應(yīng)模型，以至于在很少的情況下都不能正常工作。 這里是 2 個(gè) Keras回調(diào)，將節(jié)省您的時(shí)間。

警告 -如果僅使用CPU，則需要很長(zhǎng)時(shí)間（3小時(shí)）

我在沒有 CUDA 兼容 GPU 的 Dell XPS 筆記本電腦上運(yùn)行，因此速度非常慢，并且凍結(jié)。為了加速訓(xùn)練，您可以使用帶有 GPU 的 EC2 實(shí)例。Keras 和 Tensorflow 已經(jīng)加載了幾個(gè)實(shí)例圖像。

對(duì)于這個(gè)筆記本，我只會(huì)訓(xùn)練模型 4 個(gè)時(shí)代（epochs）。

輸出：

步驟6：評(píng)估性能

我們可以通過繪制預(yù)測(cè)值和實(shí)際值來檢查我們的模型預(yù)測(cè)是否合理。第一個(gè)圖表顯示我們的測(cè)試數(shù)據(jù)中存在一個(gè)學(xué)習(xí)的關(guān)系（在訓(xùn)練期間模型沒有看到）。

第二張圖，使用包含訓(xùn)練數(shù)據(jù)的非混洗（unshuffled）數(shù)據(jù)，來顯示預(yù)測(cè)角度緊跟實(shí)際轉(zhuǎn)向角度。

輸出：

下一步

改善模型，這個(gè)模型是純粹（navie）的，因?yàn)樗皇褂眠^去的值來幫助預(yù)測(cè)未來。我們可以通過將過去的轉(zhuǎn)向角度作為模型的輸入來進(jìn)行試驗(yàn)，添加一個(gè)遞歸層，或者只是改變卷積層的結(jié)構(gòu)。

添加更多數(shù)據(jù)，隨著我們添加更多駕駛數(shù)據(jù)，此模型將會(huì)得到改進(jìn)。預(yù)測(cè)油門，輸出目前自動(dòng)駕駛儀只能轉(zhuǎn)向并保持恒定的速度。一個(gè)更復(fù)雜的模型將加速在直路上，并在路緣之前放緩。