6.6. 深度学习巡线小车

功能介绍

../_images/demo.png

巡线任务，即机器人小车能够自主跟着一条引导线向前运行，引导线往左，小车也跟着往左转，引导线往右，小车跟着往右转。该任务是轮式机器人中比较基础的任务，实现方式也有多种，比如：

  • 通过安装多个光电传感器（灰度传感器），根据传感器的的返回值判断该传感器是否位于线上，进而调整机器人运动方向

  • 通过摄像头基于传统的图像处理方法如边缘检测等获取线在图像中的位置，进而调整机器人运动方向

上述常用方法当光照环境、场地发生变化，一般需要反复通过采集图像调整阈值以及进行测试来实现比较好的识别结果。那有没有可能让机器人能够自行适应环境的变化，不再需要人为的调整阈值呢？卷积神经网络（CNN），是深度学习算法应用最成功的领域之一，具有不错的适应性和鲁棒性，近年来随着处理器的快速发展，已经可以在嵌入式端进行CNN推理。这里尝试用CNN的方式实现巡线任务中引导线的位置感知。

代码仓库：https://c-gitlab.horizon.ai/HHP/app/line_follower

支持平台

平台 运行方式 示例功能
旭日X3派 Ubuntu 20.04 启动MIPI摄像头获取图像，并进行引导线检测和小车控制，最后通过实车运动展示巡线效果

准备工作

旭日X3派

  1. 旭日X3派已烧录好地平线提供的Ubuntu 20.04系统镜像。

  2. 旭日X3派已成功安装TogetheROS.Bot。

  3. 旭日X3派已安装MIPI或者USB摄像头。

  4. 和旭日X3派在同一网段（有线或者连接同一无线网，IP地址前三段需保持一致）的PC，PC端需要安装的环境包括：

  • Ubuntu 20.04系统

  • ROS2 Foxy桌面版

  • 算法工具链OE包获取方式 wget -c ftp://vrftp.horizon.ai/Open_Explorer_gcc_9.3.0/2.3.3/horizon_xj3_open_explorer_v2.3.3_20220727.tar.gz

  • 算法工具链docker获取方式 wget -c ftp://vrftp.horizon.ai/Open_Explorer_gcc_9.3.0/2.3.3/x3pi_toolchain/ai_toolchain_2.3.3.tar.gz

  • 工程源码 https://c-gitlab.horizon.ai/HHP/app/line_follower/-/tree/develop

使用介绍

旭日X3派

../_images/framework.png

小车本体这里选用OriginBot套件，该小车本体具有两个主动轮，一个从动轮，通过两个主动轮差速进行旋转控制。其中MCU模块主要用于小车的电机运动控制通过串口与主控旭日X3派进行通信。OriginBot网址：www.originbot.org

../_images/car.png

整套系统如上图所示，旭日X3派通过摄像头获取小车前方环境数据，图像数据通过训练好的CNN模型进行推理得到引导线的坐标值，然后依据一定的控制策略计算小车的运动方式，通过UART向小车下发运动控制指令实现整个系统的闭环控制。

PC用于进行数据标注以及训练，为了提高效率这里采用旭日X3派将图片通过以太网发送至PC端进行标注的方式。

../_images/roadmap.png

整个软件工程包括5个主要环节分别是：

  • 数据采集与标注，根据任务目标获取相应的数据并进行标注，用于模型训练；

  • 模型选择，根据任务目标选取合适的模型结构确保性能和精度都能够满足需要；

  • 模型训练，使用标注的数据对模型进行训练，以达到满意的精度要求；

  • 模型转换，使用算法工具链将训练得到的浮点模型转换为可以在旭日X3派上运行的定点模型；

  • 端侧部署，在旭日X3派上运行转换后的模型，得到感知结果并控制机器人运动

Ubuntu

数据采集与标注

模型训练离不开数据的采集和标注，这里利用tros.b中hobot_sensor提供的MIPI摄像头图像采集功能和跨设备通信能力，在PC上搭建一个简单的数据采集和标注系统。整个数据采集标注系统工作流程如下：ensor提供的MIPI摄像头图像采集功能和跨设备通信能力，在PC上搭建一个简单的数据采集和标注系统。整个数据采集标注系统工作流程如下：

