萬子平, 馬麗莎, 李星宇, 劉小旭, 龍哲

(1.長沙機電產品研究開發(fā)中心,長沙 410100；2.國防科學技術大學;3.上海工程技術大學)

BP神經網絡的內場駕考電子教練系統(tǒng)設計

萬子平1，2, 馬麗莎3, 李星宇2, 劉小旭1, 龍哲1

(1.長沙機電產品研究開發(fā)中心,長沙 410100；2.國防科學技術大學;3.上海工程技術大學)

針對駕考人員在校考方面訓練時間、場地大小的不足以及自考方面缺乏合理指導的問題，設計了基于BP神經網絡的內場駕考電子教練系統(tǒng)，該系統(tǒng)以S3C2440微處理器為核心硬件平臺，介紹了采集(視覺模塊和速度模塊)、處理(Canny算子、單目攝像頭測距算法和Harris算子)、分析判定(BP神經網絡算法)、結果輸出(語音模塊)的流程化方法。最后，結合各模塊算法和C-Free5軟件對核心控制算法進行了仿真，得到了滿足駕駛考試中觸邊、啟停和夾角分析等相關設定的實驗結果。

內場駕考電子教練系統(tǒng)；S3C2440微處理器；BP神經網絡算法；ARM；嵌入式技術

引 言

中國的車輛基數龐大，交管部對駕駛人員駕駛資格管控嚴格，而駕照的獲取需通過車管所主辦的駕駛資格考試。目前駕校練車有場地、訓練時間點、訓練時間量等諸多限制，因此各種輔助訓練設備逐步誕生。駕駛模擬器目前成為駕考訓練設備的主流，該設備可以較好起到初步的指導作用，但存在諸多的缺陷，如非真實駕車環(huán)境、體積大、造價高、維護性差和自用性差等。隨著直考政策提出，內場駕考電子教練系統(tǒng)的必要性和優(yōu)越性體現(xiàn)出來。系統(tǒng)基于嵌入式技術和神經網絡算法，從功能搭建、硬件選型、軟件設計和系統(tǒng)開發(fā)進行研發(fā)，具有可移植性好的突出優(yōu)點。

1 系統(tǒng)布局及應用過程簡析

系統(tǒng)工作環(huán)境為真實駕車環(huán)境，應用于自學訓練相對安全的科目二考試項目中?？荚図椖堪▊确轿煌＼?、坡道定點停車與起步、直角轉彎、S彎行駛和倒車入庫5個判定標準皆是邊界觸碰和停車過速的項目。在整車布局中，4個攝像頭分別安裝于機動車的4個車角點，用于捕捉邊界圖像；霍爾傳感器的磁鋼安裝于驅動輪轂處，用于發(fā)出霍爾信號；揚聲器則安裝于駕駛室內，用于播放觸邊警告和糾錯方案。

系統(tǒng)在速度控制方面會遇到速度過快超速和速度過慢停車兩種狀態(tài)。在超速和慢速過程中可量化出兩條語音指令，比如速度超過15碼，請減慢速度行駛。系統(tǒng)在觸及邊界方面會遇到各種觸邊情況，但具體歸類起來分為：①前進過程中的前輪單輪觸邊、前輪雙輪觸邊和同側雙輪觸邊；②倒車過程中的后輪單輪觸邊、后輪雙輪觸邊和同側雙輪觸邊。在直行過程中,前輪雙輪觸邊和后輪雙輪觸邊可通過預先停車指令保證訓練合格，而在轉彎過程中前輪單輪觸邊、同側雙輪觸邊和后輪單輪觸邊則可以歸納出一個共性，即一側車輪即將觸邊，方向適量反向轉動。這可以量化出8條語音指令，比如右前輪即將觸邊，方向盤適量左轉；系統(tǒng)工作在細節(jié)方面會遇到操作不當的情況，在啟動系統(tǒng)時，可量化出各種語音指令，比如發(fā)動機啟動前系好安全帶。系統(tǒng)工作在判定方面會遇到合格與不合格兩種情況，合格的情況出現(xiàn)于順利完成項目和項目訓練后機動車處于合理位置時，不需要發(fā)出指令；當發(fā)現(xiàn)車角觸邊和車邊夾角與邊界距離不可調兩種情況時，系統(tǒng)可發(fā)出不合格指令，比如訓練不合格，請重新開始。系統(tǒng)布局如圖1所示。

