無人自動駕駛共享單車系統設計

梁潤智 胡夢杰 李章誠 李欣蓓

摘 要：中國首創的共享單車模式經過短時間發展，改變城市出行方式的全新方案。但是，在這個過程中出現停放秩序、車輛損壞。我們設計了一款無人自動駕駛共享單車系統，該系統通過將攝像頭系統、自平衡系統和定位系統，加裝在共享單車上，共享單車可以開啟無人自動駕駛模式，讓共享單車進行短途自主導航前進。

關鍵詞：自動駕駛;圖像識別;深度學習

如今，僅哈啰單車的用戶注冊數量達到4億+，入住城市460+，累計騎行184億公里。共享單車因其隨取隨用和停車“無樁”理念便利了公眾的出行，解決了城市出行最后一公里難題，在共享單車的停放問題上。亂停亂放的共享單車大多數會前往“共享單車墳場”，其實就是垃圾場，根據數據統計有51.6%的單車曾被丟棄到“共享單車墳場”，但是在一個“墳場”中大概會有46.4%的單車會被拿出正常使用。本系統對共享單車進行改造，可以大大減少共享單車的損壞率，并且減少人員的調度費用，增加自行車出行的比例。

1方案設計

系統整體設計如圖1所示，最核心的部件是MCU中央處理器，我們首選的處理器是STM32，他有著功耗小的優點，可大大提升自行車的續航能力。自行車自動駕駛功能主要是分成三個大類，（1）基于OpenMv或k210深度學習攝像頭系統，可以對當前道路進行識別，同時深度學習使用CNN與XGBoost+AlexNet模型，大大提高圖像識別精準度。（2）雙頻北斗定位GNSS與5G NB-IoT窄帶物聯網，它們可以對自行車位置進行定位，讓路線規劃更為精準。（3）基于MPU6050自動平衡系統，通過獲得角度，可以讓自行車進行自動平衡，保持車身不傾斜，為自行車無人駕駛提供保障。通過三個系統的相互協調，達成無人自動駕駛功能。

2.1視覺識別

一、 AlexNet模型

AlexNet模型神經網絡使用激活函數為了引入非線性變化，具有ReLU的深度卷積神經網絡訓練速度比tanh 單元、sigmoid 單元快幾倍。傳統上卷積神經網絡，相鄰神經元組的領域是不重疊的，而在AlexNet模型中使用池化時是可以重疊的，提高精確度。

二、 實驗步驟及結果

實驗步驟：

（1）使用訓練好的AlexNet模型，隨機抽取cifar-10訓練集中的45000圖像數據輸入到模型。

（2）將后三層特征串行融合，使用PCA算法降維。

（3）使用XGBoost與CNN結合算法訓練，最后得到預測模型，仿真結果如圖2所示。

2.2位置PID控制。

為了防止單車傾倒，我們結合MPU6050實時返回值 Angle 進行舵機的調整。

PID算法公式：

angle_out = kp * angle + ki*integral + kd*gyro ? ?（1）

Kp為比例增益，Ki為積分時間常數，Kd為微分時間常數。

在通過速度環，將自行車自身的速度進行控制，對于期望速度大小的選擇并不是越大越好，因為在實踐中發現，當給車一定大小的電量，不同的速度所完成的路程長度是不同的。速度快的時候反而路程短，逐漸降低速度后，完成的路程開始增長，當低于一個速度時，完成的路程開始趨于穩定。所以，為保證路徑的優化，必須結合車的本身選擇一個合理的期望速度。

3自行車自平衡

一、自行車穩定性計算

根據自行車運動學分析，求得角速度與自行車質心加速度，為

根據《自平衡自行車機器人的運動學分析》可設q2為車架橫滾角（自行車傾斜角）根據公式，并帶入車把轉角與車輪轉速，并建立公式，得到

根據計算公式得知，車輪有一轉動角度的下界，因為車速越慢，車把轉角就越大，車速越快，車把轉角就越小。

為了驗證理論計算結果和實驗數據的一致性將對各個數值進行單獨抽樣，帶入實際進行測量，將車輛車輪傳動角速度在80度/秒，實驗結果如表2所示。

最后得到車架橫滾角度（自行車傾斜角）與車把轉動角度的一個非線性圖表與數值，并把此數據帶入到系統，由MPU6050獲得車架橫滾角度，然后根據此圖表，修改自行車轉軸舵機，從而達到自行車自平衡功能。

4 總結

如果共享單車裝上本系統，可完全做到自主巡航功能，大大減少共享單車亂停亂放的情景出現，從而制止大量共享單車因亂停亂放問題被報廢的問題，同時也可以減少共享單車調度人員的支出。

參考文獻：

[1]張春曉.一種基于對抗正則化的圖像特征提取方法.2019

[2]劉夢雅.面向圖像識別的卷積神經網絡算法優化與應用.2019

[3]任航.載人自平衡兩輪車控制系統的設計.2015