Amazon DeepRacer 是开始使用机器学习 (ML) 的最快方式。您可以在基于云的虚拟模拟器中使用 1/18 比例自动驾驶车辆训练强化学习 (RL) 模型,并在全球 Amazon DeepRacer League 中角逐奖金和荣誉。今天,我们将通过对 Amazon DeepRacer 设备软件进行开源来扩展 Amazon DeepRacer 功能,以提供有趣的动手学习。

为什么要开源

Amazon DeepRacer 虚拟赛事和线下赛事已广受好评,但开发人员现在想要其汽车超越赛车联赛。Amazon DeepRacer 是一款基于 Ubuntu 的计算机轮式小车,该装置由我们可以对代码进行开源的机器人操作系统 (ROS) 提供支持,可以让拥有基本 Linux 编码技能的开发人员能够轻松对其汽车有意思的新用途进行原型开发。Amazon DeepRacer 设备软件现已公开可用,因此,任何拥有汽车和创意的人员均可让其设备的新用途成为现实。

我们汇编了 6 个来自 Amazon DeepRacer 团队和全球 Amazon DeepRacer 社区成员的示例项目,以帮助您开始探索开源可实现的无限可能。在开发人员使用 #deepracerproject 分享新项目时,我们将会在 Amazon DeepRacer 机器人项目页面突出显示我们的收藏。无论是使用 DeepBlaster 项目在汽车上挂载 Nerf 加农炮,还是通过 Mapping 项目创建家或办公室的虚拟化效果,亦或是通过 DeepDriver 项目提出与朋友和同事进行赛车的新方式,您都可以使用开源代码和示例项目完成所有这些工作。文档可在 GitHub 中找到,并且可以在 Amazon DeepRacer Slack 频道中与数千位社区成员进行协作。Amazon DeepRacer 潜能的唯一限制是您的想象力(当然,还有物理定律)。

让我们开始试验

Amazon DeepRacer 设备代码进行开源之后,您可以轻松快速地更改当前所跟踪赛道的赛车的默认行为。想要通过部署对抗措施来阻止其他车辆超车?想要部署您自己的自定义算法,以便提高车辆从 A 点驶向 B 点的速度?您只要敢想,然后就可进行编码。我们非常希望看到您提出的创意,从新的赛车形式到 Amazon DeepRacer 的新用途。

即日起,您可以从六个项目中进行选择 (跟随领袖、Mapping、越野(由 Amazon Web Services 创建)、RoboCat、DeepBlaster 和 DeepDriver(由开源社区创建),或者创立您自己的一个项目。您可以从跟随领队示例项目入手,该项目将会训练汽车检测和跟踪一个物体。这是最快的构建和运行项目,在下一个部分,我们将演示修改 Amazon DeepRacer 汽车的默认行为是多么的简单。要完成此设置,请升级到最新的软件版本,然后通过 SSH 进入汽车。

升级版本链接:

https://docs.aws.amazon.com/deepracer/latest/developerguide/deepracer-ubuntu-update-preparation.html

下载“跟随领袖”项目

使用 SSH 连接到汽车,切换至根用户,并创建工作目录。然后克隆“跟随领袖” GitHub 存储库:

sudo su
mkdir -p ~/deepracer_ws
cd ~/deepracer_ws
git clone
https://github.com/aws-deepracer/aws-deepracer-follow-the-leader-sample-project.git

将项目存储库完全克隆到汽车这一过程可能需要几分钟(取决于您的网络连接速度)。“跟随领袖”项目包含若干个安装脚本,有助于更快地简化启动和运行过程。此外,如果您更习惯于运行基于 shell 的命令或者想要详细了解使用每个阶段的相关文档的流程,则还可以手动完成后续步骤。

下载和转换对象检测模型

首先,我们需要下载和转换对象检测模型。为此,我们可以运行“跟随领袖”存储库中附带的脚本:

sudo su
cd ~/deepracer_ws/aws-deepracer-follow-the-leader-sample-project/installers
/usr/bin/bash install_object_detection_model.sh

安装程序脚本将会先下载并优化模型,然后再将优化项目复制到模型位置。完成此过程大约需要 3–4 分钟。

您可以使用下载和转换对象检测模型的详细说明手动完成此阶段:

https://github.com/aws-deepracer/aws-deepracer-follow-the-leader-sample-project/blob/main/download-and-convert-object-detection-model.md

