vrep小车避障算法_tensorflow训练cnn网络实现避障与导航（一）

tensorflow训练cnn网络实现避障与导航(一)，暑期过半，简单总结一下之前一个月内的工作。

暑期主要做了这样几项工作：

1/ 利用V-rep搭建了一个仿真环境，环境具有的功能有：

A/ 可以对其中物体进行动力学仿真，例如小车的行进、转弯等

B/ 可以对环境进行搭建，利用方块、圆柱等基本物体搭建出简单的外部环境

C/ 可以仿真一些传感器，如相机、Velodyne激光雷达(16线、64线)、HoKuYo单线激光等

D/ 可以与ROS进行交互，将仿真过程中的数据传给ROS，同时可以从ROS中接收控制信息等

2/ 利用CNN训练了一个可以根据 小车当前位置/ 激光雷达数据/ 目标点位置 三个输入来进行控制策略规划的控制器，具体步骤如下：

A/ 在Vrep中编写程序，使其可以对外发出小车的位置信息、面向角度信息、传感器信息、目标点信息等信息

B/ 利用roscpp编写程序，接收Vrep中发来的消息，并将其以一定的协议保存在文档中

C/ 利用LUA脚本编写程序 使Vrep可以在获得全局信息下生成路径，并让小车以一定的控制方式在这一路径下运动，当小车到达目标点后，V-rep会自动生成下一个目标点

D/ 对(B)中传来的数据在python中进行解析，对每一批数据分离出激光数据、小车数据、目标点数据、专家控制信息等数据，并分批读取

E/ 利用tensorflow搭建神经网络，对D中数据进行训练，网络输入为1080维激光数据、3维小车/目标点数据、2维专家控制数据，输出为两维网络控制信息。

F/ 利用tensorflow写一个test程序，对(E)中训练得到的网络进行测试，检测训练结果是否达标

G/ 利用tensorflow+rospy 写一个真实的test程序，将网络输出的控制信息传入V-rep中，测试在仿真环境下能否实现用网络输出实现对小车的控制

本项目的时间进度大致为：

7/5-7/12 利用V-rep搭建了仿真环境，可以读取激光数据。

学习cs229 课程，学习tensorflow

阅读文献、了解他人工作

7/13-7/20 利用tensorflow进行网络搭建，基本实现当所有信息均通过全连接的网络

优化网络，前端加入CNN网络，大幅减少需要优化的参数

对网络进行测试，发现loss不合格

7/21-7/31 对上周的网络进行优化，优化了输入的结构

对上周网络中的三个bug进行了修改，使得网络输出大大提升

思考通过何种信息进行“记忆”而避免“惯性”