圖1 系統(tǒng)布局及應用過程示意圖

2 系統(tǒng)硬件架構及硬件模塊設計

本系統(tǒng)以機動車為載體，由中央處理器模塊(S3C2440微處理器)、視覺傳感器模塊(OV9650型號CMOS攝像頭)[1]、速度傳感器模塊(A3144開關型霍爾傳感器、STC12C52021AD速度芯片)、語音播報模塊(ISD4004語音芯片、揚聲器)和電源(20C2200 mAh的航模鋰電池、LM117穩(wěn)壓器)組成。視覺傳感器模塊采集到的邊界信號和速度傳感器模塊采集到的速度信號通過串口通信傳輸給中央處理器模塊進行快速處理，中央處理器模塊利用SDRAM進行臨時數據緩存，并實時更新狀態(tài)。中央處理器模塊將處理好的數據通過串口通信傳輸給語音播報系統(tǒng)，然后通過揚聲器進行語音播報。內場駕考電子教練硬件結構如圖2所示。

圖2 內場駕考電子教練硬件結構框圖

圖3 視覺傳感器模塊接口

中央處理器模塊為三星公司開發(fā)的S3C2440微處理器，具備體積小、成本低、功耗低、資源多等特點[2]。視覺傳感器模塊為OmniVision公司開發(fā)的OV9650型號CMOS攝像頭，具有低功耗、低成本、高整合度等特點[3][OV9650中的各引腳(如像素時鐘PCLK、幀同步VSYNC等)分別與S3C2440中的各相應引腳直接相連]。速度傳感器模塊為基于STC12C52021AD速度芯片的開關型霍爾傳感器A3144,具有對磁場敏感、頻率響應寬，工作溫度范圍廣等特點[A3144的I/O接口引腳直接與STC12C52021AD的引腳(外部中斷輸入INT X1)連接,STC12C52021AD與S3C2440中的信號傳輸需通過光耦合器實現(xiàn)[4]，光耦合器的ARM-XD和ARM-RXD兩個引腳與S3C2440相連]。語音電路模塊可采用ISD4004語音芯片，其多電平直接模擬量存儲技術可以有效避免量化噪聲和金屬聲。S3C2440的SOUT引腳提供SPI接口的時鐘脈沖到ISD4004的SCLK引腳。ISD4004音頻輸入信號從AIN+、AIN-引入，音頻輸出信號由ADUOUT引出，經過功放電路LM386輸出到揚聲器[5]。電源模塊以20C2200 mAh的航模鋰電池作為供電主電源，提供+12 V電壓?？稍O計穩(wěn)壓電路提供各個模塊中所需的+5 V電源、+3.3 V 電源，+2.5 V電源以及+1.8V電源[電源模塊可通過穩(wěn)壓電路直接與各模塊的I/O電源輸入端相連]。傳感器模塊接口圖如圖3、圖4所示。

圖4 速度傳感器模塊接口

3 系統(tǒng)軟件架構及算法設計

內場駕考電子教練系統(tǒng)軟件由數據采集、數據處理以及數據發(fā)布3個環(huán)節(jié)組成。數據處理是基于PC機.net 2005的編程，其余兩個環(huán)節(jié)是基于嵌入式操作系統(tǒng)WinCE的編程，用EVC作為編程工具，內場駕考電子教練軟件結構如圖5所示。