如果先前未初始化,则初始化 rosdep

Rosdep 有助于安装依赖项包。如果先前未在设备上初始化,则先初始化 rosdep。

sudo rosdep init
sudo rosdep update

构建“跟随领袖”包

接下来,我们需要提取项目所需的包依赖项并构建它们:

sudo su
cd ~/deepracer_ws/aws-deepracer-follow-the-leader-sample-project/installers
/usr/bin/bash build_and_install_ftl_application.sh

成功后,您应该可以查看与以下类似的屏幕:

脚本将会下载并安装所需的包依赖项,并构建包。完成此过程可能需要大约 8–10 分钟。

您也可以按照跟随领袖 README.md“下载和构建”部分的步骤 1–10 手动完成此阶段。安装脚本将会执行相同步骤(只需为您省去了一些键入操作)。

启动“跟随领袖”应用程序

现在,我们可以运行“跟随领袖”应用程序:

sudo su
cd ~/deepracer_ws/aws-deepracer-follow-the-leader-sample-project/installers
/usr/bin/bash run_ftl_application.sh

启用“跟随领袖”模式

最后,我们需要使用命令行界面 (CLI) 为车辆打开另一个 SSH 会话,以启用“跟随领袖”模式:

sudo su
cd ~/deepracer_ws/aws-deepracer-follow-the-leader-sample-project/installers
/usr/bin/bash enable_ftl_mode.sh

现在,您或者志愿者(或者一个物体)可以动起来并看着车辆开始跟随!是不是很棒?

分享您的成果

恭喜!您已完成第一个示例项目。使用标签 #deepracerproject 在社交媒体上与朋友和家人分享您的体验,以便让我们了解您的工作情况。随着社区创造更多的 Amazon DeepRacer 项目,我们会将它们添加到 Amazon DeepRacer GitHub 组织并在后续博客文章中进行详细介绍,让每一个人都可以获得灵感。

参考资料

Amazon DeepRacer:

https://aws.amazon.com/deepracer/

Amazon DeepRacer 机器人项目:

https://aws.amazon.com/deepracer/robotics-projects/

DeepBlaster:

https://youtu.be/vP5-n_1Ze1M

Mapping:

https://youtu.be/hMYKFOKqDWs

DeepDriver:

https://youtu.be/uGFHACot0e0

GitHub :

https://github.com/aws-deepracer/

Amazon DeepRacer Slack 频道:

https://deepracing.io/

跟随领袖:

https://youtu.be/8U9pSWYJt1E

越野:

https://github.com/aws-deepracer/aws-deepracer-offroad-sample-project

RoboCat:

https://youtu.be/_JzgC4b4xFA

使用 SSH 连接到汽车:

https://docs.aws.amazon.com/deepracer/latest/developerguide/deepracer-manage-vehicle-settings.html

跟随领袖 README.md:

https://github.com/aws-deepracer/aws-deepracer-follow-the-leader-sample-project/blob/main/README.md

本篇作者

David Smith

Amazon DeepRacer 高级解决方案架构师

他热衷于 Amazon DeepRacer、技术支撑和学习。工作之余,他喜欢 Formula 1、无人机飞行(和坠毁)、3D 打印、跑步(公园跑)、修补代码和陪伴家人。

动手训练属于自己的无人车,这个超强服务现已开源相关推荐

  1. 动手训练属于自己的无人车,这个超强服务现已开源!

    Amazon DeepRacer 是开始使用机器学习 (ML) 的最快方式.您可以在基于云的虚拟模拟器中使用 1/18 比例自动驾驶车辆训练强化学习 (RL) 模型,并在全球 Amazon DeepR ...

  2. 微软开源 AirSim,训练无人机和无人车

    导读 微软开源了基于虚幻引擎的模拟器 AirSim ,可以用来训练自动无人机.无人车及其它自主移动设备,微软希望通过此举为个人.研究者和企业提供原本难以获得的系统.毕竟由于需要耗费大量资源,所以很多企 ...

  3. Uber无人车收购MightyAI:掘金尚未暴富,卖水先获财务自由

    李根 发自 凹非寺  量子位 报道 | 公众号 QbitAI 掘金的人尚未暴富,卖水的先财务自由了. 这就是一桩自动驾驶领域并购案完成后得到的调侃,但这可能还只是表象. 6月27日,Uber无人车正式 ...

