車道線的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

樹莓派智慧專案設計：Raspberry Pi 4 Model B上的Python實現

為了解決車道線的問題，作者賀雪晨孫錦中劉丹丹謝凱年楊佳慶仝明磊 這樣論述：

本書通過講述樹莓派（Raspberry Pi 4 Model B ）上的Python實現，使讀者在熟悉Python語言和許多傳感器使用的同時，掌握如何使用樹莓派的GPIO與週邊 硬體進行資料交互、讀取硬件的工作狀態、控制硬體工作等，實現樹莓派與外界硬體設備的交互，通過軟硬體的結合，掌握人工智慧專案開發的基本方法，實現智慧車輛、機械手掌、視覺機器人等多個基於樹莓派的智慧實踐項目。本書可作為高等學校計算機類、信息類、電子類等專業人工智慧相關課程的教材，也可供希望學習Python 、OpenCV的讀者或其他從事人工智慧專案開發的工程技術人員學習參考。 賀雪晨   上海電力大學電子

與資訊工程系主任，多年從事高校教學和科研工作。主持2019年上海高校本科重點教學改革專案“基於人工智能應用場景的產教深度融合實踐教學改革與探索”；主持2019年上海市高水準應用型大學建設重點教改專案“新工科背景下卓越工程師培養模式探索”和“嵌入式智慧技術產教融合教學團隊”。主編教材多部。 第1章 樹莓派安裝使用1 1.1燒寫鏡像文件至SD卡2 1.1.1格式化SD卡2 1.1.2燒寫鏡像文件3 1.2啟動樹莓派4 1.2.1通常情況4 1.2.2開機直接進入樹莓派系統的情況7 1.3PuTTY7 1.4VNC Viewer10 1.4.1通常情況10 1.4.2無法連接VN

C的情況11 1.4.3解析度不匹配情況12 1.4.4樹莓派功能表配置13 1.5檔案傳輸14 1.6Linux常用命令與文本編輯15 1.6.1常用命令15 1.6.2檔與目錄管理15 1.6.3文本編輯16   第2章 程式設計基礎19 2.1Python快速入門19 2.1.1Python程式編寫19 2.1.2方法20 2.1.3迴圈21Ⅳ樹莓派智慧專案設計: Raspberry Pi 4 Model B上的Python實現目錄Ⅴ2.1.4分支21 2.2Python語法基礎23 2.2.12量24 2.2.2值和類型25 2.2.3結構體28 2.2.4控制程式流程31 2.2.5

函數35 2.2.6類36 2.2.7模組39 2.3OpenCV基礎41 2.3.1圖像讀寫42 2.3.2影像處理44 2.3.322捕獲53 2.3.4保存2254 2.3.5人臉檢測54 2.3.6給人臉帶上表情56 2.3.7人臉比對58 2.3.8運動檢測61 2.3.9KNN背景分割器63   第3章 樹莓派的GPIO65 3.1LED67 3.1.1七彩LED673.1.2雙色LED68 3.1.3RGB LED74 3.2繼電器77 3.3鐳射發射模組80 3.4開關82 3.4.1輕觸開關82 3.4.2傾斜開關85 3.4.3振動開關88 3.4.4幹簧管90 3.4.5

觸摸開關93 3.5U型光電感測器96 3.6蜂鳴器99 3.6.1有源蜂鳴器99 3.6.2無源蜂鳴器101 3.7模擬感測器106 3.7.1模數轉換感測器106 3.7.2雨滴感測器110 3.7.3PS2操作杆113 3.7.4電位器117 3.7.5霍爾感測器120 3.7.6類比溫度感測器123 3.7.7聲音感測器125 3.7.8光敏感測器129Ⅵ樹莓派智慧專案設計: Raspberry Pi 4 Model B上的Python實現目錄Ⅶ 3.7.9火焰感測器131 3.7.10煙霧感測器134 3.8超聲波感測器138 3.9旋轉編碼感測器140 3.10陀螺儀加速度感測器1