圖5 內場駕考電子教練軟件結構框圖

數據采集模塊以ARM(S3C2440)為主控制器。由于ARM與采集視覺以及速度信息的傳感器直接通過串口傳輸數據，因此可用OpenPort()函數打開串口，用CreateEvent()函數創(chuàng)建串口接收線程[6]，將接收的視覺和速度信息存儲在預先設定的文件中。然后，調用OnSend()函數以讀寫方式進行數據的傳輸[7]，數據發(fā)布模塊的程序與采集類似。中央控制模塊主要用BP算法將各個傳感器模塊采集的實時數據作為輸入，并對輸出指令進行合理的預測，最后將數據存儲到數據庫(SQL SERVER 2005)[8]中。

3.1 控制算法

內場駕考電子教練系統(tǒng)控制算法基于BP神經網絡的非線性分類器預測算法，根據BP算法理論，樣本庫越大、樣本數據越精確,則預測結果越準確。采用的方法是，建立樣本庫，把每次采集到的信息和控制結果都放進樣本庫，對科目二各項目練習過程進行控制?？刂扑惴ㄔO計分為三個步驟：

① 歸一化處理。為避免數據過大造成網絡麻痹，使用神經網絡預測前需對原始數據進行歸一化處理。在歸一化處理的過程中，必須保持原數據的特性[9]。歸一化算法如下:

(1)

其中，Max和Min分別表示這段時間該原始數據的最大值和最小值。

② 神經網絡的訓練。神經網絡的結構設計主要包括網絡層數、輸入層節(jié)點數以及隱層節(jié)點數的確定[10]。本系統(tǒng)選擇單隱層的三層神經網絡，輸入為邊界距離X1、車邊夾角為X2、當前速度為X3，觸邊車腳為X4和偏置單元(調節(jié)點)，用試湊法確定駕考電子教練神經網絡隱層神經元數目。在反復訓練中，當網絡隱層節(jié)點數為3加偏置單元時，收斂速度較快，可以在較短時間內達到目標。BP網絡的輸出層為5個神經元，分別為啟動停止Y1、前后行進Y2、左右轉向Y3、速度快慢Y4和合格失敗Y5。

③ 確定激勵函數。激勵函數的核心是決定神經元運動功能的神經元[11]。在本方法中，選擇常用的Sigmoid函數：

(2)

神經網絡預測系統(tǒng)的性能評價指標(誤差平方和SEE)為：

(3)

其中，SEE取0.01，學習系數為0.1，允許最大學習次數為3 000,實際值為(X1，X2，...，Xn)，預測值為(Y1，Y2，...，Yn)。駕考電子教練的神經網絡結構圖如圖6所示。

圖6 駕考電子教練神經網絡結構圖

3.2 邊緣檢測、測定距離算法和邊車夾角檢測算法

內場駕考電子教練系統(tǒng)邊緣距離算法基于固定攝像頭單目測距算法。算法步驟如下：

首先，將攝像頭鏡頭固定到可行的高度尺寸H，并通過攝像頭對地面進行垂直拍攝。通過2α視角拍攝的整個畫面計算出半個視角中長度尺寸M。

(4)

然后，將M分成N個等長的像素集合，長度越短越好，每個長度等于L。

(5)

最后，通過邊界目標直線所處的第N1個像素集合位置計算出機動車的邊界距離S。

(6)

內場駕考電子教練系統(tǒng)邊車夾角檢測算法基于Harris角度檢測算法[13]。算法步驟如下：首先，在CMOS攝像頭的加裝存儲器中存入標尺線程序，然后將標尺線程序安放于攝像頭采集四方圖像最外界，利用標尺線與車身平行的原理，進行標尺線與目標邊線直觀夾角的提取與計算。角度運算公式如下：

(7)

其中，w(x,y)表示移動窗口，I(x,y)表示像素灰度值強度，范圍為0～255。根據泰勒級數計算一階到N階的偏導數，得到一個Harris矩陣：

(8)

