大学无人驾驶代码

class SimplePIController:  #定速巡航
#     def __init__(self, Kp, Ki):
#         self.Kp = Kp
#         self.Ki = Ki
#         self.set_point = 0.
#         self.error = 0.
#         self.integral = 0.
#
#     def set_desired(self, desired):
#         self.set_point = desired
#
#     def update(self, measurement):
#         # proportional error
#         self.error = self.set_point - measurement
#
#         # integral error
#         self.integral += self.error
#         # print(self.integral)
#         return self.Kp * self.error + self.Ki * self.integral
#
# controller = SimplePIController(0.1, 0.002)
# set_speed = 9
# controller.set_desired(set_speed)
#
# throttle = controller.update(speed)


'''
# 太原理工大学实训项目-无人驾驶
# 项目：基于深度学习的Udacity无人驾驶系统
# 学号：2018101039
# 班级：信息18-1
# 姓名：张书胜
# '''
# 1、导入第三方库
import os
import socketio  # 轻量级web通信架构，基于TCP/IP协议网络通信应用，套接字
from flask import Flask  # miro framework,web微型架构、框架，WSGI，web管理系统、路由转接器
import eventlet.wsgi  # Web Server Gateway Interface web 服务器网关接口，连接服务器与客户端
     # 图像处理库
import cv2,base64  # 对字节数据处理
from io import BytesIO  # 从系统导入的输入值  BytesIO:将文件放入内存运行,用到的数据是二进制 ,StringIO参数时string数据
from PIL import Image  # 特定格式打开图片
import numpy as np  # 对数据矩阵化处理
     # 模型相关库
from keras.models import load_model  # 读取模型 。h5
from data_preprocessing import image_normaliazed  # 归一化图像(实时化处理图像)
# 读取模型数据
model = load_model('model2.h5')

# 2、初始化变量
max_Speed = 30  # 速度最大值
steering_angle = -0.02  # 方向角
throttle = 0.3  # 油门 最大 1
# 3、创建网络连接
sio = socketio.Server()  # 创建 服务器
app = Flask(__name__)  # 定义 简单的服务器应用
app = socketio.WSGIApp(sio, app)  # 链接 sio和app

# 定速巡航
class SimplePIController:
    def __init__(self, Kp, Ki):
        self.Kp = Kp
        self.Ki = Ki
        self.set_point = 0.
        self.error = 0.
        self.integral = 0.

    def set_desired(self, desired):
        self.set_point = desired

    def update(self, measurement):
        # proportional error
        self.error = self.set_point - measurement

        # integral error
        self.integral += self.error
        # print(self.integral)
        return self.Kp * self.error + self.Ki * self.integral

# 4、发送控制 参数
def send_control(steering_angle, throttle):
    sio.emit('steer', data={'steering_angle': steering_angle.__str__(), 'throttle': throttle.__str__()})
    # 名字(自定义) ，数据（方向角、油门)     data字典类数据


# 5、控制汽车运行——达到某种状态，进行特定操作
@sio.on('connect')  # 当 连接(connect)成功——执行操作
def on_connect(sid, environ):  # sid——电脑id
    print('连接成功！')


@sio.on('telemetry')  # 收到数据——操作            关键字
def on_telemetry(sid, data):
    if data:  # 判断data不为空
        # print('我收到数据了')
        # print('data')
        speed = float(data['speed'])  # 获取、输出 速度
        print('Speed=', speed)

        # base64.b64encode()数据进行编码转换为二进制
        image = Image.open(BytesIO(base64.b64decode(data['image'])))  # 电脑缓冲区获取图像,放到内存读取(打开)
        image = np.array(image)  # 将列表转化为数组
        image =cv2.cvtColor(image,cv2.COLOR_BGR2RGB)  # opencv打开图像是bgr格式
        cv2.imshow('Image from Udacity Simulator',image)
        cv2.waitKey(1)  # 图像获取不到自动关闭
        image = image_normaliazed(image)  # 图像归一化处理
        cv2.imshow('Image from after',image)    # 显示处理后图像(名字，图像)
        # 通过模型预测车辆行驶中 方向角
        steering_angle = float(model.predict(np.array([image])))  # 输入图片信息,进行模型预测，类型转换
        # mode.predict(x_text,batch_size,verbose)    测试集数据，一次性输入图像数量(实时读取-不设置)，是否开启进度条(默认0)


        throttle = controller.update(speed)
        # throttle = 1.0 - steering_angle ** 2 - (speed / max_Speed) ** 2
        #  控制速度(定速巡航) 防侧翻 steering_angle**2  当前速度、最大速度 比值 平方(正负号)
        send_control(steering_angle, throttle)  # 控制 运动

@sio.on('disconnect')  # 当断开连接
def on_disconnect(sid):
    print('断开连接')
# os.startfile(os.getcwd() + '/项目三 基于OpenCV的人脸识别说明文档.docx')


controller = SimplePIController(0.1, 0.002)
set_speed = 9
controller.set_desired(set_speed)
eventlet.wsgi.server(eventlet.listen(('', 4567)), app)  # 连接服务器、客户端的 网关接口  端口值4567

# 运行之后，打开 模拟器(自动模式)  —— 连接成功，收到数据{} 键值对