▌01 前言

各位车友好， 第十六届全国大学生智能车竞赛竞速组规则 发布后，大家已经注意到由恩智浦赞助的 AI视觉组 是最具有综合性的一个组，感谢NXP继续对大赛的支持，让我们感觉了挑战性。

• 第十六届全国大学生智能车竞赛竞速组规则:
  https://zhuoqing.blog.csdn.net/article/details/110253008
• 
  ng.blog.csdn.net/article/details/111352093

关于“ 第十六届全国大学生智能车竞赛竞速组-室内视觉组补充说明^[2] ”的初稿详情大家可以通过卓老师的微信公众号推文了解到，点击此处查看。

• 第十六届全国大学生智能车竞赛竞速组-室内视觉组补充说明:
  https://zhuoqing.blog.csdn.net/article/details/111352093

初稿发布后，很多同学都对AI视觉组产生了浓厚的兴趣，同时也产生了很多疑问。所以，我们今天对AI视觉组的赛题进行一个简单分析，希望能给目前还在迷茫准备阶段的车友们打开一些思路。

根据初稿我们知道：车模限定使用C型车、微控制器限定使用NXP公司的MCU，推荐使用i.MX RT系列高性能MCU、传感器基本不限，可以使用OpenMV RT模块，但需要提醒的是该模块并不能完成这个赛题组的所有任务，下文有详细解释，请仔细阅读。

▌02 赛题任务分解

1.循迹

与其他竞速组赛道兼容，依然需要循迹，依然包含120°三岔路口，循迹任务推荐采用普通摄像头来完成，当然，也不是太普通，毕竟是全局快门的总钻风，这个任务比较传统，这里不再赘述，可以查看往期推文。

2.数字识别

在三岔路口需要对路口处的数字进行识别，并根据数字的奇偶性，来决策应该走左边还是走右边，数字识别可以使用OpenMV RT模块，也可以使用OpenART（本文后面会有OpenART的相关介绍）来完成。

3.AprilTag识别

AprilTag是一个视觉基准库，在AR，机器人，相机校准领域广泛使用。设定为与二维码相似但相对更简单的特定标志，实现快速检测。

在赛题中AprilTag码也代表着数字，依然通过识别其所代表的数字，并判断奇偶性来得知靶标牌是在赛道的哪一侧，AprilTag码识别可以使用OpenMV RT模块，也可以使用OpenART（本文后面会有OpenART的相关介绍）来完成。

4.物体识别

赛题中包含动物图案和水果图案，这部分内容也是该组别最能体现“AI”的一个环节。动物类包含狗、猫、马、猪、牛五个子类别，水果类包含苹果、橘子、葡萄、香蕉、榴莲五个子类别，图案对象均为全身或整体照片。

关于动物和水果的识别，需要采用第十五届AI电磁组部署神经网络模型的方式，来实现对图案的识别，区别是数据量大了许多，所以这个环节的任务采用OpenMV RT模块就完成不了了，必定需要部署神经网络模型，当然也可以在该模块上自行部署，但该模块上没有SDRAM，无法部署较大的模型，所以推荐在独立的高性能MCU上部署AI模型进行训练。

这里又提到对MCU性能有要求，因此规则中推荐使用NXP的i.MX RT系列的高性能MCU。对应的，我们推荐使用RT1064来作为部署AI模型的MCU，同时逐飞的RT1064核心板板载32M SDRAM，正好可以满足模型数据量对空间的要求。

关于图案识别的参考数据集及识别示例，NXP都会提供，届时逐飞也会第一时间进行验证。同时在这个赛题任务的讨论时，基本意见是考虑预赛阶段的数据集由组委会统一提供，也就是说预赛中出现的水果和动物图案，都在预先提供的数据集里，决赛阶段选择预先告知的数据集之外的水果和动物图案，这样可以保证大多数同学的完赛率，同时提高决赛阶段的竞技水平，谁的训练更充分，谁就更有可能在决赛中的识别环节取胜，具体实施方案应该会在正式版的规则中明确。

同时水果和动物的图案可能还需要一个外框，用于定位抓图，通过对图像中这个外框的识别来定位，将摄像头中有效的动物水果图案抓取出来进行识别，避免背景对识别的干扰，这一点也许需要加入到最终的规则中去，后面逐飞在做验证时也会更清楚这一点的需求，AprilTag码的位置与靶标牌的距离及相对位置也需要实际测试，规则中的距离要求可能需要调整，有待进一步验证。

5.激光打靶

在识别到图案为水果时，需要使用车载小型激光发射器对准靶心发送一束激光，打中才算完成该项任务，激光发射的相关技术要求，会在后面的正式规则文档中详细写出，相对而言，这部分工作需要建立在图案识别的基础上，识别准确了，打靶的控制才能准确实现。激光发射部分的制作很简单，届时会给出参考方案和技术指标。激光瞄准部分的机械结构应该需要用到舵机云台，通过控制来实现瞄准靶心。

▌02 OpenART

接下来给大家简单介绍一下上文中多次提到OpenART，这究竟是一个什么神器？

OpenART是由恩智浦研发的，最初的设计构想是做一套基于NXP i.MX RT系列高性能MCU的通用AI教育套件.

