目标

基于标准遥控车，使用树莓派和摄像头实现车道跟随系统。软件部分采用一个简单的卷积神经网络，该网络接收来自摄像头的图像，并输出转向角度。

设计

硬件

标准遥控车的接收器会从发射器接收到油门和转向信号。这些信号由接收器转换为PWM脉冲，直接控制电机转速和舵机的转向角度。下图展示了标准遥控车的接线方式：

在数据采集过程中，我们将遥控车的转向PWM信号连接到GPIO17引脚。脚本 raspberry_pi/collect_data.py 会记录转向PWM值及其对应的图像。每次试验的数据会被集中存储在 driving_trial_* 文件夹中，试验文件夹会自动编号。

软件

在自动驾驶模式下，遥控车的舵机将连接到树莓派的GPIO18引脚，而不是直接连接到接收器。树莓派会通过摄像头捕获图像，并利用训练好的神经网络预测转向角度。然后，该转向角度会被转换为PWM信号来控制舵机。整个处理流程由脚本 raspberry_pi/drive_me.py 实现。

代码结构

• rasp_pi/ - 在树莓派上运行的脚本，用于采集数据以及自动控制车辆。
  • collect_data.py - 用于捕获摄像头图像并记录转向PWM信号的脚本（需先运行 "sudo pigpiod"）。
  • drive_me.py - 用于构建卷积神经网络、加载权重并控制车辆的脚本。
  • read_PWM.py - 辅助脚本，用于测量PWM信号。
• network/ - 用于训练网络的代码
  • Learn to Drive.ipynb - 该笔记本展示了如何构建和训练网络。
  • drive_trial_* - 收集的数据（图像和转向角度）
  • weights.hdf5 - 预训练好的权重

如何收集训练数据

1. 将 raspberry_pi 文件夹中的文件复制到树莓派的主目录。

2. 运行 "sudo pigpiod" 启动管理GPIO引脚的守护进程。

3. 运行 "sudo python collect_data.py" 开始采集数据（图像和转向角度）。该脚本会将图像和转向角度保存到 drive_trial_* 文件夹中，试验文件夹会自动编号。

4. 将 drive_trial_* 中的采集数据从树莓派复制到用于训练卷积神经网络的机器上。

5. 按照 "Learn to Drive.ipynb" 中的说明训练卷积神经网络。训练好的权重将保存到 weights.hdf5 文件中。

如何使用训练好的网络

1. 将训练好的权重文件（weights.hdf5）从训练机器复制到树莓派。

2. 运行 "sudo python drive_me.py" 让车辆自动行驶。

self-driving-toy-car 快速上手指南

本项目旨在利用树莓派（Raspberry Pi）和摄像头，基于标准遥控车（RC Car）打造一辆车道跟随自动驾驶小车。核心软件是一个简单的卷积神经网络（CNN），它接收摄像头图像并输出转向角度。

环境准备

系统要求

• 硬件：树莓派（推荐 Raspberry Pi 3 或 4）、USB 摄像头、标准遥控车（需可访问舵机 PWM 信号）、电脑（用于训练模型）。
• 操作系统：Raspberry Pi OS (Legacy 或最新版均可，需支持 Python 2/3 及 GPIO 库)。
• 训练环境：任意装有 Python 和 Jupyter Notebook 的 Linux/Mac/Windows 机器（推荐使用 Anaconda 环境）。

前置依赖

在树莓派上，需要安装 pigpio 守护进程以管理 GPIO 引脚。 在训练机器上，需要安装深度学习框架（如 TensorFlow/Keras）及 Jupyter。

国内加速建议：

• 树莓派换源：建议使用清华或中科大镜像源替换 /etc/apt/sources.list 以加速 apt 安装。
• Python 包加速：使用 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数安装 pip 包。
• 模型权重：若无法访问原始仓库，可尝试在 Gitee 搜索相关镜像项目获取 weights.hdf5。

安装步骤

1. 树莓派端配置

将项目中的 raspberry_pi 文件夹内容复制到树莓派的家目录：

# 假设已通过 git clone 或手动上传
cp -r self-driving-toy-car/raspberry_pi/* ~/
cd ~

启动 GPIO 管理守护进程（必须步骤）：

sudo pigpiod

安装必要的 Python 依赖（如有 requirements.txt 请优先安装，若无则确保已安装 picamera, numpy, tensorflow 等）：

# 示例：使用清华源安装常见依赖
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple picamera numpy tensorflow

2. 数据采集（在树莓派上）

连接好硬件（摄像头及舵机信号线至 GPIO17），运行采集脚本：

sudo python collect_data.py

说明：脚本会自动捕获图像和转向 PWM 信号，并保存在自动编号的 driving_trial_* 文件夹中。驾驶几圈以收集足够的数据后停止脚本。

3. 模型训练（在电脑/服务器上）

将树莓派上的 driving_trial_* 数据文件夹复制到训练机器。打开 network/Learn to Drive.ipynb Notebook 文件，按照单元格顺序执行代码以训练卷积神经网络。

训练完成后，会生成权重文件 weights.hdf5。

4. 部署模型

将训练好的 weights.hdf5 文件从训练机器复制回树莓派的家目录。

基本使用

确保硬件连接已切换至自主模式：舵机信号线需从接收机改接到树莓派的 GPIO18 引脚。

在树莓派终端运行以下命令启动自动驾驶：

sudo python drive_me.py

说明：脚本将加载 weights.hdf5 权重，通过摄像头实时捕捉图像，预测转向角度并通过 GPIO18 输出 PWM 信号控制小车沿车道行驶。