树莓派自动驾驶：使用 Keras 与 Tensorflow 构建车道跟踪自动汽车

无人驾驶虽然入门门槛很高，但是还是可以通过一些简化的模型迅速上手。例如比较有名的DonkeyCar，其实就是一个简单低成本的玩具车，基于树莓派和Python，利用Keras深度学习框架实现自动驾驶。即使没有实车，也可以在Donkey Car官网下载模拟器，用程序控制模拟器中的小车。感兴趣的同学可以看看社区和文档

目前还有一些比赛也在使用donkey car帮助大家低门槛地进入自动驾驶领域。例如中国人工智能学会主办的2018模拟驾驶比赛,比赛提供了一些奖金，还为进入决赛的选手免费提供donkeycar实车线下比拼。此外，中国人工智能学会还会颁发证书，所以可以向想要入门自动驾驶，想保研、申请奖学金的同学推荐一下。此外，网上还有不少简单的攻略，例如下面是一篇来自github的自动驾驶相关研究，我对这篇文章进行了编译并在此发布，希望能帮助更多感兴趣的朋友上手自动驾驶。

欢迎大家相互交流，项目地址：https://biendata.com/kernel/detail/427

导入相关库

步骤1：获取驾驶数据

数据集由 ~7900 个图像和手动开车时收集的转向角组成。大约三分之二的图像与线之间的汽车。另外三分之一的车开始偏离航线，并且驶回线路之间。

路径是

数据集由 2 个 pickled 数组组成。X 是图像阵列，Y 是相应转向角度的阵列。

结果：

步骤2：拆分数据

在这里，我们将洗牌（shuffle）我们的数据，并将数据分成三部分。训练数据将用于训练我们的驾驶模型，使用验证数据避免过度拟合模型，测试数据用于测试我们的模型是否学到了什么。

输出：7892

输出：7892

步骤3：增强训练数据

为了加倍我们的训练数据并防止转向偏差，我们翻转每个图像和转向角并将其添加到数据集中。还有其他的方法来增加使用翻译和假阴影驾驶数据，但我没有使用这些自动驾驶仪。

结果：12626

步骤4：建立驾驶模式

这种驾驶模式将是一个端到端的神经网络，接受图像阵列作为输入，并输出-90（左）和90（右）之间的转向角。 要做到这一点，我们将使用一个完全连接图层的3层卷积网络。该模型基于 Otavio 的 Carputer，但不产生油门值输出，不使用过去的转向值作为模型的输入，并且使用较少的卷积层。

使用 TensorFlow 后端

输出：

步骤5：训练模型

我已经学会了很难的方法，即使这一切都是完美的，如果你没有正确地训练，你的自动驾驶仪将无法工作。我遇到的最大的问题是过度适应模型，以至于在很少的情况下都不能正常工作。 这里是 2 个 Keras回调，将节省您的时间。

警告 - 如果仅使用CPU，则需要很长时间（3小时）

我在没有 CUDA 兼容 GPU 的 Dell XPS 笔记本电脑上运行，因此速度非常慢，并且冻结。为了加速训练，您可以使用带有 GPU 的 EC2 实例。Keras 和 Tensorflow 已经加载了几个实例图像。

对于这个笔记本，我只会训练模型 4 个时代（epochs）。

输出：

步骤6：评估性能

我们可以通过绘制预测值和实际值来检查我们的模型预测是否合理。第一个图表显示我们的测试数据中存在一个学习的关系（在训练期间模型没有看到）。

第二张图，使用包含训练数据的非混洗（unshuffled）数据，来显示预测角度紧跟实际转向角度。

输出：

下一步

改善模型，这个模型是纯粹（navie）的，因为它不使用过去的值来帮助预测未来。我们可以通过将过去的转向角度作为模型的输入来进行试验，添加一个递归层，或者只是改变卷积层的结构。

添加更多数据，随着我们添加更多驾驶数据，此模型将会得到改进。 预测油门，输出目前自动驾驶仪只能转向并保持恒定的速度。一个更复杂的模型将加速在直路上，并在路缘之前放缓。