根據Harris矩陣計算特征值λ1、λ2，然后計算Harris角度響應值：

(9)

其中，k為系數值，取值范圍為0.04～0.06。

4 系統(tǒng)軟件流程及仿真結果分析

4.1 系統(tǒng)軟件流程

系統(tǒng)主要應用了嵌入式WinCE開發(fā)環(huán)境。在WinCE模擬器上和實際目標平臺上編譯和運行程序，同時可以通過ActiveSync在設備上調試程序[14]。系統(tǒng)運行過程為：啟動程序，中央處理器模塊(S3C2440)初始化；中央處理器模塊(S3C2440)對接收視覺傳感器所采集圖像信號和速度傳感器所采集速度信號進行分析，并判斷車輛位置是否合格，若合格，則直接結束，若不合格，則形成相關指令通過串口編碼后發(fā)送給語音播報模塊；語音播報模塊(ISD4004)通過對處理器發(fā)出的指令進行相應的語音匹配，形成相關指令發(fā)送到揚聲器，對駕車人員進行提醒。

4.2 仿真實驗結果分析

因為硬件設備限制且算法應用相對成熟，所以本文僅對控制算法部分進行仿真實驗，實驗環(huán)境的操作系統(tǒng)為Win7旗艦版，運行內存為2.0GB，硬盤大小為320GB,軟件版本為C-Free5[15]。為了驗證駕考電子教練輸出結果的正確性，本文進行了1000次實驗，下面列出部分實驗結果，如表1所列。

表1 仿真實驗部分結果

基于BP神經網絡的預測控制算法的駕考電子教練三種情況下的輸出結果如圖7所示[16]。

圖7 程序運行結果

從圖7中可以看出，當學習次數為878次時，誤差值為0.0099，小于允許的最大誤差值0.01，可以認為駕考電子教練系統(tǒng)完成了特定訓練情況下的正確輸出。此外，在允許的最大學習次數為1000次和反復實驗次數為1000次時,輸出結果失敗率為9.2%，雖然并不能保證系統(tǒng)輸出的完全正確，但是能夠縮短程序的運行時間，這對大樣本、多模式輸入有重要意義。當允許最大學習次數增大為3000次和反復實驗次數為1000次時，輸出結果失敗率為0.0%，系統(tǒng)輸出完全正確。

結 語

[1] 張瑩.基于嵌入式技術的導盲機器人設計[D].杭州:浙江工業(yè)大學,2011.

[2] 付衍輝,陳新.基于ARM9的嵌入式網絡語音終端系統(tǒng)設計[J].單片機與嵌入式系統(tǒng)應用,2014(10):49-52.

[3] 胡哲光.基于S3C2440與OV9650的嵌入式監(jiān)控設計[J].輕工機械,2012,30(2):50-53.

[4] 李文,張建澤.基于S3C2440的嵌入式Linux系統(tǒng)移植[J].化工自動化及儀表,2010,37(9):88-92.

[5] 宋曉梅,秦啟云,張瑜,等.ISD4004系列語音芯片批量拷貝的設計[J].電聲技術,2011,35(10):51-54.

[6] 羅旋,程廣河,孫祥,等.基于ARM嵌入式系統(tǒng)的一體化PLC研究與開發(fā)[J].電子制作,2014(14):47-48.

[7] 陳宇.基于S3C2440和Windows CE6.0圖像信息采集手持系統(tǒng)設計[D].桂林:廣西師范大學,2012.

[8] 黃興榮,李昌領.基于SQL Server 2005的數據挖掘的研究[J].計算機與現(xiàn)代化,2010(5):195-198.

[9] 柳小桐.BP神經網絡輸入層數據歸一化研究[J].機械工程與自動化,2010(3):122- 123.

[10] 鄧萬宇,鄭慶華,陳琳,等.神經網絡極速學習方法研究[J].計算機學報,2010,33(2):279 -287.

