基于ROS與YOLOv5s的智能車障礙物檢測導(dǎo)航系統(tǒng)的設(shè)計(jì)

李文海,李超榮,黃瑩飛,張 弛,郭 偉

(馬鞍山學(xué)院人工智能創(chuàng)新學(xué)院,安徽馬鞍山 243000)

0 引言

障礙物檢測與自主導(dǎo)航路徑規(guī)劃是智能車的基本任務(wù),也是該研究領(lǐng)域的一大熱點(diǎn)。由于路面環(huán)境的復(fù)雜性與多變性,智能車行駛過程中捕捉的畫面常出現(xiàn)光線不足或過強(qiáng),障礙物遮擋等情況,使通過傳統(tǒng)數(shù)字圖像處理方法進(jìn)行檢測存在識別準(zhǔn)確率差、檢出率低等問題[1]。深度學(xué)習(xí)算法以強(qiáng)大的特征表征能力和泛化能力,可有效緩解識別準(zhǔn)度差的問題。目前深度學(xué)習(xí)目標(biāo)檢測算法廣泛采用的是YOLO 系列算法,考慮到智能車存在的低算力限制,使用YOLOv5 系列中網(wǎng)絡(luò)規(guī)模較小的YOLOv5s 算法框架[2],具有推理速度快、檢測精度高的優(yōu)勢,適用于有限計(jì)算能力的智能車障礙物檢測的應(yīng)用場景。

自主導(dǎo)航算法根據(jù)環(huán)境感知程度的不同,可分為全局路徑規(guī)劃算法與局部路徑規(guī)劃算法。全局路徑規(guī)劃算法是在已知的環(huán)境中進(jìn)行路徑規(guī)劃,而局部路徑規(guī)劃算法則是在未知環(huán)境或部分可知環(huán)境的情況下進(jìn)行路徑規(guī)劃。全局路徑規(guī)劃算法較為經(jīng)典的是A*算法[3]、Dijkstra 算法[4],由于算法結(jié)構(gòu)簡單、容易部署,常被廣泛采用。局部路徑規(guī)劃算法更加側(cè)重于當(dāng)前的環(huán)境信息,對于效果較好的動態(tài)環(huán)境,常采用的是時間彈性帶法(TEB)、動態(tài)窗口法(DWA)[5]。目前兩種路徑規(guī)劃算法,多被單獨(dú)采用,易出現(xiàn)路徑規(guī)劃失敗或路徑非最優(yōu)解的情況。本文設(shè)計(jì)的系統(tǒng)融合全局路徑規(guī)劃A*算法與局部路徑規(guī)劃TEB 算法,可同時進(jìn)行路徑規(guī)劃,從而有效改善上述問題。

1 系統(tǒng)架構(gòu)

智能車由軟件層、驅(qū)動層、硬件層3 部分構(gòu)成。驅(qū)動層用于驅(qū)動底層硬件,軟件層用于處理硬件層獲取的數(shù)據(jù)。軟件層包括ROS 操作系統(tǒng)與YOLOv5s 算法框架等,硬件層與驅(qū)動層主要包括各功能模組以及對應(yīng)驅(qū)動,系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)整體架構(gòu)圖

1.1 系統(tǒng)驅(qū)動與硬件架構(gòu)

采用訊飛U-CAR 曉mini 版本智能車作為硬件平臺,該智能車硬件架構(gòu)如圖2所示,主要分為上位機(jī)和下位機(jī)。上位機(jī)是智能車的中央控制系統(tǒng),搭載Jeston Nano 處理器和各功能模組,負(fù)責(zé)智能車環(huán)境數(shù)據(jù)的處理與分析。智能車功能模組主要涉及單目攝像頭、激光雷達(dá)和IMU 慣導(dǎo)模塊。各功能模組需要搭載各自對應(yīng)的驅(qū)動,以使單目攝像頭獲取圖像數(shù)據(jù),激光雷達(dá)采集環(huán)境信息,IMU 慣導(dǎo)模塊測量智能車在三維空間中的角速度和加速度數(shù)據(jù)。下位機(jī)由STM32F4控制器、蓄電池、電機(jī)和麥克納姆輪構(gòu)成?？刂破黩?qū)動程序驅(qū)動STM32F4,蓄電池為STM32F4 控制器供電,電機(jī)驅(qū)動麥克納姆輪。以STM32F4 為核心組成的底層控制器,實(shí)現(xiàn)智能車的全方位移動。