  4. 第一篇综述-无人车系统架构(三)

    第一篇综述-无人车简介(一) 第一篇综述-无人车简介(二) 目录 硬件架构 软件架构 前面简述了无人车的定义及分级.发展历程.社会影响及所面临的技术挑战.本章将讲述无人车的系统架构,包括硬件架构和软件 ...

  5. 百度CEO李彦宏:2018年实现量产无人车

    来源:ATYUN AI平台 11月16日,2017百度世界大会在北京成功开幕,百度CEO李彦宏在今年的百度世界大会上给大家带来了不少的惊喜. 现场,李彦宏以幽默的方式开场:"在今年的百度AI ...

  6. 人类历史上首次,完全无人的谷歌无人车上路了!

    硅谷Live / 实地探访 / 热点探秘 / 深度探讨 无人驾驶,真正无人! 上周,一辆自动驾驶车真的完全无人上路了!真的没有人! 这是一个历史性的时刻,意味着人类历史上首次实现了公共道路上的 L4 ...

  7. 数据不够,Waymo用GAN来凑:生成逼真相机图像,在仿真环境中训练无人车模型...

    鱼羊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 疫情当下,Waymo等自动驾驶厂商暂时不能在现实世界的公共道路上进行训练.测试了. 不过,工程师们还可以在GTA,啊不,在仿真环境里接着跑车 ...

  8. 2020第二届华为云人工智能大赛 · 无人车挑战杯

    [赛事介绍] 人工智能作为战略新兴产业,已经开始广泛应用于多个领域,无人驾驶及机器人是其中的重要载体.此次大赛是在华为云人工智能平台(华为云一站式AI开发平台ModelArts.端云协同解决方案HiL ...

  9. AI一分钟|倪光南:“中国芯”切勿重硬轻软;阿里达摩院入职95后最年轻科学家,参与无人车研发...

    ▌倪光南:"中国芯"切勿重硬轻软 中国工程院院士.计算机专家倪光南在接受媒体采访时表示,"过去汽车电子领域被外国跨国公司所垄断,它们的芯片有强大的生态支持,使中国芯片难以 ...

最新文章

  1. ACM_求N^N的前5位数和后5位数(数论)
  2. 入门指引 - PHP手册笔记
  3. 在i386平台Linux 2.6 上实现一个系统调用
  4. 网页css样式中英对照,css中文样式(含中英文对照表).doc
  5. 自主招生计算机论文,自主招生
  6. 10种顶级javascript框架比较-The Top 10 Javascript MVC Frameworks
  7. 11.频域里的卷积——介绍,傅里叶变换和卷积,快速傅里叶变换(FFT)_1
  8. 本想制衡经销商价格,不料成为黄牛货源地!茅台电商公司被迫解散!
  9. 一堂如何提高代码质量的培训课 之 领域驱动设计
  10. 不要有思维的惯性, 做每件事情之前, 都【确认好要做什么】!
  11. DELPHI的编译指令
  12. 触屏touch事件记录
  13. python中读取和保存图片的方法对比
  14. Linux制作ISO镜像文件
  15. 详细解说“黑客”们热衷的热门抓鸡技术
  16. 投影仪显示播放服务器连接异常,「投影仪维修」常见投影机故障如何解决?
  17. 已有项目如何添加到gitee(码云)仓库
  18. RFID卡片的扇区与块地址的计算
  19. SDK ..\OBJ\XXX.axf: Error: L6218E: Undefined symbol XXXX (referred from XXX.o).
  20. PKU红的HSB值,以及THU紫的HSB值。北大红,清华紫

热门文章

  1. 什么是TPM? Windows 11 是否会重蹈 Windows Vista 覆辙?
  2. 常用Date日期方法
  3. html 悬浮导航窗格,一个靠谱的自动悬浮的导航栏(笔记)
  4. 智能车竞赛逆透视变换(含编程实现)
  5. 新旧版本表格数据对比差异流程
  6. 【最好用】remote desktop organizer 远程桌面管理工具的详细配置
  7. [leetcode] 766. Toeplitz Matrix @ python
  8. AOP系列:切面编程框架 : AspectJ
  9. mac下ElasticSearch 集群搭建,使用Kibana配置和管理集群
  10. 支持向量机及核函数对比