Udacity 无人驾驶仿真环境搭建实现自动驾驶小车

107 阅读 0 评论 71 点赞

我是靠谱客的博主现实小蜜蜂，最近开发中收集的这篇文章主要介绍Udacity 无人驾驶仿真环境搭建实现自动驾驶小车，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

1.我的配置

系统：ubuntu 18.04 python 3.5 tensorflow -gpu==1.4.1

2.虚拟环境配置

使用anaconda进行安装，不需要单独安装cuda和cudnn，conda会下载并安装好，不需要考虑版本依赖的问题，简便的地方就是这里了。

1.创建虚拟环境

conda create -n My_tf python = 3.5

2.激活虚拟环境

conda activate My_tf

3.安装Tensorflow-gpu

终端下输入命令来查看所有可用版本的tensorflow-gpu：

conda search tensorFlow-gpu

合适的版本，这里选择的是1.4.1版本，输入命令安装tensorflow-gpu，可以看到需要下载cudatoolkit、cudnn、tensorflow-gpu等这些依赖包，不需要我们自己去配环境了，其中的cudatoolkit就是常说的cuda了，输入y就可以安装的。

conda install tensorflow-gpu==1.4.1

4.测试 tensorflow-gpu是否已经安转成功：

python
import tensorflow as tf
print(tf.__version__)
#注意__是两个下划线

如果输出的是对应安装的tensorflow-gpu的版本号，则tensorflow-gpu安装成功了。

5.下载相应的keras包

Tensorflow之环境版本匹配问题_ZONG_XP的博客-CSDN博客_tensorflow版本不匹配

pip install keras==2.0.8

6.pyCharm导入环境和添加解释器

打开PyCharm新建一个项目之后，点击左上角的file，选择Settings，在左侧选择Project Interpreter，然后点击右侧面板的小齿轮，选择Add…，在弹出的窗口左侧选择Conda Environment，接着选择Existing environment，这时候它会自动识别出刚刚创建好的conda环境，然后勾选Make available to all projects，点击OK即可。
创建新项目的时候注意选择好Project Interpreter，因为刚刚的设置可能会不能应用到新项目，需要手动选择一下。

注意：如果在pycharm下更改了tensorflow-gpu的版本，则对应的在aconda的python环境下的tensorflow-gpu的版本与会随之改变。
如果tensorflow-gpu的版本太低，则会出现某些功能不支持的问题：如　AttributeError: module ‘tensorflow’ has no attribute 'keras’等问题。如果tensorflow-gpu的版本太高，则可能与NVIDIA的显卡驱动不匹配。需要酌情考虑版本。

3.udacity仿真环境下载

（ps: 需要下载unity才能运行，我电脑已经安装unity，如果需要可以在这里下载 unity下载）

先下载仿真器，我用的是version2 的Linux版

Term 1 Instructions: Download the zip file, extract it and run the executable file.

Version 2, 2/07/17 Linux Mac Windows

Version 1, 12/09/16 Linux Mac Windows 32 Windows 64

装好后效果如图所示，有两个模式，第一个是训练模式可以采集数据集，第二个是自动模式，可以用程序进行控制，测试效果。

配置

手动解压，或查找相应命令解压文件；

cd到解压得到的文件目录，例如我的为cd /home/xxx/Downloads/beta_simulator_lunux ;

手动或利用命令将与系统对应版本(32位还是64位)beta_simulator.x86_64[64位]或beta_simulator.x86[32位]变成可执行文件,例如在终端执行sudo chmod +x beta_simulator.x86_64;

需要先分别输入下面两行代码，就可以打开udacity模拟器。

chmod a+r+w+x *
sudo ./beta_simulator.x86_64

下面图片是输入上述代码过程

后面只需要在该模拟器文件夹下输入下列代码，就可以直接打开模拟器。

./beta_simulator.x86_64

Controls：在Simulator中的按键指南

Training Mode：人为控制车辆模式，用来收集数据

Autonomous Mode：全自动模式，使用训练好的模型进行无人驾驶

4.数据收集

进入Training Mode开始玩游戏，熟练一下按键和操作！在Simulator中，这辆车的传感器是三个前置摄像头，分别放置在左、中、右三个方向，对周围的环境进行拍摄录制，结果之后会以图片形式保存到电脑上。