圖2 智能車硬件架構(gòu)圖

1.2 系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)軟件組成如圖3所示,其核心功能是完成障礙物檢測和自主導(dǎo)航。障礙物檢測功能經(jīng)上位機(jī)的單目攝像頭獲取視頻流,通過YOLOv5s 模型實(shí)時輸出障礙物檢測信息。自主導(dǎo)航分為建圖、路徑規(guī)劃和PID(proportional integral derivative)控制3 大模塊。建圖通過SLAM 激光雷達(dá),使用Gmapping 算法[6]生成的2D 地圖,采用粒子濾波方式,將激光與姿勢數(shù)據(jù)收集并創(chuàng)建柵格地圖。路徑規(guī)劃采用全局路徑規(guī)劃和局部路徑規(guī)劃融合的方式,全局路徑規(guī)劃采用A*算法進(jìn)行構(gòu)建,局部路徑規(guī)劃采用TEB(timed elastic band)算法實(shí)現(xiàn)。TEB 算法在全局路徑規(guī)劃的基礎(chǔ)上,滿足各種約束條件,生成局部路徑。經(jīng)規(guī)劃得到轉(zhuǎn)向與轉(zhuǎn)速等信息,轉(zhuǎn)由下位機(jī)STM32F4 控制電機(jī)的工作頻率,進(jìn)而改變麥克納姆輪的速度與方向,實(shí)現(xiàn)PID 控制。

圖3 智能車軟件組成

2 基于ROS 的智能車路徑規(guī)劃算法

2.1 全局路徑規(guī)劃算法

全局路徑規(guī)劃是基于已知地圖環(huán)境的靜態(tài)路徑規(guī)劃算法,主要有A*與Dijkstra 兩種算法[7]。Dijkstra 算法是一種廣度優(yōu)先搜索路徑,優(yōu)勢在于得到路徑多數(shù)較優(yōu),但缺陷在于每一個姿態(tài)點(diǎn)都需要遍歷整個路徑,效率低下,無法保證實(shí)時性。采用A*算法作為全局路徑規(guī)劃器,與Dijkstra 算法相比,優(yōu)勢在于引入啟發(fā)路徑代價函數(shù),提高搜索效率。A*算法的啟發(fā)路徑代價函數(shù)F(x),包括起始位置到達(dá)當(dāng)前搜索點(diǎn)位置的代價函數(shù)G(x)與當(dāng)前搜索點(diǎn)位置到目標(biāo)位置的代價函數(shù)H(x)。A*算法利用F(x)作為判定下一搜索點(diǎn)位置的優(yōu)劣,依次進(jìn)行,直至到達(dá)終點(diǎn)。表達(dá)式如下:

F(x)=G(x)+H(x)

2.2 局部路徑規(guī)劃算法

局部路徑規(guī)劃算法是在全局路徑的基礎(chǔ)上,結(jié)合實(shí)時更新的代價地圖,規(guī)劃出合理的軌跡。常見的局部路徑規(guī)劃算法含有動態(tài)窗口法(DWA)[8]、模型預(yù)測控制法(MPC)[9]、時間彈性帶法(timed elastic bands,TEB)等。

動態(tài)窗口法是在速度空間多次采樣,通過評估函數(shù)不斷對不同的速度與軌跡進(jìn)行評價,并按照得分最高的速度與軌跡執(zhí)行。該算法存在避障效果差、前瞻性不足等問題。模型預(yù)測控制法原理類似于PID 控制器,以當(dāng)前車輛與目標(biāo)軌跡的差距作為評價函數(shù),調(diào)整速度與前進(jìn)方向。該算法存在計(jì)算量大,泛化能力弱等問題。時間彈性帶法固定起始點(diǎn)與終點(diǎn),可抽象為橡皮筋,皮筋上含有多個離散位姿約束,最終這些離散位姿組成的皮筋位置,即規(guī)劃出的軌跡。TEB 模型優(yōu)化了前兩者的不足,有較強(qiáng)的前瞻性,避障效果好,但仍存在計(jì)算復(fù)雜度較大、速度和角度波動較大等問題。

2.2.1 TEB 算法原理

TEB 算法起源于EB(elastic bands),EB 算法規(guī)劃出的曲線可分為多段,其曲線抽象為橡皮筋,起始點(diǎn)與終點(diǎn)由全局規(guī)劃器指定后,由于受到外力的影響以及上一小段皮筋的形變,下一段的橡皮筋也會發(fā)生形變。橡皮筋有外力的影響,自然就有收縮力與之達(dá)到力平衡,平衡后的曲線即最優(yōu)路徑。在EB 算法的基礎(chǔ)上,相鄰的運(yùn)動狀態(tài)之間引入時間的概念,便于刻畫運(yùn)動狀態(tài),即為TEB 算法[10],具體軌跡示例如圖4所示。

