CN110534009A - 一种人工智能无人驾驶课程教具 - Google Patents

Abstract

本发明涉及人工智能教具技术领域，且公开了一种人工智能无人驾驶课程教具，包括智能小车本体，智能小车本体上嵌设固定有驱动模块、摄像头和电池，智能小车本体使用搭载Linux系统的树莓派作为控制中心，且智能小车本体内嵌深度学习相关算法图像识别代码，驱动模块、摄像头和电池与智能小车本体中的树莓派连接，将图像识别技术嵌入智能小车，教师可通过使用该教具，模拟真实无人驾驶场景，帮助学生理解图像识别中深度学习算法的基本原理，智能小车中的代码将大量底层代码化繁为简，按照功能模块分别进行了说明，能方便教师的教学与学生理解、运用，使用模块化的程序代码，实现了对地图数据的采集、训练和测试，能沿地图设置路线自动行驶。

Description

一种人工智能无人驾驶课程教具

技术领域

本发明涉及人工智能教具技术领域，具体为一种人工智能无人驾驶课程教具。

背景技术

无人驾驶汽车作为人工智能的经典应用是智能汽车的一种，主要依靠车载传感器系统感知道路环境，利用车内计算机自动规划行车路线并控制车辆，使车辆能安全可靠地在道路上行驶，无人驾驶汽车感知道路环境使用了人工智能中的图像识别等关键技术，通过学习无人驾驶技术可以帮助学生更好地理解人工智能，其中图像识别技术是指计算机对图像进行处理、分析和理解，实现图像识别的程序算法中，目前准确率最高的是机器学习中的卷积神经网络，因此在无人驾驶课程设计中，老师常使用以上方法模拟真实无人驾驶汽车进行教学。

在现有人工智能无人驾驶的中学教育场景下，教具对课程的支持存在不贴合学生水平，由于无人驾驶技术涉及到数学知识、计算机相关知识等，运用了图像识别等人工智能技术，是多学科交叉融合技术，其中无人驾驶的关键技术-图像识别有较大的教学难度，对学生的计算机编程等能力要求较高，有较高的技术门槛，因此在中学教育场景下，需要配合适合的教具才能帮助学生理解，提高学生积极性，实现课程效果，但市面现有教具为利用红外传感器的巡线小车实现小车的自动驾驶，与实际无人驾驶场景下的技术差距过大，不能满足教学场景需求。

发明内容

针对上述背景技术的不足，本发明提供了一种人工智能无人驾驶课程教具，具备方便教师教学与学生理解、运用和智能小车可在不连接互联网的离线状态下完成所有操作的优点，解决了教育场景下不同学校网络环境复杂问题。

本发明提供如下技术方案：一种人工智能无人驾驶课程教具，包括智能小车本体，所述智能小车本体上嵌设固定有驱动模块、摄像头和电池，所述智能小车本体使用搭载Linux系统的树莓派作为控制中心，且智能小车本体内嵌深度学习相关算法图像识别代码，代码使用的是卷积神经经网络算法，使用python编程语言，所述驱动模块、摄像头和电池与所述智能小车本体中的树莓派连接，所述驱动模块由配套电机、舵机和对应的驱动板组成；

优选的，所述智能小车中的代码使用TensorFlow、keras、numpy和opencv作为主体，所述TensorFlow、keras和numpy用来进行数据处理和构建数学模型，所述opencv用来进行图像处理，所述智能小车的具体代码包括图像预处理模块、键控小车模块、训练模型和测试模型；

所述图像预处理模块：摄像头进行数据采集、对本地jpg或png格式图片进行读取和显示、键盘控制关闭图片窗口和处理，处理方法依次为图片切割、尺寸修改、灰度处理、高斯模糊和图像二值化；

所述键控小车模块：使用键盘上对应的按键控制小车的行驶；

所述训练模型：构建数学模型，使用深度学习中的卷积神经网络模型，将采集到的图片数据转化为数据流输入数学模型，进行数据训练获得对应权重文件；

所述测试模型：将实时采集的图片数据和权重文件输入数学模型，获得预测类别，小车根据预测类别控制电机和舵机进行行驶。

本发明具备以下有益效果：

本发明针对中学教育场景下人工智能无人驾驶课程开发的教具，解决教学场景需求，将图像识别技术嵌入智能小车，教师可通过使用该教具，模拟真实无人驾驶场景，帮助学生理解图像识别中深度学习算法的基本原理，智能小车中的代码将大量底层代码化繁为简，按照功能模块分别进行了说明，能方便教师的教学与学生理解、运用，并且智能小车的车体结构外观由学生自行设计，能给予学生创造空间，激发学生的学习兴趣，减少了编程过程中的枯燥感，同时，学生能自行操控教具，参与全过程，帮助学生提高课堂的专注度和参与感。

本教具通过与无人驾驶课程深度结合，教具的程序使用python编程，使用TensorFlow、keras、numpy和opencv的函数库，运用卷积神经网络模型进行图像识别，能在不连接互联网的情况下，使用模块化的程序代码，实现了对地图数据的采集、训练和测试，能沿地图设置路线自动行驶。