[11] 許楠,劉麗杰,徐耀群,等.高斯激勵混沌神經元系統(tǒng)及其應用[J].哈爾濱商業(yè)大學學報:自然科學版,2014(5):599-603.

[12] 唐路路,張啟燦,胡松,等.一種自適應閾值的Canny邊緣檢測算法[J].光電工程,2011,38(5):127-132.

[13] 趙呈,吳錫生.基于Harris算法的圖像角度計算方法[J].計算機工程,2013,39(12):167-170.

[14] 葉子,許家昌.嵌入式WinCE多線程編程研究與實現(xiàn)[J].數字技術與應用,2010(1):45-46.

[15] 邴守東,李國林.不完全微分PID控制算法研究與仿真實驗[J].電子工業(yè)專用設備,2013,42(1):46-50.

[16] 謝宇希,黃順,陳列尊,等.基于項目化教學的單片機應用技術課程的“駕考模式”考核評價探索[J].價值工程,2016,35(7):224-225.

萬子平(助理工程師)，研究方向為信息獲取、處理與電路實現(xiàn)技術和智能機械與數字化設計。

[8] 王予彬，王人衛(wèi)．運動創(chuàng)傷學[M]．北京：北京人民軍醫(yī)出版社，2006：172-174．

[9] 孫小康．頸椎病的預防與健康教育[J]．基層醫(yī)學論壇，2012，16(2)：268．

[10] 王宇澄，房緯，張瑋．頸椎生理曲度在青少年頸椎病復發(fā)階段與Northwick Park頸痛量表的相關性研究[J]．天津中醫(yī)藥，2013，30(4)：212-213．

[11] 全曉彬，木榮華，曹大成，等．正骨推拿治療青少年頸椎病及頸曲與癥狀相關性分析[J]．山東中醫(yī)藥大學學報，2012，36(1)：38-39．

[12] 盧潭城，劉鵬，高翔，等．基于AD8232芯片的便攜式信電監(jiān)護儀設計[J]．實驗技術與管理，2015，32(3)：114．

[13] 崔陽，張維華，白云峰．一種基于Arduino的智能家居控制系統(tǒng)[J]．電子技術應用，2014，40(4)：123-124．

[14] 付久強．基于Arduino平臺的智能硬件設計研究[J]．包裝工程，2015，36(10)：77．

[15] 李戈琦，張燕，向倫倫．基于Arduino的土壤濕度遠程檢測系統(tǒng)設計[J]．湖北農業(yè)科學，2015，54(16)：4060-4062．

鄧開連(碩士)，主要研究方向為嵌入式系統(tǒng)設計與應用、現(xiàn)代電子技術與系統(tǒng)、實驗室管理與實驗教學研究。

(責任編輯：楊迪娜 收稿日期：2017-02-09)

Driving Test Electronic Training System Based on BP Neural Network

Wan Ziping1,2,Ma Lisha3,Li Xingyu2,Liu Xiaoxu1,Long Zhe1

(1.Research and Development Center of Mechanical and Electrical Products in Changsha,Changsha 410100,China;2.National University of Defense Technology;3.Shanghai University of Engineering Science)

Aiming at the problems such as the lack of training time and space in school examination and the limitation of reasonable guidance in college examination for the self-taught,the driving test electronic training system based on BP neural network is designed,which adopts the S3C2440 microprocessor as the core hardware platform.The procedural approaches are introduced such as the collection(visual module and speed module),the processing(Canny operator,monocular camera ranging algorithm and Harris operator),the analysis and judgement (BP neural network algorithm) and the result output(voice module).Finally,the algorithm for each module and C-Free5 software are combined to simulate core control algorithm,the results of rim,the starting and stopping as well as the angle analysis in driving test are got.

driving test electronic coach system;S3C2440 microprocessor;BP neural network algorithm;ARM;embedded technology

TN98

A

?士然

2017-02-20)