../_images/annotation.png

在旭日X3派/userdata目录下创建工作目录这里以my_ws为例

# 创建my_ws工作目录
mkdir -p /userdata/my_ws
cd /userdata/my_ws
# 创建launch目录用于存放launch文件
mkdir launch
# 拷贝原mipi_cam.launch.py文件进行修改
cp /opt/tros/share/mipi_cam/launch/mipi_cam.launch.py launch/mipi_cam_capture.launch.py

这里修改点如下：

  • 修改输出图片格式为BGR8，即配置parameters中的out_format为”bgr8”；

  • 修改消息通信方式为非零拷贝方式，即配置parameters中的io_method为”mmap”；

修改后的mipi_cam_capture.launch.py文件如下，当前Hobot Sensor输出图像分辨率为960*544，选用的摄像头模组为F37：

../_images/mipi.png

旭日X3派上运行

export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp
source /opt/tros/local_setup.bash
cd /userdata/my_ws
ros2 launch ./launch/mipi_cam_capture.launch.py

PC上运行

export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp
source  /opt/ros/foxy/local_setup.bash
# 编译line_follower_model，进入line_follower_model目录
colcon build --packages-select line_follower_model
# 加载编译出的line_follower_model
source install/local_setup.bash
# 运行PC端标注程序
ros2 run line_follower_model annotation

用鼠标右键点击画面垂直方向中间附件黑色引导线中心处，即可标记目标点。按下回车键，程序自动保存该图片至image_dataset文件和标记结果。图片命名方式为xy_[x坐标][y坐标][uuid].jpg，其中uuid为图片唯一标志符，避免出现文件名称相同。 根据以上数据方式采集和标注方式，采集一定数量的数据，建议至少100张，用于后续模型训练。当环境或者场地变化时也可采集对应的图片一起训练提高模型的适应性。

../_images/annotation.gif

模型选择

综合考虑模型成熟度、训练模型对CPU/GPU的硬件要求，这里选择ResNet网络作为backbone。残差神经网络（ResNet）是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出，在2015 年的ILSVRC（ImageNet Large Scale Visual Recognition Challenge）中取得了冠军。ResNet巧妙地利用了shortcut连接，解决了深度网络中模型退化的问题，是当前应用最为广泛的CNN特征提取网络之一。ResNet18结构如下：

../_images/model.png

在旭日X3派上ResNet18推理性能高达232FPS，ResNet50推理性能也超过100FPS，高帧率保证了数据处理的实时性，是后续提高车速以及实现更复杂应用的必要条件。这里先使用ResNet18网络结构，后期遇到瓶颈考虑更深的ResNet50网络结构。为了满足输出引导线坐标值x，y这里需要修改ResNet18网络FC输出为2，即直接输出引导线的x，y坐标值。ResNet18输入分辨率为224x224。 训练框架选用最近比较火热的pytorch，这里安装CPU版本pytorch，若硬件上有GPU卡可选用GPU版本pytorch。安装命令如下：

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu

开发所用PC为普通笔记本，配置如下：

  • CPU：Intel i5-7260U

  • DDR: 8G

  • OS: ubuntu 20.04

模型实现与训练

该功能完成代码位于line_follower/line_follower_model/line_follower_model/training_member_function.py

PC上运行

source  /opt/ros/foxy/local_setup.bash
# 编译line_follower_model，进入line_follower_model目录
colcon build --packages-select line_follower_model
# 加载编译出的line_follower_model
source install/local_setup.bash
# 运行PC端标注程序
ros2 run line_follower_model training

