在智能车控制这一热门领域，如何让车辆既快速又稳定地运行始终是个难题。最近，Michal Nand 在 HACKADAY.IO 上分享了一套颇具创意的方案——利用卷积神经网络辅助巡线智能车的控制。他不仅清晰阐述了核心思路，还对神经网络的结构设计、训练方法以及在资源受限微控制器上的部署细节都进行了详尽讲解，值得深入拆解。

简介

智能车的任务并不复杂：在平面赛道上，沿彩色引导线（通常是黑色）从起点运行至终点，再折返。赛道某段还放置了一块砖头作为障碍物。传统方案要么依赖PID调参，要么靠逻辑判断，但作者另辟蹊径——大部分控制算法仍使用PID和逻辑判断，而核心的赛道类型识别则交由卷积神经网络。车模运行过程中，传感器采集二维路面数据，CNN负责对赛道类型进行分类，然后根据路况动态调整车速：直线加速、弯道减速，从而在保障稳定性的前提下提升速度。

▲ 利用神经网络控制的巡线智能车

机械结构

1. 硬件构成

智能车的硬件选型相当务实，核心配置如下：

• 嵌入式控制器：STM32F303，Cortex M4F 72MHz
• 电机驱动器：TI DRV8834 低电压双相步进电机驱动器
• 电机：Pololu HP电机，减速齿轮箱 1:30，带磁编码器
• 轮胎：Pololu 28mm，高黏着力
• 惯性导航器件：LSM6DS0
• 巡线传感器：8个绿光（540nm）光电传感器，3个红外障碍传感器
• 电源：180mAh，LiPol 2S
• 编程接口：USB，通过Bootloader下载程序

▲ 智能车的硬件构成

2. 组成器件

控制算法

1. 控制调试界面

“磨刀不误砍柴工”。作者基于OpenGL开发了一套调试软件，通过界面可以实时查看：八个巡线光电传感器的原始数值、电机状态（速度、编码器值）、惯性传感器数据、神经网络分类处理过程，以及通过串口获得的原始数据。这种可视化调试手段，对理解卷积神经网络在真实场景中的行为非常有帮助。

▲ 编程调试界面

2. 智能车控制软件要点

控制软件的主要功能与指标可以概括为：

• 通过二次插值算法，利用8个光电传感器获得更精确的引导线位置
• 主控制频率：200Hz
• 方向控制器：采用PD控制
• 电机速度控制：采用双串级PID
• 赛道引导线预测：直线加速，弯道减速，通过深度神经网络识别赛道类型
• 软件编程语言：C++
• 神经网络训练：使用GPU加速

▲ 智能车的软件控制框架

3. 神经网络用于引导线的预测

作者利用深度卷积神经网络完成对引导线的预测与分类，核心思路是根据引导线类型调整运行速度：直线时快速通过，曲线时减速慢行。这里采用了DenseNet（稠密连接卷积神经网络）结构。

输入数据是一个8×8的传感器数据矩阵：8个光电传感器排成一条直线，连续采集前后相邻8条数据，构成8×8的二维矩阵。输出是五种曲线类型：两种右拐、两种左拐、一种直线。

▲ 神经网络结构图

训练数据采用人工生成的仿真数据，样本量：训练集25000个，测试集5000个。数据增强手段包括Luma噪声和White噪声。

▲ 输入训练数据样本

由于最终要部署在STM32F303这样的单片机中，作者在网络的鲁棒性与运行速度之间做了权衡。网络运行频率也是200Hz，意味着单次推理时间必须小于5毫秒。为此，作者选择了DenseNet，它相比纯卷积神经网络使用更少的卷积核，从而提高了计算效率。

▲ 神经网络的结构

最终，网络在测试集上的识别准确率达到了95%。

4. 网络最终结构

CNN的具体参数如下表所示：

▲ 神经网络的各层结构参数

5. 将网络部署到单片机中

为了让神经网络在32位单片机上跑起来，作者做了三方面的改造：首先，将所有浮点数改为int8_t；其次，将权重参数缩放到8bit范围；最后，使用双缓存技巧节省内存，共用两个内存缓存来计算所有层的数据。这样一来，原本需要大量浮点运算和内存占用的网络，就能在资源极其有限的嵌入式环境中流畅运行。

▲ 神经网络部署到单片机的流程示意图