21届智能车人工智能竞赛技术解析：从算法设计到嵌入式部署实战

1次阅读

没有评论

共计 2283 个字符，预计需要花费 6 分钟才能阅读完成。

智能车竞赛中最让人头疼的往往是实时性问题。去年参赛时，我们遇到了几个典型问题：

摄像头采样延迟 ：使用 OV7725 摄像头时，图像传输到处理器需要约 30ms，加上处理时间，总延迟经常超过 50ms。在高速过弯时，这种延迟会导致控制指令严重滞后。
电机控制抖动 ：传统 PID 控制在低速时会出现明显的 ” 咯噔 ” 现象，特别是在起停阶段，这是由 PWM 分辨率不足和机械间隙共同导致的。
算力瓶颈 ：在 STM32F4 平台上，运行完整的 OpenCV 图像处理流水线（Canny 边缘检测 +Hough 变换）需要近 80ms，根本无法满足实时性要求。

我们对比了两种技术路线：

传统计算机视觉方案
基于 OpenCV 的流水线处理
平均耗时：76ms/ 帧（STM32F407@168MHz）
优势：无需训练数据，可解释性强
劣势：对光照变化敏感，弯道识别率仅 68%
轻量化深度学习方案
采用 YOLOv4-Tiny 改进版（输入尺寸 160×120）
平均耗时：22ms/ 帧（STM32H743@480MHz）
优势：弯道识别率达 94%，抗光照干扰能力强
劣势：需要 2000+ 标注图像进行训练

使用 TensorFlow Lite 的 Post-training 量化工具：

import tensorflow as tf

# 加载原始模型
model = tf.keras.models.load_model('yolov4_tiny.h5')

# 转换器配置
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_types = [tf.int8]  # 8 位整数量化

# 生成量化模型
tflite_model = converter.convert()
with open('yolov4_tiny_quant.tflite', 'wb') as f:
    f.write(tflite_model)

关键参数说明 ：
– Optimize.DEFAULT 启用默认优化（包含权重量化）
– supported_types=[tf.int8] 指定 8 位整数量化，相比浮点模型体积缩小 4 倍

基于 CMSIS-NN 加速库的部署流程：

使用 STM32CubeMX 配置硬件外设
分配 DTCM 内存：64KB 用于模型输入 / 输出
开启硬件 CRC 校验（模型校验需要）
内存占用分析（以 160×120 输入为例）：
模型体积：1.2MB（Flash 存储）
运行时内存：184KB（包含中间激活值）
关键性能指标（Keil MDK-ARM 5.37 环境）：
单帧推理时间：18.6ms（开启硬件 FPU）
CPU 负载：平均 67%（含图像预处理）

在 camera.c 中实现：

// 定义双缓冲区
uint8_t frame_buffer[2][CAMERA_HEIGHT][CAMERA_WIDTH];
volatile uint8_t active_buf = 0;

// DMA 传输完成回调
void HAL_DMA2D_TransferCpltCallback(DMA2D_HandleTypeDef *hdma2d)
{
    active_buf ^= 1;  // 切换缓冲区
    // 启动新采集（不影响当前处理）CAMERA_Start_DMA(&hdcmi, frame_buffer[active_buf]);
}

优势：
– 图像采集与处理并行进行
– 实测可减少约 15ms 等待时间

将浮点运算转换为 Q 格式定点数（以赛道曲率计算为例）：

// 原始浮点版本
float curvature = 2.0f * delta_y / (delta_x * delta_x);

// Q15 定点优化版
int32_t delta_y_q15 = (int32_t)(delta_y * 32768.0f);
int32_t delta_x_q15 = (int32_t)(delta_x * 32768.0f);
int32_t curvature_q15 = (2 * delta_y_q15) / ((delta_x_q15 * delta_x_q15) >> 15);

性能提升 ：
– 运算时间从 56μs 降至 12μs
– 精度损失小于 0.5%

遇到过的典型问题：