人工神经网络在智能车上的应用

张静雨 梁佳佳 汪文卉

摘 要：在传统的视觉寻迹智能车中，人们使用摄像头获得路况信息，并对图像加以处理，然后根据产生的偏差来控制小车行驶，它会根据设定好的判定条件实现方向控制。而人工训练的神经网络能够在训练中不断优化神经突触的权值，并将信息存储在内部，通过大量数据的学习，实现寻迹功能。本项目摒弃了传统的电磁采集位置式PID控制算法，使用自行训练的人工神经网络模型对电磁传感器的电磁进行分析。车模方向控制方面，不再手动编写控制算法和调节参数，使训练集、测试集等符合高斯分布。这样不仅让训练出的神经网络具有一定的鲁棒性，还能够增强智能车对道路的适应性。人工神经网络控制算法可以应用到更多的人工智能领域，人们可以类比基于机器视觉的神经网络控制模型，利用openCV（可编程全彩摄像头），配合神经网络算法，为无人驾驶技术在3D感知与物体检测中的应用打下坚实基础。同时，人们可以在其他领域做出进一步的尝试：电子导盲犬利用openCV，配合特定算法，能很好地捕捉和反馈路面信息;垃圾分类机器人利用openCV强大的图像处理库，配合卷积神经网络，可以实现垃圾的智能分类。

关键词：人工神经网络;智能车;模块化

中图分类号：TP18文献标识码：A文章编号：1003-5168（2021）04-0053-03

Abstract： In the traditional visual tracing smart car， people use the camera to obtain road condition information， process the image， and then control the driving of the car according to the deviation generated， and it will realize the direction control according to the set judgment conditions. The artificially trained neural network can continuously optimize the weight of the nerve synapse during training， and store the information internally， and realize the tracking function through the learning of a large amount of data. This project abandons the traditional electromagnetic acquisition position PID control algorithm， and uses a self-trained artificial neural network model to analyze the electromagnetic sensor's electromagnetic. Regarding the direction control of the car model， the control algorithm and adjustment parameters are no longer manually written， so that the training set， test set， etc. conform to the Gaussian distribution. This not only allows the trained neural network to have a certain degree of robustness， but also enhances the adaptability of the smart car to the road. Artificial neural network control algorithms can be applied to more artificial intelligence fields， people can compare neural network control models based on machine vision， use openCV （programmable full-color camera）， and neural network algorithms to lay a solid foundation for the application of driverless technology in 3D perception and object detection. At the same time， people can make further attempts in other areas： electronic guide dogs use openCV with specific algorithms to capture and feedback road information well; the garbage sorting robot uses the powerful image processing library of openCV and the convolutional neural network to realize the intelligent classification of garbage.

Keywords： artificial neural network;intelligent car;modularity

智能車是典型的高新技术综合体，其研究成果广泛应用于交通运输事业，是世界车辆工程领域研究的热点[1-2]。传统电磁采集位置式PID算法在积分环节中对从时间0到当前时间的偏差进行积分，采样时间的输出与过去的每个时间相关，而控制器的输出对应执行器的实际位置，整个过程耗费内存空间，计算时间长[3-4]。本项目采用自行训练的浅层人工神经网络对来自电磁传感器的电磁进行分析，可以避免PID算法的烦琐调参问题，提高了智能车在学习过程中的稳定性、鲁棒性，增强了路径学习优化效果。

1 模型思想

1.1 主体设计

通过构想，本研究使用模拟软件设计出整个小车运行的道路环境，最为重要的是人工神经网络算法设计和小车方向行驶设计。通过模拟的弯道路径图制定路面行驶规则，规定小车不能行驶到赛道的边缘，同时赋予训练模型主体加速、减速、左转和右转四个基本操作，以此来控制小车的行驶轨迹。本研究设计出的小车系统框架如图 1 所示。

1.2 模型设计

神经网络的结构为7×15×2，其中，输入层为7个变量，隐层为15个变量，输出层为2个数据变量。神经算法层如图2所示。7个输入量分别为小车的速度、赛道的角度以及小车距离赛道边缘的五个长度。输出层的两个变量表示赛车是否加速和转向。通过主观判断，先设置小车的初始转向角度为20°，后期再进行调整，使小车获得最佳的转向角度。