⊙ 应用场合:

• 人工智能教育，综合创新，原型验证
• 非多媒体数据上的机器学习（异常检测、姿态识别、智能控制策略）
• 语音触发、声源定位
• 人脸识别
• 智能可运动物体（模仿+强化学习）-机电联动：云台载具
• 机器视觉（OpenMV，从这里可以看出，它可以替代OpenMV）
• MCU教育
• 传统算法转深度学习

⊙ 硬件设计特点:

• 模块化设计
• 兼容树莓派通信接口
• 强化数据采集 –摄像头、多麦克风、多路AD、加速度、陀螺仪、地磁、压力、温度、湿度、照度等多传感器融合
• 尺寸小巧

⊙ 软件特点：

• RT-Thread内核，驱动，软件组件及开发环境
• Micropython环境，用于二次开发, AI教学
• OpenMV机器视觉库，运行OpenMV IDE自带视觉处理脚本
• eIQ: NXP机器学习开发包

OpenART套件的软件部分采用RTOS为基础，可以说RTOS为这套系统提供了很便捷的开发方式，对于大赛的AI视觉组来讲，有RTOS的加持，可以为软件设计提供更便捷的开发环境。

尤其该赛题组涉及到多任务，及Python和C语言的两种开发语言，有了操作系统做多任务分配，就大大的提高了可操作性，同学们可以根据自己的需求和能力，来自由分配和设计自己的整体软件结构，Python脚本可实现基础硬件控制，C语言可以完成主控逻辑的程序编写，同时解决了OpenMV只能用Python文件编写功能，不能用C语言来编写实时控制逻辑代码的问题。

所以OpenART教育套件的软件结构设计初衷，几乎完美契合AI视觉组的任务需求，引入RTOS也在这种复杂多任务嵌入式系统的设计中，体现出了巨大的优势。

上面也提到了OpenART本身就可以变身为一个OpenMV，通过Python脚本就可以完成人脸检测、色块检测、边缘检测等视觉处理脚本。  同时，现在的OpenART支持3种神经网络引擎：分别是openMV的旧式nn模块，tf模块，以及nncu模块。将来会支持GLOW。

接下来会制作基于nncu和tf模块的模型，nncu模块使用旧式CMSIS-NN API并且优化了性能，而tf模块使用新式CMSIS-NN的"_s8" API，性能有少量下降但8位精度更高。

▲ OpenART工具包架构

按照OpenART的设计思路，基于与智能车大赛AI视觉组任务需求的完美契合，NXP与逐飞联合设计了这套硬件，如下图所示，整个开发板依然围绕逐飞RT1064核心板展开，摄像头可兼容OpenMV4接口的Camera模块和逐飞的凌瞳彩色摄像头。

受NXP委托，逐飞正在做基于OpenART的AI视觉组赛题任务验证，验证完成后将会给出一个入门参考方案给同学们(包含神经网络模型部署等)，但更多的工作仍需要同学们自己去完成，包括OpenART开发套件也只能用于学习，只有RT1064核心板、OpenMV RT模块、凌瞳彩色摄像头等模块可以直接用于比赛，参赛作品的拓展板需要同学们根据自己的需求自行设计和裁减。

因为OpenART开发套件包含的功能较多，对于竞赛而言，有些功能是多余的，但如果您对其他部分也感兴趣，可以在比赛之余通过开发板学习到更多的应用。

▲ OpenART 开发板

好了，本次的AI视觉组赛题分析就先到这了，更多关于AI视觉组的硬件适配，软件方案的介绍且听下回分解，欢迎留言或进QQ群（946236488）讨论。

本文来自微信公众号文章：智能车竞赛，AI视觉组赛题浅析

免责声明：本文内容由21ic获得授权后发布，版权归原作者所有，本平台仅提供信息存储服务。文章仅代表作者个人观点，不代表本平台立场，如有问题，请联系我们，谢谢！