附图说明

图1为本发明智能小车的组成部分示意图；

图2为本发明智能小车具体代码模块示意图；

图3为本发明智能小车的组装流程图；

图4为本发明智能小车的操作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，一种人工智能无人驾驶课程教具，包括智能小车本体，智能小车本体上嵌设固定有驱动模块、摄像头和电池，智能小车本体使用搭载树莓派系统的树莓派作为控制中心，本教具除在Linux系统的软件环境开发之外，在其他Linux、Windows或Mac OS环境下也通用，可根据实际需求将树莓派修改为其他微型电脑，对应相应的电机、舵机驱动板再嵌入教具所需代码，也可实现本教具的功能，本教具通过功能清晰明确的代码和说明帮助教师进行课堂教学和学生理解使用，使学生不需要了解代码背后的原理，减少了编程工作，专注于功能的实现和应用的学习与体验，降低课程的技术难度，能适用于中学生的学习需求，且智能小车本体内嵌深度学习相关算法图像识别代码，代码使用的是卷积神经经网络算法，使用python编程语言，驱动模块、摄像头和电池与智能小车本体中的树莓派连接，智能小车本体将行驶在教具配套的地图上，驱动模块由配套电机、舵机和对应的驱动板组成，内嵌教具所需代码，本教具车体结构不固定，教师和学生可根据自身设计进行外观和结构的调整，但车轮前后左右间距应在对应地图要求范围内，提升学生的创造空间，激发学习的兴趣，使教学变得全面化；

其中，智能小车中的代码使用TensorFlow、keras、numpy和opencv作为主体，TensorFlow、keras和numpy用来进行数据处理和构建数学模型，opencv用来进行图像处理，智能小车的具体代码包括图像预处理模块、键控小车模块、训练模型和测试模型；

图像预处理模块：摄像头进行数据采集、对本地jpg或png格式图片进行读取和显示、键盘控制关闭图片窗口和处理，处理方法依次为图片切割、尺寸修改、灰度处理、高斯模糊和图像二值化；

键控小车模块：使用键盘上对应的案件控制小车的行驶；

训练模型：构建数学模型，使用深度学习中的卷积神经网络模型，将采集到的图片数据转化为数据流输入数学模型，进行数据训练获得对应权重文件；

测试模型：将实时采集的图片数据和权重文件输入数学模型，获得预测类别，小车根据预测类别控制电机和舵机进行行驶。

本实施例的组装和使用原理如下：

教具的组装步骤参考附图3所示：首先使用教具中的金属结构件及工具搭建车体结构，然后将电机和舵机安装在车体结构上与后轮前轮对应连接以控制后轮转动和前轮转弯，再将树莓派与驱动板连接，电机和舵机通过线与驱动板连接，其中电机的正极和负极连接至驱动板电机接线1口的第一接口和第二接口，舵机的棕色线连接至驱动板上标识为的GND的接线柱，黄色线连接至驱动板上接标识为PWM线柱，红色线连接至驱动板上标识为V+的接线柱，再将摄像头通过USB线连接至树莓派的USB接口，把树莓派、电池和摄像头固定在车体结构上后即组装完毕；

教具使用步骤参考附图4所示：接通电池与树莓派及驱动板的电源，使用者使用笔记本电脑或台式电脑通过无线网络连接树莓派创建的网络热点，进入可视化操作界面，控制树莓派运行代码，首先运行图像数据采集代码进行图像采集，在地图上通过键盘控制行驶在规定线路上，采集不同类别的道路情况图片，然后运行训练模型代码获得权重文件和对应的准确率，最后运行测试代码文件，在模型中使用训练好的权重进行无人驾驶测试，观察小车在地图上无人操控时的行驶状况，老师可根据代码中的备注说明指导学生修改相关参数获得不同的准确率，体验无人驾驶的效果差异，更深入理解图像识别的深度学习原理。

(注：本发明所提及的无人驾驶智能小车与本技术方案中所提及的教具为同一指向)

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种人工智能无人驾驶课程教具，包括智能小车本体，所述智能小车本体上嵌设固定有驱动模块、摄像头和电池，其特征在于：所述智能小车本体使用搭载Linux系统的树莓派作为控制中心，且智能小车本体内嵌深度学习相关算法图像识别代码，代码使用的是卷积神经网络算法，使用python编程语言，所述驱动模块、摄像头和电池与所述智能小车本体中的树莓派连接，所述驱动模块由配套电机、舵机和对应的驱动板组成。

2.根据权利要求1所述的一种人工智能无人驾驶课程教具，其特征在于：所述智能小车中的代码使用TensorFlow、keras、numpy和opencv作为主体，所述TensorFlow、keras和numpy用来进行数据处理和构建数学模型，所述opencv用来进行图像处理，所述智能小车的具体代码包括图像预处理模块、键控小车模块、训练模型和测试模型；

所述图像预处理模块：摄像头进行数据采集、对本地jpg或png格式图片进行读取和显示、键盘控制关闭图片窗口和处理，处理方法依次为图片切割、尺寸修改、灰度处理、高斯模糊和图像二值化；

所述键控小车模块：使用键盘上对应的按键控制小车的行驶；

所述训练模型：构建数学模型，使用深度学习中的卷积神经网络模型，将采集到的图片数据转化为数据流输入数学模型，进行数据训练获得对应权重文件；

所述测试模型：将实时采集的图片数据和权重文件输入数学模型，获得预测类别，小车根据预测类别控制电机和舵机进行行驶。