43 3.11紅外避障感測器146 3.12循跡感測器149 3.13數字溫濕度感測器151   第4章 實踐專案: 智能車輛156 4.1智慧車輛結構及連接方式簡介156 4.1.1智慧車輛結構簡介156 4.1.2智慧車輛連接方式157 4.2智慧車輛視覺巡線157 4.2.1視覺巡線理論基礎及程式簡介158 4.2.2視覺巡線實操162 4.3智慧車輛深度學習自動駕駛164 4.3.1深度學習自動駕駛理論基礎及程式簡介 164 4.3.2深度學習自動駕駛實例171   第5章 實踐專案: 機械手掌174 5.1連接與控制1755.1.1遠端連接機械手掌175 5.1.2程式架構175 5

.2顏色分類176 5.3顏色跟蹤178 5.4人臉檢測178 5.5石頭剪刀布179 5.6手勢識別180   第6章 實踐專案: 視覺人形機器人182 6.1專案啟動182 6.2自主巡線183 6.3點球射門184 6.4雲台跟蹤186 6.5物品識別187 6.6手勢交互188   參考文獻190     前言 人工智慧是國家新興戰略產業中資訊產業發展的核心領域。作者團隊在校企合作教書育人過程中，通過與企業工程師共同探討，選用開源軟硬體進行基於樹莓派的智慧車輛、機械手掌、視覺機器人等人工智慧專案的設計和製作，完成了基於人工智慧應用場景的實踐教學，經過近幾年卓越工程

師班的教學實踐，教學良好。 本書由上海電力大學“嵌入式智慧技術”產教融合教學團隊編寫，是上海市2019年高校本科重點教學改革專案“基於人工智慧應用場景的產教深度融合實踐教學改革與探索”的成果，也是2019年上海市高水準應用型大學建設上海電力大學重點教改專案“新工科背景下卓越工程師培養模式探索”的成果。 本書共分6章，前3章主要講解基本知識，後3章進行項目實踐，具體如下。 第1章介紹樹莓派的安裝使用。 第2章介紹Python程式的編寫和OpenCV的基礎內容，包括人臉檢測、人臉比對、運動檢測等內容。 第3章介紹如何使用樹莓派的GPIO與硬體的交互，包括LED、繼電器、蜂鳴器、各類開關、

各類類比感測器和數位感測器等內容。 第4章介紹智慧車輛實踐專案，通過深度學習實現智慧交通，具體包括類比車輛智慧視覺巡線及無人自動駕駛，通過圖像預處理及相應演算法獲取車道線及障礙物資訊，以及根據路徑規劃實現車輛的自主導航。 第5章介紹機械手掌實踐專案，通過智慧視覺識別功能，實現顏色識別和跟蹤、人臉檢測、手勢識別等功能。 第6章介紹視覺人形機器人實踐專案，通過黑線識別實現自主巡線，通過圓形識別實現點球射門，通過單色物體識別實現雲台跟蹤，通過多色物體識別實現物品識別，通過手勢識別實現交互。 實踐項目案例會不斷更新，有興趣的讀者可以與作者進行探討。 由於作者能力有限，書中難免有所遺漏，懇請同

行專家及讀者批評指正。   作者 2020年12月    

車道線進入發燒排行的影片

基於FPGA單晶片及像素趨勢車道線檢測法實現車道線感測系統之研究

為了解決車道線的問題，作者廖國欽 這樣論述：

車輛自動駕駛系統目前主要是由自動跟車 (Adaptive Cruise Control, ACC) 以及車道偏離警示 (Lane Departure Warning System, LDWS) 兩大系統所組成。然而，自動跟車系統在實現過程中，由於必須藉由前方車輛實現車輛跟隨功能，因此若無前方車輛時則無法實現此功能。反觀車道偏離警示系統是依據車道線軌跡來幫助車輛保持於車道內，因此具備較高實用性。在此，本研究特別針對車道感測進行研究。由於傳統的車道線感測必須仰賴高效率的電腦才能有效地完成運算，為了克服傳統車道線辨識的缺點，本研究專注於如何將車道線辨識演算法簡化，並實現在單晶片上，達到低功耗之目的