圖4 TEB 算法軌跡示例

2.2.2 軌跡約束條件

TEB 算法中的外力就是各個狀態(tài)下的約束條件,包括跟隨路徑與避障約束、速度或加速度約束、運(yùn)動學(xué)約束等。

(1)跟隨路徑與避障約束

跟隨路徑約束與避障約束相互制約,跟隨路徑施加外力將橡皮筋拉向全局路徑,避障約束施加外力使得橡皮筋遠(yuǎn)離障礙物,二者受力方向恰好相反,圖5所示為xi到xi+2的3 種姿態(tài)關(guān)系。從xi到xi+1,跟隨路徑施加外力使得與全局路徑差距逐漸縮小,但與此同時智能車不斷靠近障礙物,距離也逐漸減小,容易碰撞到障礙物。所以,避障約束施加外力使之遠(yuǎn)離障礙物,xi+1到xi+2的距離d逐漸增大。

圖5 跟隨路徑與避障約束受力圖

(2)速度或加速度約束

橡皮筋上的姿態(tài)點(diǎn)定義為一個向量[xi,yi,θi]T,包含3 個基本屬性:坐標(biāo)x、y和偏轉(zhuǎn)角度θ。智能車速度過快可能會因?yàn)辂溈思{姆輪的抓地力不足,產(chǎn)生打滑現(xiàn)象。而速度過慢,則完成路徑時間長,性能達(dá)不到要求。因此,本文對速度和加速度進(jìn)行限制,即速度和加速度均要在最小值和最大值之間:

Vmin≤Fv(B)≤Vmax

amin≤Fa(B)≤amax

(3)運(yùn)動學(xué)約束

智能車要在滿足正確規(guī)劃出路徑且避開障礙物且不碰撞的前提下,盡量提高速度,行駛最優(yōu)規(guī)劃路徑。

2.2.3 基于圖優(yōu)化的目標(biāo)函數(shù)求解

圖優(yōu)化是通過節(jié)點(diǎn)和邊來表示路徑中各姿態(tài)之間的關(guān)系,節(jié)點(diǎn)為優(yōu)化變量,邊為優(yōu)化變量之間的限制條件,目標(biāo)函數(shù)求解可通過圖優(yōu)化轉(zhuǎn)化為待優(yōu)化頂點(diǎn)與待優(yōu)化邊的問題[11]。

智能車軌跡運(yùn)動得到的目標(biāo)函數(shù)是非線性的,非線性問題求解過程會消耗過多算力資源。因此須簡化模型,將連續(xù)運(yùn)動的曲線近似于無數(shù)多個離散的位姿,這樣非線性問題就可轉(zhuǎn)化為線性問題來求解。通過圖優(yōu)化來優(yōu)化離散的位姿,使最終的離散位姿組成的軌跡能夠達(dá)到時間最短、距離最短、遠(yuǎn)離障礙物等目標(biāo),同時滿足所有的軌跡約束條件。具體TEB 算法流程如圖6所示。

圖6 TEB 算法流程圖

3 基于YOLOv5s 的障礙物檢測算法

3.1 數(shù)據(jù)集與預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)集由智能車攝像頭采集,共計(jì)圖片4600張,分為6 類,分別為人、自行車、汽車、摩托車、卡車、三角錐。為更好地表征學(xué)習(xí),提升數(shù)據(jù)集的規(guī)模,對數(shù)據(jù)集進(jìn)行不同程度的模糊處理、添加噪聲、亮度變化、旋轉(zhuǎn)等操作,如圖7所示。將數(shù)據(jù)集擴(kuò)充至7000 張,按照8 ∶1 ∶1 的比例劃分為訓(xùn)練集5600 張、驗(yàn)證集700 張、測試集700 張。

圖7 數(shù)據(jù)增強(qiáng)

3.2 YOLOv5s 網(wǎng)絡(luò)模型

YOLOv5 根據(jù)不同的網(wǎng)絡(luò)深度和網(wǎng)絡(luò)寬度,可分為YOLOv5s、YOLOv5m、YOLOv5l 以及YOLOv5x[12]。考慮到智能車低算力的情況,采用網(wǎng)絡(luò)規(guī)模較小的YOLOv5s 模型進(jìn)行障礙物檢測,在保證高準(zhǔn)確率的前提下仍可保持較快的識別速度。

YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示,該模型由輸入網(wǎng)絡(luò)(Input)、骨干網(wǎng)絡(luò)(Backbone)、頸部網(wǎng)絡(luò)(Neck)、檢測網(wǎng)絡(luò)(Prediction)構(gòu)成[13]。輸入網(wǎng)絡(luò)中增加自適應(yīng)錨框計(jì)算和圖片縮放等操作;骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)采用不同的CSP 結(jié)構(gòu),豐富梯度組合的同時減少計(jì)算量;檢測網(wǎng)絡(luò)中針對不同大小的目標(biāo),采用不同尺寸的特征圖進(jìn)行預(yù)測。

圖8 YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)

3.2.1 輸入網(wǎng)絡(luò)

YOLOv5s 模型在輸入網(wǎng)絡(luò)中分別使用Mosaic 數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放3 種操作。Mosaic 數(shù)據(jù)增強(qiáng)是由CutMix 數(shù)據(jù)增強(qiáng)演變而來,Cut-Mix 利用2 張圖片拼接,而Mosaic 利用4 張照片拼接,拼接的同時采用隨機(jī)裁剪、隨機(jī)縮放和隨機(jī)分布的方式豐富數(shù)據(jù)集,使模型的魯棒性提升。據(jù)先驗(yàn)知識可知,將數(shù)據(jù)集圖片統(tǒng)一尺寸,檢測效果會更佳。若直接對不同尺寸的圖片,進(jìn)行拉伸、收縮等操作,會造成圖片失真。針對這一情況,輸入網(wǎng)絡(luò)中使用自適應(yīng)圖片縮放技術(shù)對圖片進(jìn)行縮放填充,即先將圖片較長的邊縮放至預(yù)設(shè)尺寸,短邊通過灰色像素點(diǎn)填充。

3.2.2 骨干網(wǎng)絡(luò)

骨干網(wǎng)絡(luò)由Focus、CSP 以及SPP 模塊構(gòu)成,主要作用是對圖片進(jìn)行特征提取。Focus 模塊主要作用是在空間關(guān)系沒有被破壞的同時,增加感受野區(qū)域,由切片和卷積操作兩部分組成。以640×640×3 的一張圖片為例,在每個通道間隔采樣就得到320×320×3 的特征矩陣,再經(jīng)由32 層卷積核卷積操作得到320×320×32 的特征矩陣,即得到無信息丟失的二倍下采樣特征圖。YOLOv5s 模型設(shè)計(jì)了兩種CSP 結(jié)構(gòu),這種結(jié)構(gòu)減少了網(wǎng)絡(luò)參數(shù)數(shù)量,其中CSP1_X 應(yīng)用于骨干網(wǎng)絡(luò)中,另外一種CSP2_X 應(yīng)用于頸部網(wǎng)絡(luò)中。骨干網(wǎng)絡(luò)中的CSP模塊將淺層特征圖一分為二,一部分通過X個殘差單元(ResUnit)向后傳播,與之直接卷積后的特征進(jìn)行拼接,而頸部網(wǎng)絡(luò)中的CSP 模塊將X個殘差單元替換成2X個CBL 模塊。SPP 模塊目的是提取到更有益的特征信息,采用3 種同一步長、不同卷積核尺寸的最大池化下采樣,與不進(jìn)行任何處理的特征圖拼接,再通過卷積層實(shí)現(xiàn)降維。

3.2.3 頸部網(wǎng)絡(luò)

頸部網(wǎng)絡(luò)引用PANet 的思想,采用FPN(feature pyramid networks)與PAN(perceptual adversarial network)結(jié)構(gòu),如圖9所示。FPN 結(jié)構(gòu)通過自頂向下進(jìn)行上采樣,使底層特征圖包含更強(qiáng)特征信息。與之相反,PAN 結(jié)構(gòu)是自底向上的,將高層特征通過下采樣和低層特征融合。

圖9 FPN 與PAN 結(jié)構(gòu)

3.2.4 檢測網(wǎng)絡(luò)

檢測網(wǎng)絡(luò)接收上層頸部網(wǎng)絡(luò)輸出的3 種融合特征圖后,各通過一次卷積操作,得到3 種不同尺寸但維度相同的特征矩陣,用來檢測不同尺寸的物體。其大小分別為80×80×255、40×40×255、20×20×255,分別對小、中、大的物體進(jìn)行檢測。

