AI人工智能|需要更换手机了：基于手机构建无人驾驶微型汽车
今天在 Tensorflow公号看到推文Pixelopolis：由 TensorFlow Lite 构建无人驾驶微型汽车 ， 作者介绍了他们在今年Google I/O大会上展示的TensorFlot Lite构建的无人驾驶微型汽车的展品：Pixcelopolis 。
文章图片
文章图片
▲ TensorFlow Lite构建的无人驾驶微型车
每辆微型汽车都装配有一部Pixel手机 ， 使用手机上的摄像头检测和理解周围的信号 。手机使用了Pixel Neural Core边缘计算芯片（Edge TPU支持的机器学习） ， 可感应车道、避免碰撞和读取交通标志 。
相比于基于云计算来实现视频处理和物体检测 ， 边缘计算可以减少延迟对控制的影响（也许在5G下延迟影响小一点） 。
文章图片
文章图片
▲ 通过手机识别各种目标的Pixelpolis
下图是整个展品的布局 ， 模仿了一个小型城镇广场周围的交通环境 。参观者可以通过手机端的一个应用模拟“站点”来选择出现的目的地 。展品中的微型车就可以驾驶到目的地 ， 整个过程用户可以查看车辆周围以及所检测到的物体 。
文章图片
文章图片
▲ 演示区的道路设计
车模所有对外界的感知都来自于微型车膜前面的手机摄像头 ， 有它获取前方的图片并手机内部署的神经网络完成车道保持、停车定位、障碍检测等 。通过手机底部的USB-C接口扩展来与底层控制板通讯 ， 完成电机控制等 。
文章图片
文章图片
▲ 手机应用程序与Pixelopolis交互
文章图片
文章图片
▲ 手机端可以查看车辆周围所检测到的物品
展品作者采取了与论文：End-to-end Learning for Self-Driving Cars中相类似的技术录像 ， 使用卷积神经网络(CNN)来检测每帧图像内的交通指示线 ， 并给出方向盘的调整量 。增加了LSTM利用前期拍摄的多个图像帧进行改进 。
文章图片
文章图片
▲ CNN 模型的输入和输出
控制器的模型很简单 ， 下面代码就给出了网络的结构构成 。net_in = Input(shape = (80, 120, 3))x = Lambda(lambda x: x/127.5 - 1.0)(net_in)x = Conv2D(24, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(36, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(48, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(64, (3, 3), padding="same",activation='elu')(x)x = Conv2D(64, (3, 3), padding="same",activation='elu')(x)x = Dropout(0.3)(x)x = Flatten()(x)x = Dense(100, activation='elu')(x)x = Dense(50, activation='elu')(x)x = Dense(10, activation='elu')(x) net_out = Dense(1, name='net_out')(x)model = Model(inputs=net_in, outputs=net_out)1234567891011121314
一个神经网络是否能够达到很好的性能 ， 关键在于如何准备好让它学习的训练样本 。为此 。作者使用Unity, Udacity来构建了模拟器 ， 自动生成训练车辆的图像数据 。
推荐阅读
- 人工智能|第二届中国超级算力大会在京举行
- 超能网|亚马逊转用自家芯片进行人工智能训练，只剩少量程序仍然以显卡来训练
- 金台资讯|我们需要什么样的“算法”？
- AI人工智能|华为P50Pro：前摄屏下隐藏，麒麟芯片绝唱怒怼苹果A14
- 腾讯|腾讯举办科学脱口秀X-Talk，聚焦人工智能、基因编辑等前沿技术
- 苹果|iPhone 13，苹果需要作出的7大改进，每个都是果粉的痛点
- AI人工智能|川渝首次联手研发7个科技创新项目
- 手机芯片|Mate40太难抢，不需要高刷屏的话，这两款华为旗舰机也不错！
- 老孙科技|宁买4G，不买5G手机，这不是傻吗？别被骗了5G手机信号差？5G套餐太贵？5G手机综合素质差？更换5G手机有没有必要？
- 一小青峯|人工智能4天2次翻车，柯洁朴廷桓都下出超电脑一手，AI不能全信