待补充
felipessalvatore/self_driving_pi_car
3/5
🧩 软硬件结合
已发布
项目简介
A deep neural network based self-driving car, that combines Lego Mindstorms NXT with the computational power of a Raspbe
Self-Driving Pi Car 是一个基于深度神经网络的自动驾驶小车开源项目，它将乐高Mindstorms NXT与树莓派3的计算能力巧妙结合，打造了一个低成本、可扩展的自动驾驶实验平台。项目的核心功能是通过摄像头采集赛道图像，利用卷积神经网络模型实时预测转向角度，实现小车在轨道上的自主行驶。它解决了从零构建一个完整自动驾驶原型系统的技术难题，特别适合机器人爱好者、AI学习者以及高校教学实验场景。
标签
项目特点
**低成本自动驾驶平台**：用乐高NXT和树莓派3就能搭起来，不用花大价钱买专业设备。
**基于深度神经网络**：核心是靠卷积神经网络（CNN）模型处理摄像头图像，实时预测转向角度。
**端到端学习**：直接从图像输入到转向输出，省去了传统方法中复杂的特征工程步骤。
**可扩展性强**：硬件和软件都留了接口，方便你换传感器、改模型或者加新功能。
**适合教学与实验**：代码结构清晰，文档齐全，拿来当AI或机器人课程的实践项目很合适。
**开源社区支持**：GitHub上有304颗星，代码和资料都公开，遇到问题可以找社区帮忙。
技术规格
| 主控制器 | |
|---|---|
| 电机驱动 | |
| 底盘 | |
| 摄像头 | |
| 电源 | |
| 操作系统 | |
| 深度学习框架 | |
| 编程语言 | |
| 通信方式 | |
| 模型类型 |
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Raspberry Pi 3 Model B | 1 | — | 核心计算单元 |
| 乐高Mindstorms NXT 组件 | 1套 | — | 含轮子、齿轮、结构件 |
| L298N 电机驱动模块 | 1 | — | 控制直流电机 |
| 直流减速电机 | 2 | — | 驱动左右轮 |
| USB摄像头（UVC兼容） | 1 | — | 采集赛道图像 |
| 5V/2A 移动电源 | 1 | — | 为树莓派供电 |
| 7.4V锂电池 | 1 | — | 为电机和驱动模块供电 |
| 杜邦线（公对母/公对公） | 若干 | — | 电路连接 |
| microSD卡（16GB以上） | 1 | — | 存放操作系统和代码 |
能力画像
**记忆与知识检索**：3/5 — 需要查阅文档和社区资料来配置环境、调试驱动，但整体信息量不大。
**动手与操作**：4/5 — 需要组装乐高底盘、连接电机驱动和摄像头、固定电源，硬件搭建有一定动手要求。
**编程与算法**：4/5 — 需要写Python代码调用GPIO、处理图像、训练和部署CNN模型，涉及深度学习基础。
**设计与建模**：2/5 — 乐高底盘结构基本固定，不需要自己设计机械结构，但可以自由调整布局。
**实验与调试**：4/5 — 需要反复调整摄像头角度、模型参数、电机PWM值，才能让小车稳定跑圈。
**协作与分享**：2/5 — 项目以个人开发为主，但可以参与GitHub Issues讨论或提交PR改进代码。
**学习与研究**：5/5 — 涵盖了计算机视觉、深度学习、嵌入式系统、机器人控制等多个领域，学习价值很高。
**系统集成**：3/5 — 需要把摄像头、树莓派、电机驱动、电源等模块整合成一个完整系统，有一定集成难度。
项目图库
所需技能
Python编程基础
树莓派基本操作（SSH连接、GPIO控制）
深度学习基础（CNN概念、模型训练与推理）
电路连接常识（正负极、电压匹配）
乐高积木搭建能力
基本的Linux命令行操作
图像处理基础（OpenCV使用）
适用场景
高校人工智能或机器人课程的教学实验项目
个人学习自动驾驶和深度神经网络的入门实践
机器人爱好者搭建低成本自动驾驶原型
参加创客比赛或技术展示的Demo项目
研究端到端驾驶模型的小型实验平台
作为树莓派进阶应用的练习项目