1.3 训练设计

训练设计主要是筛选出较优的人工神经网络，实现数据的迭代与权值储存。此过程使用人工神经网络算法控制小车，不断对这些收集的数据进行训练，然后配合遗传算法筛选表现最好的神经网络，最终训练出一个可以控制小车跑完全程的较为优秀的人工神经网络。在训练的过程中，对人工神经网络进行当前权值分别为0.1、0.3、0.6的随机扰动，以一定概率替换神经网络某一层的权值，使权值储存到神经网络中，进行下一次的学习。

2 神经网络算法及训练过程

2.1 训练权重和阈值

针对图2所示的人工神经网络算法层，在给定的训练集[D=（x1，y1），（x2，y2），…，（xm，ym）]中，[xi]表示输入层的第[i]个输入，[Vih]表示输入层的第[i]个输入与隐层的第[h]个神经元的连接权重;[bh]表示隐层的第[h]个神经元的输入，[Whj]表示隐层的第[h]个神经元到输出层的第[j]个神经元的连接权重。其中，输出层的第[j]个神经元的阈值用[θj]表示，输入层的第[j]个神经元的阈值用[βj]表示，隐层和输出层使用Sigmoid函数表示，即

下面通过不断数据迭代，用含有大量测试数据的数据集去训练权重和阈值，得到最优的结果。

2.2 算法流程

开始训练前，本文用Python中的pygame库画出小车行驶经历的弯道，将神经网络的指标输入主函数中，最后计算出移动的距离和迭代的次数。变量[v]代表速度变化，[v]=1时为加速，[v]=-1时为减速;变量[dit]用于控制方向，其中[dit]=-1时向左，[dit]=1时向右，最终确定小车是否能够自动行驶，以验证人工神经网络在自动驾驶中的可行性，将此迁移到实际的智能车模型设计中。算法流程如图3所示。

3 模型训练

3.1 训练路径设计与结果

训练路径的設计对象是小车，所以人们需要考虑道路的状况，不能让小车触碰道路边缘，当小车到达弯道的尽头时，结束训练。如图4所示，方块代表小车，弯道是拟定的小车训练轨迹图，右边的出口代表小车的行驶终点。小车的初始转向角度为20°，但是经过多次调节参数后发现，角度偏小，训练效果越好，因此将角度修改为10°，此时训练效果得到改善，同时要注意人工神经网络的数量级。

在训练过程中，笔者观察到每一次小车出发的行驶轨迹和训练迭代次数，每一次小车都会自动保留前一次小车的行驶轨迹参数进行自主学习，不断优化，最终获取最佳路径。

3.2 训练结果分析

通过多次测试，本研究采用随机方式抽取25次测试结果，数值分别为18、12、13、16、20、25、23、21、17、16、15、24、21、20、18、18、19、14、16、15、21、25、19、18和21，得出小车到终点的训练次数的平均数为18次左右，意味着18次小车训练就可以在人工神经网络的学习下使小车达到最佳路径，其中标准差为3.46，表明每一次的训练不会偏移过大。

4 结语

本文采用自行训练的人工网络模型对来自电磁传感器的电磁进行处理分析，使得智能车通过不断学习自行优化行驶路径，使其不受每次的调节参数以及跳变量时间延误等问题的困扰，使模型对智能车的控制性和稳定性增强，但是神经网络学习算法的收敛性和快速性等会因为控制对象的不同而存在差异[5]。本项目仅仅简单对其做出假设，没有真正投入实际应用环境。总之，人工神经网络对智能车的控制是有待优化的。

当前，人工神经网络广泛应用在智能控制中。人们可以将其类比基于机器视觉的神经网络控制模型，使openCV配合神经网络算法，有效地应用在无人驾驶技术的3D感知与物体检测中。同时，人们可以将人工神经网络与openCV结合，在其他领域做出进一步的尝试，例如，垃圾分类机器人利用openCV强大的图像处理库，配合卷积神经网络，就可在智能的垃圾分类领域做出进一步的设想，使得智能的垃圾分类更加精确和标准，以此节约人力和物力。

参考文献：

[1]李健明.基于深度学习的无人驾驶汽车环境感知与控制方法研究[D].西安：长安大学，2019：22-23.

[2]叶子豪.基于深度学习的无人驾驶感知与决策若干方法研究[D].合肥：合肥工业大学，2019：18-19.

[3]任淏哲.神经网络在无人驾驶中的应用[J].科技传播，2019（5）：138-139.

[4]陈友宣.卷积神经网络（CNN）在汽车无人驾驶中的应用与分析[J].科技创新与应用，2019（5）：13-14.

[5]刘新磊，赵星洋，王琪琛.卷积神经网络在无人驾驶感知技术上的应用[J].机械研究与应用，2019（1）：156-159.