借助AI模型預(yù)測(cè)障礙物方向

謝作如 浙江省溫州中學(xué)

王博倫 上海人工智能實(shí)驗(yàn)室

●問題的提出

在2017年時(shí)，筆者曾和諸暨的李琦老師一起做過一個(gè)跨學(xué)科學(xué)習(xí)案例，研究用超聲波傳感器來識(shí)別前方障礙物的方向，并且寫了一篇名為《基于距離差的方向跟蹤》的文章（刊登在本刊2017年第7期）。這一研究的原理，是利用三角函數(shù)的知識(shí)，通過障礙物和不同傳感器之間的距離來計(jì)算出角度。而根據(jù)超聲波傳感器來測(cè)量障礙物的方向，可以應(yīng)用于無人駕駛、目標(biāo)跟蹤等場(chǎng)景。

近年來，有不少義務(wù)教育階段的創(chuàng)客教師與筆者討論，認(rèn)為文章列舉的案例是很好的學(xué)習(xí)案例，可惜小學(xué)和初中的學(xué)生沒有學(xué)過三角函數(shù)，無法進(jìn)行研究。前段時(shí)間復(fù)習(xí)AI知識(shí)，想起神經(jīng)網(wǎng)絡(luò)在理論上可以擬合各種曲線，那么，是否可以用一個(gè)深層的神經(jīng)網(wǎng)絡(luò)來模擬這個(gè)計(jì)算公式呢？如果可以，即使學(xué)生沒有學(xué)過三角函數(shù)，也能用訓(xùn)練模型的方式來完成障礙物角度的計(jì)算。有了這個(gè)想法后，筆者立刻開始著手驗(yàn)證。

●實(shí)驗(yàn)設(shè)計(jì)和可行性分析

測(cè)量障礙物方向的方法有很多。2017年時(shí)采用的方法是通過距離差，根據(jù)平面幾何原理計(jì)算出被測(cè)物體與觀察者正前方視線的水平夾角。如圖1所示，障礙物和超聲波傳感器1、2形成了一個(gè)三角形，只要測(cè)量出障礙物和超聲波傳感器1、2的距離（D1和D2這兩條邊），就能計(jì)算障礙物和超聲波傳感器之間的中點(diǎn)C的夾角α（即方向）。

從圖1中可以看出，決定夾角α的變量有三個(gè)，除了D1和D2，還有兩個(gè)超聲波之間的距離。為了減少數(shù)據(jù)量，可以先固定這一距離，那么此問題就可以轉(zhuǎn)換為一個(gè)典型的數(shù)學(xué)回歸問題：找出兩個(gè)輸入量和一個(gè)輸出量之間的關(guān)系。我們可以用機(jī)器學(xué)習(xí)的方式，借助現(xiàn)有的真實(shí)數(shù)據(jù)，訓(xùn)練一個(gè)AI模型來“推測(cè)”出這三個(gè)量之間的關(guān)系。

圖1

●數(shù)據(jù)的采集

現(xiàn)實(shí)中有多種方式采集數(shù)據(jù)。第一種是最真實(shí)的，即在障礙物和中點(diǎn)之間拉一條線，然后讀取兩個(gè)超聲波傳感器的數(shù)據(jù)，同時(shí)測(cè)量角度并記錄；或者是拉三條線，因?yàn)槌暡▊鞲衅鞯臄?shù)值和真實(shí)長(zhǎng)度誤差是很小的。

當(dāng)然，因?yàn)檫@一角度是可以用三角函數(shù)計(jì)算的，那么最方便的數(shù)據(jù)采集方式莫過于用Python寫一段代碼，然后將一組數(shù)據(jù)輸出到CSV文件中，或者使用Excel的公式來計(jì)算，再導(dǎo)出關(guān)鍵數(shù)據(jù)，如圖2所示。

圖2

除了做實(shí)地測(cè)量外，還有沒有其他簡(jiǎn)便的辦法呢？答案當(dāng)然是有，可以借助geogebra來獲取數(shù)據(jù)。如圖3所示，只要畫出這個(gè)圖，用鼠標(biāo)拖動(dòng)兩個(gè)滾動(dòng)條的圓點(diǎn)，即可看到D1和D2，以及角α的數(shù)據(jù)在不斷變化。可以用100條數(shù)據(jù)作為訓(xùn)練集，再用20條作為驗(yàn)證集，這樣就完成了數(shù)據(jù)集的整理工作。

