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

小咪咪 2022-01-20 00:41 284阅读 0赞

### 本文将介绍如何使用 Keras + Tensorflow 创建卷积神经网络，并对其进行训练，以使得车辆保持在两条白线之间。 ###

import os
    import urllib.request
    import pickle
    
    get_ipython().run_line_magic('matplotlib', 'inline')
    import matplotlib
    from matplotlib.pyplot import imshow

##  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。    数据：https://s3.amazonaws.com/donkey\_resources/indoor\_lanes.pkl ##

with open('../kernel//indoor_lanes.pkl', 'rb') as f:
         X, Y = pickle.load(f)
    
    print('X.shape: ', X.shape)
    print('Y.shape: ', Y.shape)
    imshow(X[0])

## ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70][] ##

# #

## 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。 ##

import numpy as np
    
    
    
    #shuffle  both X and Y the same way
    def unison_shuffled_copies(X, Y):
        assert len(X) == len(Y)
        p = np.random.permutation(len(X))
        return X[p], Y[p]
    
    shuffled_X, shuffled_Y = unison_shuffled_copies(X,Y)
    
    len(shuffled_X)

![20190610143348597.png][]

test_cutoff = int(len(X) * .8) # 80% of data used for training
    val_cutoff = test_cutoff + int(len(X) * .1) # 10% of data used for validation and test data 
    
    train_X, train_Y = shuffled_X[:test_cutoff], shuffled_Y[:test_cutoff]
    val_X, val_Y = shuffled_X[test_cutoff:val_cutoff], shuffled_Y[test_cutoff:val_cutoff]
    test_X, test_Y = shuffled_X[val_cutoff:], shuffled_Y[val_cutoff:]
    
    len(train_X) + len(val_X) + len(test_X)

![20190610143424512.png][]

## 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。 ##

X_flipped = np.array([np.fliplr(i) for i in train_X])
    Y_flipped = np.array([-i for i in train_Y])
    train_X = np.concatenate([train_X, X_flipped])
    train_Y = np.concatenate([train_Y, Y_flipped])
    len(train_X)

![2019061014352767.png][]

# 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。

from keras.models import Model, load_model
    from keras.layers import Input, Convolution2D, MaxPooling2D, Activation, Dropout, Flatten, Dense
    
    
    # 使用 TensorFlow 后端。
    
    # In[39]:
    
    
    img_in = Input(shape=(120, 160, 3), name='img_in')
    angle_in = Input(shape=(1,), name='angle_in')
    
    x = Convolution2D(8, 3, 3)(img_in)
    x = Activation('relu')(x)
    x = MaxPooling2D(pool_size=(2, 2))(x)
    
    x = Convolution2D(16, 3, 3)(x)
    x = Activation('relu')(x)
    x = MaxPooling2D(pool_size=(2, 2))(x)
    
    x = Convolution2D(32, 3, 3)(x)
    x = Activation('relu')(x)
    x = MaxPooling2D(pool_size=(2, 2))(x)
    
    merged = Flatten()(x)
    
    x = Dense(256)(merged)
    x = Activation('linear')(x)
    x = Dropout(.2)(x)
    
    angle_out = Dense(1, name='angle_out')(x)
    
    model = Model(input=[img_in], output=[angle_out])
    model.compile(optimizer='adam', loss='mean_squared_error')
    model.summary()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 1][]

# 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。

import os
    from keras import callbacks
    
    model_path = os.path.expanduser('~/best_autopilot.hdf5')
    
    #Save the model after each epoch if the validation loss improved.
    save_best = callbacks.ModelCheckpoint(model_path, monitor='val_loss', verbose=1, 
                                         save_best_only=True, mode='min')
    
    #stop training if the validation loss doesn't improve for 5 consecutive epochs.
    early_stop = callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=5, 
                                         verbose=0, mode='auto')
    
    callbacks_list = [save_best, early_stop]
    
    
    # 对于这个笔记本，我只会训练模型 4 个时代（epochs）。
    
    # In[23]:
    
    
    model.fit(train_X, train_Y, batch_size=64, nb_epoch=4, validation_data=(val_X, val_Y), callbacks=callbacks_list)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 2][]

# 6.评估性能[¶][Link 1] #

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）。

import pandas as pd
    
    model = load_model(model_path)
    test_P = model.predict(test_X)
    test_P = test_P.reshape((test_P.shape[0],)) 
    
    
    # In[25]:
    
    
    df = pd.DataFrame({'predicted':test_P, 'actual':test_Y})
    ax = df.plot.scatter('predicted', 'actual')
    #ax.set_ylabel("steering angle")
    
    
    #  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。
    
    # In[26]:
    
    
    P = model.predict(X[:700])
    #predict outputs nested arrays so we need to reshape to plot.
    P = P.reshape((P.shape[0],)) 
    
    ax = pd.DataFrame({'predicted':P, 'actual':Y[:700]}).plot()
    ax.set_ylabel("steering angle")

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 3][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 4][]

# 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。

[https://biendata.com/models/detail/427\#/][https_biendata.com_models_detail_427]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70]: /images/20220120/8a578f2030784413bf96d90f71f9ee7d.png
[20190610143348597.png]: /images/20220120/d3eec609ed2449dc932f17615adce0c0.png
[20190610143424512.png]: /images/20220120/56537f4358e14658ac53d23caf1a9994.png
[2019061014352767.png]: /images/20220120/bcf1735752ce470abc597b31e9148da1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 1]: /images/20220120/69226a36262f4f25960cbd4969bce28a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 2]: /images/20220120/db87d15f91454c4c895f487fb18a6fd0.png
[Link 1]: https://biendata.com/models/detail/427#6.%E8%AF%84%E4%BC%B0%E6%80%A7%E8%83%BD
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 3]: /images/20220120/4a58ed7a1e1b43e4a4385dcd62ddfcd2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dpdGh1Yl8zOTUzMzQxNA_size_16_color_FFFFFF_t_70 4]: /images/20220120/83419022cc75431db35890f6cb0882d2.png
[https_biendata.com_models_detail_427]: https://biendata.com/models/detail/427#/