。本研究以單一數位相機及單一現場可程式邏輯閘陣列 (Field Programmable Gate Array, FPGA) 實線以精簡之硬體電路達到即時於白天及黃昏情況下進行車道線辨識。透過像素趨勢車道檢測法 (Pixel Trend Lane Detection, PTLD) 擷取特徵，並將所得之車道位置利用線性回歸 (Linear Regression, LR) 決定車道線的軌跡，再透過左右車道回歸線取得車道的中心線，藉此引導車輛穩定行駛於車道中。另外，本研究還搭配語音辨識擴充模組 (DFR0177 Voice Recognition) 來辨識由Google Map路線規劃所傳出的語音指

令。根據辨識的結果，輸出行車指令給FPGA，以此決定車輛轉彎或直線行車路線模式。根據本研究之實驗結果，在使用每秒90張畫面播放速度以及640×480影像解析度情況下，只需11 ms即可擷取車道線特徵。而由左右車道線線性回歸決定出的中心線與實際影像中的中心線，誤差僅在5個像素以內。故本研究不管在運算速度以及準確度上均符合實際運用需求，未來可以有效幫助車輛穩定行駛於車道，達成自動駕駛之目的。

CSI見築現場第五冊：工程數量計算「照著算完成工程估價單編列!算圖公式一看就懂」

為了解決車道線的問題，作者王玨 這樣論述：

　　挑戰427項工程估價項目！ 　　精通算圖，晉升營建經理人的必經之路 　　預算執行全期必備的估價基本功─ 　　◆ 圖面及建材整合 　　◆ 專案預算編列 　　◆ 工程發包及材料採購 　　◆ 合約編製 　　◆ 結算稽核 本書特色 　　☆ 鉅細靡遺！複雜公式完整拆解 　　☆ 實案實戰！工程估價單為據，照著步驟完成一案估算 　　☆ 不怕前輩藏私！數據擷取方法一次到位，百種結構型式附圖解說  

基於模型預測控制之自駕車車道維持系統之研究

為了解決車道線的問題，作者江建霖 這樣論述：

近幾年由於人工智慧技術快速發展，引發了一股科技浪潮。自駕車的實現在這股科技浪潮中扮演重要的角色，各大車廠無不投注大量成本研發自動駕駛技術，希望有朝一日能讓全自動駕駛汽車普及。在自動駕駛技術中，讓汽車辨識車道並置中行駛，是諸多核心技術中最重要的一環。方法上，有基於深度卷積神經網路的行為複製法、有基於強化學習的自我學習法、也有基於影像處理技術直接辨識出車道位置的方法。其中，基於影像處理的方法，具有強健性及處理速度快等優點，但是需要搭配一套好的控制器。傳統上，利用Proportion Integration Differentiation控制，對於單目標的控制系統是快速有效的；但是像自駕車這種同時

考慮縱向控制(車速保持)及橫向控制(車道維持)的系統，就不容易用Proportion Integration Differentiation控制器實現。本論文研究了基於模型預測控制之自駕車置中行駛方法。先利用影像處理技術偵測出車道線之後，就可得出車輛與目標位置與目標方向的偏移量，進一步可用模型預測控制方式達成控制目標。由於模型預測控制的機制實際上是考慮了所有限制條件之後所求出的最佳解，因此可以同時考慮橫向目標、縱向目標、以及控制變數的要求(如方向盤及油門操控之平順度)。為了實現本論文提出之方法的有效性，我們用機器人作業系統(Robot Operating System)進行實作。在Robot

Operating System的模擬器(Gazebo)中，我們製作了一輛與實車相仿、具有同樣運動特性的模型。車道是採用AWS Deep Racer的標準賽道。車子使用的唯一感測器，是置於車頭的RGB攝影機。實驗結果顯示，運用Model predictive control方式控制的車輛行駛行為，展現出類似駕駛高手才會呈現出的現象：不但方向盤抖動情況減少、車輛入彎道時會自動減速、出彎道時又再度加速以維持設定的巡航速度。雖然Model predictive control計算量較高，但是現在的電腦速度已經足以負荷這種計算量。從本研究結果，顯示Model predictive control是值得

自駕車研發人員關注的方法。