圖3

這里需要強(qiáng)調(diào)一點(diǎn)，因?yàn)樽詈筝敵龅慕嵌仁窃?～180之間（真實(shí)情況會(huì)小很多），這和輸入的三組數(shù)據(jù)在數(shù)據(jù)大小上差距較大，容易導(dǎo)致訓(xùn)練時(shí)Loss值不正常，甚至無法收斂，因此最好使用弧度值來訓(xùn)練。通過實(shí)際測(cè)試可知，只要除以18，把數(shù)據(jù)范圍控制在0～10之間，訓(xùn)練時(shí)就很正常。

●網(wǎng)絡(luò)搭建和模型訓(xùn)練

筆者選擇用BaseNN來搭建神經(jīng)網(wǎng)絡(luò)。BaseNN是神經(jīng)網(wǎng)絡(luò)Python庫，延續(xù)了MMEdu極簡(jiǎn)的訓(xùn)練流程和風(fēng)格，聚焦于基礎(chǔ)原理的探究和模型的快速應(yīng)用。BaseNN類似Keras，只不過底層是Pytorch，初學(xué)者用簡(jiǎn)短的代碼即可搭建出各種網(wǎng)絡(luò)模型，調(diào)整神經(jīng)元的個(gè)數(shù)、層數(shù)、激活方式等。

1.載入數(shù)據(jù)集（如圖4）

圖4

2.網(wǎng)絡(luò)搭建

筆者準(zhǔn)備用一個(gè)最基礎(chǔ)的全連接神經(jīng)網(wǎng)絡(luò)來解決這一問題。BaseNN的代碼很簡(jiǎn)潔，幾乎類似偽代碼。下面的數(shù)行代碼搭建了一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，輸入維度是3（3列數(shù)據(jù)），最后輸出維度是1（1列數(shù)據(jù)），隱藏層是30和6，激活函數(shù)使用ReLU（如下頁圖5）。這里的隱藏層的層數(shù)和寬度僅用于參考，可以根據(jù)具體的情況修改。

圖5

筆者繪制了一個(gè)神經(jīng)網(wǎng)絡(luò)示意圖，由于30層畫起來密密麻麻，所以僅畫出了15層，如圖6所示。

圖6

3.模型訓(xùn)練

經(jīng)過多次測(cè)試，200輪訓(xùn)練就能夠得到較好的效果，程序如圖7所示。

圖7

4.數(shù)據(jù)測(cè)試

接下來用model.inference函數(shù)進(jìn)行推理，即可得到模型預(yù)測(cè)的結(jié)果，程序如圖8所示。

圖8

為直觀呈現(xiàn)結(jié)果，筆者畫出了一張對(duì)比圖（如圖9），可以看出，預(yù)測(cè)結(jié)果和真實(shí)值幾乎一致。

圖9

本項(xiàng)目訪問地址是https：//www.openinnolab.org.cn/pjlab/project？id=639d352b3791ab 1c3aa8b987，“克隆”后即可體驗(yàn)。

●反思與總結(jié)

通過這一實(shí)驗(yàn)，證明了用多層神經(jīng)網(wǎng)絡(luò)果然可以訓(xùn)練出一個(gè)能夠擬合三角函數(shù)曲線的AI模型，能夠根據(jù)距離差來準(zhǔn)確預(yù)測(cè)方向，或者說，驗(yàn)證了“神經(jīng)網(wǎng)絡(luò)能擬合任意曲線”這一結(jié)論。但是有AI專家表示擔(dān)憂：這會(huì)不會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)被濫用，明明可以用三角函數(shù)精確計(jì)算，卻偏偏用神經(jīng)網(wǎng)絡(luò)來擬合？

這一擔(dān)心不無道理。但任何一項(xiàng)新技術(shù)最開始總會(huì)被指責(zé)“濫用”，而之后才會(huì)發(fā)現(xiàn)其實(shí)是常態(tài)。既然神經(jīng)網(wǎng)絡(luò)能夠讓數(shù)學(xué)較差或者沒學(xué)過較復(fù)雜公式的孩子，利用采集數(shù)據(jù)的方式進(jìn)行“粗略計(jì)算”，那么就等同于他們掌握了一種萬能工具，不應(yīng)該以“濫用”的名義進(jìn)行否認(rèn)。

當(dāng)然，真實(shí)世界中還存在很多有關(guān)聯(lián)卻無法用精確的數(shù)學(xué)公式來表示的物理量，這在科學(xué)研究和工程應(yīng)用中經(jīng)常會(huì)遇到。那么，用采集數(shù)據(jù)加上訓(xùn)練模型的方式來“擬合”多種物理量之間的關(guān)系，顯然是一種有效的解決辦法，希望有更多的教師去探索這一領(lǐng)域，讓AI成為學(xué)生開展科創(chuàng)活動(dòng)的好幫手，真正培養(yǎng)他們的數(shù)據(jù)意識(shí)和AI思維。