开始收集数据：

首先按下R键 (Record)，选择数据保存目录，确认
再次按下R键，进入录制模式
驾驶车辆在车道中行驶
行驶完毕后第三次按下R键，数据会被保存到硬盘上

进入TRAINING MODE后点击右上角的RECORD选择训练数据保存的位置（注意保存位置要点选到文件夹上，不要选到文件夹内空白处），然后Select，如下图：

再次点击右上角RECOED，当其变成RECORDING时，就可以手动驾驶小车了，大概驾驶8,9分钟，点击右上角RECORDING，界面中间出现绿色Capturing Data，表示正在记录并存储图片与转向角，8,9分钟左中右三个摄像头共可采集2万多张图片，这时，在相应目录下会生成两个文件: driving_log.csv和IMG文件夹。顾名思义，driving_log.csv中保存了用户开车时的log，IMG文件夹中保存了摄像头的照片。driving_log.csv基本结构如下图。

前三列分别表示在当时左中右摄像头的照片路径
D列表示车的方向盘角度
E列表示油门力度
F列表示刹车力度
G列表示当前速度

为了简洁明了，在本文中我们只采用A，B，C，D列数据，即利用摄像头照片预测方向盘角度。另外，收集数据时有几个tips：

首先大概收集两圈比较完美的数据，尽量保持车在道路中间行驶；

在转弯或模型训练之后比较容易出错的地方多收集几次数据。

5.Drive.py下载与驱动

自动模式需要drive.py进行端口数据交互。

这里有drive文件 CarND-Behavioral-Cloning-P3

很重要的一个点是drive.py的socketio的连接

socketio很容易不兼容，这里提供一个兼容版本

pip install Flask-SocketIO==4.3.1
pip install python-engineio==3.13.2
pip install python-socketio==4.6.0
pip install --upgrade h5py

其他模块

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
pip install flask
pip install pillow
pip install eventlet
pip install numpy

训练判断转向角的全连接模型

有了训练数据我们就可以搭建我们的训练模型了，我们使用csv库读取数据，利用Keras建立模型。下载包cv2包

pip install opencv--python

在pycharm中，运行下列程序，


import csv
import cv2
import numpy as np
from keras.models import Sequential
from keras.layers import Flatten, Dense
# 初始化行的数组，将csv中的数据传入到数组中
lines = []
# 读取csv文件
with open('.../data/driving_log.csv') as csvfile:
reader = csv.reader(csvfile)
for line in reader:
lines.append(line)
#'.../data/driving_log.csv' 数据存储到目录，可能需要设置成自己的数据集存储的目路。我的是'/home/yu/wen/data/IMG/'
# 初始化图片矩阵和转向角
images = []
measurements = []
for line in lines:
source_path = line[0]
filename = source_path.split("/")[-1]
# 图片路径
current_path = '.../data/IMG/' + filename
# 将所有的图片数据存入images数组中
image = cv2.imread(current_path)
images.append(image)
# 将相对应的转向角数据存入measurement数组中
measurement = float(line[3])
measurements.append(measurement)
# 将images和measurements作为训练数据
X_train = np.array(images)
y_train = np.array(measurements)
# 使用Keras建立模型
model = Sequential()
model.add(Flatten(input_shape=(160, 320, 3)))
model.add(Dense(1))
model.compile(loss='mse', optimizer='adam')
model.fit(X_train, y_train, validation_split=0.2, shuffle=True, nb_epoch=10)
model.save('model.h5')

得到model.h5文件，将这个文件复制到上面下载的drive文件：CarND-Behavioral-Cloning-P3-master文件夹中，在该文件打开终端，切换到对应的conda虚拟环境，输入