4 超參數(shù)設(shè)置與評價指標(biāo)

4.1 訓(xùn)練環(huán)境參數(shù)

為減少訓(xùn)練時間,GPU 采用 RTX 3080Ti,YOLOv5s 模型的訓(xùn)練環(huán)境配置如表1所示。

表1 訓(xùn)練環(huán)境配置

4.2 模型超參數(shù)

YOLOv5s 模型超參數(shù)設(shè)置如表2所示,模型迭代次數(shù)(iters)為500,根據(jù)服務(wù)器性能指標(biāo),將批次(batchsize)設(shè)置為32,學(xué)習(xí)率(learning_rate)作為影響網(wǎng)絡(luò)的關(guān)鍵因素,將其設(shè)置為0.001。學(xué)習(xí)率值過大容易造成模型不易收斂,從而忽略最優(yōu)值;而過小容易造成模型收斂緩慢,達(dá)到最大迭代次數(shù)時,仍沒有找到最優(yōu)解。權(quán)值衰減系數(shù)(weight_attenuation_coefficient)設(shè)置為0.0005,置信度(confidence)設(shè)置為0.6,即過濾置信度低于0.6的候選框。

表2 超參數(shù)設(shè)置

4.3 路徑規(guī)劃參數(shù)

智能車的路徑規(guī)劃參數(shù)對于能否規(guī)劃出正確的路徑,行駛的穩(wěn)定性尤為關(guān)鍵。調(diào)試過程中使用動態(tài)調(diào)參工具調(diào)參,在RVIZ 中可看見仿真環(huán)境地圖。ROS 中的TEB 功能包有智能車速度運(yùn)動參數(shù)文件teb_local_planner_params.yaml、損失參數(shù)文件costmap_common_params.yaml、全局代價地圖參數(shù)文件global_costmap_params.yaml、局部代價地圖參數(shù)文件local_costmap_params.yaml,其重要參數(shù)、變量值及其含義如表3～表6所示。

表3 teb_local_planner_params.yaml 參數(shù)

表4 costmap_common_params.yaml 參數(shù)

表5 global_costmap_params.yaml 參數(shù)

表6 local_costmap_params.yaml 參數(shù)

4.4 評估指標(biāo)

YOLOv5s 模型采用精確率(Precision)、召回率(Recall)、調(diào)和值(F1)平均精度(AP)和平均精度均值(mAP)作為評價指標(biāo)。精確率是所有預(yù)測為正樣本的結(jié)果中,預(yù)測正確的比率。召回率是所有正樣本的結(jié)果中被正確預(yù)測的比率。調(diào)和值是精確率與召回率的調(diào)和平均數(shù);平均精度是橫坐標(biāo)為召回率,縱坐標(biāo)為精確率的二維曲線積分值。具體表達(dá)式如下:

5 實(shí)驗(yàn)測試與結(jié)果分析

5.1 YOLOv5s 檢測結(jié)果與分析

將服務(wù)器上訓(xùn)練好的YOLOv5s 模型在測試集上進(jìn)行測試,結(jié)果如表7所示。由表7 可知,模型對人和三角錐的檢測效果最佳,對與人這一類別的平均精度高達(dá)99.5%,三角錐類別平均精度為99.3%,其調(diào)和平均值F1分別為97.7%和98.1%。這兩類別效果好的原因在于,人在數(shù)據(jù)集中的占比較多,且三角錐顏色、形狀等特征容易區(qū)分。摩托車類別在該模型上效果欠佳,平均精度僅達(dá)到92.6%。出現(xiàn)這種情況是由于摩托車在路面行駛速度較快,不易捕捉類別特征。綜上,YOLOv5s 的模型檢測結(jié)果符合實(shí)驗(yàn)預(yù)期,各類別平均精度均保持在92%以上,最高可達(dá)到99%以上,滿足智能車行駛途中高精度的需求。

