摘要：本文设计了一种基于edgeboard的交通信息智能识别系统,通过Arduino处理板实现系统实时驱动,在百度edgeboard上设计多线程架构对交通信息进行深度学习。实验结果表明,无人驾驶系统工作过程中对连续车道线及交通标志物等交通信息具有准确的检测结果,能够对交通路况进行实时处理。

摘要：针对传统的自主循迹避障小车在复杂路况下存在图像识别精度低、处理时间长等问题,设计一种基于edgeboard的智能循迹避障小车。首先,通过USB摄像头采集道路图像;然后,采用基于OpenCV的道路循迹算法识别道路边缘;最后,利用SSD_MobileNetV1深度学习模型识别特定的交通标志。经测试,该智能循迹避障小车具有良好的稳定性和可靠性。

摘要：以百度飞桨PaddlePaddle作为运算平台,采用卷积神经网络算法构建数据模型,对智能车赛道数据进行了采集和处理,并基于百度深度学习开源平台AI Studio进行模型训练,完成对车道数据的检测.本系统实现了将赛道检测的人工智能技术与传统运用传感器进行侧面标识物的检测相结合,最终完成基于百度edgeboard计算板和Wobot控制器的视觉多功能智能车的设计与实现.

摘要：文中提出一种基于edgeboard的智能车系统,主要研究内容包括智能车车模的搭建、深度学习模型的训练、智能车控制等。首先,在百度AI Studio平台上部署飞桨深度学习框架,以计算卡edgeboard为主处理器,板载ATmega2560内核的WBOT控制器为下位机,CMOS高分辨率摄像头为视觉模块,闭环编码电机和智能舵机为动力装置,运用超声波、磁敏等各类传感器并使用CNC铝板搭建车模结构,从而构建一套完整的智能车模型;其次,通过深度学习训练模型,实现道路数据信息采集和数据的预处理,构建深度学习框架对数据集进行训练;再应用智能车的控制算法实现训练完成的模型调用、获取摄像头拍摄的数据、edgeboard对拍摄到的道路信息和任务信息的处理、edgeboard主处理器与WBOT下位机的通信、WBOT命令的接收以及控制指令的发送等功能;最后,通过实验对该智能系统的有效性进行验证。结果表明:所设计的智能车可以在设定的赛道上实现自主寻迹、定点停车、物料搬运、任务识别等功能;相比较于传统的智能车,文中装载深度学习模型的智能车寻迹效率更快,识别率高,对车道限制少,具有较强的鲁棒性和抗干扰能力,可以应用于智能交通系统中。