模型转换

../_images/model_convert.png

pytorch训练得到的浮点模型如果直接运行在旭日X3派上效率会很低，为了提高运行效率，发挥BPU的5T算力，这里需要进行浮点模型转定点模型操作。

  1. pytorch模型生成onnx模型

在PC上运行

ros2 run line_follower_model generate_onnx

运行后在当前目录下得到生成best_line_follower_model_xy.onnx模型

  1. 浮点模型生成定点模型

该功能完成代码位于line_follower/10_model_convert

OE包目录结构如下：

.
├── bsp
│   └── X3J3-Img-PL2.2-V1.1.0-20220324.tgz
├── ddk
│   ├── package
│   ├── samples
│   └── tools
├── doc
│   ├── cn
│   ├── ddk_doc
│   └── en
├── release_note-CN.txt
├── release_note-EN.txt
├── run_docker.sh
└── tools
    ├── 0A_CP210x_USB2UART_Driver.zip
    ├── 0A_PL2302-USB-to-Serial-Comm-Port.zip
    ├── 0A_PL2303-M_LogoDriver_Setup_v202_20200527.zip
    ├── 0B_hbupdate_burn_secure-key1.zip
    ├── 0B_hbupdate_linux_cli_v1.1.tgz
    ├── 0B_hbupdate_linux_gui_v1.1.tgz
    ├── 0B_hbupdate_mac_v1.0.5.app.tar.gz
    └── 0B_hbupdate_win64_v1.1.zip

拷贝工程中10_model_convert至算法工具链OE包ddk/samples/ai_toolchain/horizon_model_convert_sample/03_classification/目录下

加载算法toolchain docker，在OE包根目录下运行

sh run_docker.sh /data/

生成校准数据。该步骤生成的校准数据主要供下一步模型编译进行校准用，可以使用训练模型的部分数据，没有特殊要求，只要确保标准正确即可，数量以100张左右为宜。

# docker中执行
cd ddk/samples/ai_toolchain/horizon_model_convert_sample/03_classification/10_model_convert/mapper
sh 02_preprocess.sh

结果如下：

../_images/02.gif

模型编译,该步骤将生成定点模型文件。

# docker中执行
cd ddk/samples/ai_toolchain/horizon_model_convert_sample/03_classification/10_model_convert/mapper
sh 03_build.sh

结果如下：

../_images/03.gif

端侧部署

通过前面模型转换已经得到可以在旭日X3派BPU上运行的定点模型，如何将其部署在旭日X3派上，实现图像获取、模型推理、运动控制整套功能呢？这里基于tros.b中的hobot_dnn实现。Hobot实现。hobot_dnn是tros.b软件栈中的板端算法推理框架，在地平线旭日X3派上利用BPU处理器实现算法推理功能，为机器人应用开发提供更简单易用的模型集成开发接口，包括模型管理、基于模型描述的输入处理及结果解析，以及模型输出内存分配管理等功能。

继承DnnNode实现必要的接口。这里采用公有继承方式，其中必须要实现的接口为：

  • SetNodePara()用于配置模型参数，如模型路径、模型名字等

  • SetOutputParser()用于解析模型推理输出

  • PostProcess(const std::shared_ptr &outputs)用于对后处理结果进一步进行使用

完整代码请参考：line_follower/line_follower_perception/src/line_follower_perception.cpp

将line_follower_perception文件夹和编译生成的定点模型拷贝至板端执行

source /opt/tros/local_setup.bash
#在line_follower_perception文件夹路径下执行
clocon build --packages-select line_follower_perception

编译完成后，通过参数model_path和model_name指定模型的路径和名称

source install/local_setup.bash
ros2 run line_follower_perception line_follower_perception --ros-args -p model_path:=./resnet18_224x224_nv12.bin -p model_name:=resnet18_224x224_nv12 &

拷贝/opt/tros/share/mipi_cam/launch/mipi_cam.launch.py至当前目录，将输出数据类型改为nv12，通信方式改为“shared_mem”以使能“zero-copy”。

../_images/mipi_zero_copy.png

运行

source /opt/tros/local_setup.bash
ros2 launch ./mipi_cam.launch.py &

最后进入小车的运动控制package，originbot_base运行

source install/local_setup.bash
ros2 run originbot_base originbot_base

结果分析

小车已经开始了巡线运动。

../_images/tracking_car.gif