表7 模型檢測結(jié)果 單位:%

5.2 聯(lián)調(diào)測試結(jié)果與分析

本文采用RVIZ 可視化呈現(xiàn)聯(lián)調(diào)實(shí)驗(yàn)過程。首先導(dǎo)入柵格地圖,如圖10(a)所示。該圖使用Gmapping功能包建立完成,圖中的智能車需不斷移動直至掃描完全,受智能車抖動以及激光雷達(dá)精度影響,地圖邊界存在厚度不均勻現(xiàn)象。為保證實(shí)驗(yàn)嚴(yán)謹(jǐn)性與規(guī)范性,優(yōu)化后的柵格地圖如圖10(b)所示。之后,運(yùn)行YOLOv5s 模型對障礙物進(jìn)行檢測。最后,通過RVIZ中的2D_positive 工具,發(fā)布坐標(biāo)信息,使小車到達(dá)指定地點(diǎn),完成自主導(dǎo)航任務(wù)。

圖10 柵格地圖

本次實(shí)驗(yàn)分別發(fā)布3 個目標(biāo)點(diǎn)進(jìn)行路徑規(guī)劃測試并進(jìn)行障礙物檢測,實(shí)驗(yàn)場地具體放置如圖11所示。鑒于場地限制,障礙物由障礙物圖片代替,水平貼墻放置,圖中藍(lán)色粗線為障礙物放置點(diǎn)。智能車起點(diǎn)位于地圖左下角,終點(diǎn)分別為3 個終點(diǎn)位置。通過RVIZ分別發(fā)布3 個目標(biāo)點(diǎn),進(jìn)行聯(lián)調(diào)測試。

圖11 實(shí)驗(yàn)場地圖

智能車路徑規(guī)劃情況與障礙物檢測情況,分別如圖12、圖13所示。智能車能夠基于全局路徑規(guī)劃A*算法與局部路徑規(guī)劃TEB 算法,完成起點(diǎn)與終點(diǎn)的路徑規(guī)劃,3 個不同目標(biāo)點(diǎn)均能夠正確規(guī)劃出路線。障礙物檢測方面,通過YOLOv5s 模型,能夠精準(zhǔn)檢測出障礙物。

圖12 路徑規(guī)劃情況

圖13 障礙物檢測情況

本次實(shí)驗(yàn)記錄了碰撞情況、障礙物誤測情況、導(dǎo)航情況等。為避免偶然性的發(fā)生,實(shí)驗(yàn)分為3 個終點(diǎn),每個終點(diǎn)進(jìn)行30 次重復(fù)實(shí)驗(yàn),共計(jì)90 次實(shí)驗(yàn)。任務(wù)過程中無碰撞與誤檢,且成功路徑規(guī)劃,視為任務(wù)成功,實(shí)驗(yàn)結(jié)果如表8所示。智能車路徑規(guī)劃的導(dǎo)航平均成功率為96.67%,導(dǎo)航時長隨著路線的長短依次增加,平均用時最快20.35 s,最慢27.53 s;障礙物檢測方面,每組實(shí)驗(yàn)障礙物檢出率均為100%,最多誤檢2 次,最低誤檢1 次,在允許誤差的范圍內(nèi),能夠達(dá)到高準(zhǔn)度的要求;最終任務(wù)成功率分別為93.33%、90.00%、96.67%,均高達(dá)90%以上。搭載該系統(tǒng)的智能車能夠完成障礙物檢測、自主導(dǎo)航的任務(wù),具有障礙物檢測準(zhǔn)確率高,泛化能力強(qiáng),自主導(dǎo)航規(guī)劃路徑速度快、穩(wěn)定性強(qiáng)的特點(diǎn)。實(shí)驗(yàn)聯(lián)調(diào)測試結(jié)果表明,搭載ROS與YOLOv5s的智能車具有自主導(dǎo)航穩(wěn)定性強(qiáng),障礙物檢測準(zhǔn)確率高的特性。

6 結(jié)束語

設(shè)計(jì)了一種ROS與YOLOv5s的智能車動態(tài)障礙物檢測導(dǎo)航系統(tǒng)。以Jeston Nano、STM32F4、SLAM 激光雷達(dá)、單目攝像頭、麥克納姆輪等作為硬件基礎(chǔ),以ROS 操作系統(tǒng)與YOLOv5s 目標(biāo)檢測算法框架作為軟件基礎(chǔ)。實(shí)驗(yàn)結(jié)果表明,搭載該系統(tǒng)的智能車能夠完成障礙物檢測、自主導(dǎo)航的任務(wù),路徑規(guī)劃平均成功率達(dá)到96.67%,障礙物檢測準(zhǔn)確率在92%以上,綜合任務(wù)成功率在90%以上,具有障礙物檢測準(zhǔn)確率高,自主導(dǎo)航路徑規(guī)劃穩(wěn)定性強(qiáng)的特性。