智能车AI电磁部署学习 (一)

思考

AI组本意是通过短前瞻短数据集去长前瞻的打脚值，来使得智能车通过短前瞻获得与长前瞻一致的速度。
相对于短前瞻，长前瞻的信息相对更加丰富、准确，短前瞻甚至会丧失一部分关键信息。经过了解、学习LSTM后，并与队友讨论，认为输入不仅要只有电感值，可以尝试输入一些前次或前前次的舵机打脚值与某些主要电感数值，来使得系统更加稳定，且与时间有关，前后联系更加紧密。因为电磁变化是个连续过程，相邻两次的数值是有关联的，而此关联与转角值恰好是有某种非线性函数关系。

优化

数据都是单片机采集存储的，需要把数据整理、发送到PC端并转换成一个训练集、测试集。这里假定智能车采用无线透传串口模块或是SD卡FatFS文件系统存储采集数据。
本着在家要摸鱼的原则，优化了这一流程，更加方便实现训练流程，减少时间开销，编写了一个txt转py数组，且随机打乱自动分配训练、测试集的脚本。
可以读取相应格式的txt文本，转换成对应X Y矩阵，自定义设置训练集比例，可直接传入神经网络。

转存信息

首先规定通信格式。
在检测到begin关键字后开始进行数据转换，一行数据的前N-1项是神经网络的输入，最后的一个参数为训练的结果值，例如100,100,0，其中100 100为2输入神经网络的X值，0 为Y值(这里我用的是Softmax分类，通过数字转换成独热码，真正的多输出还需改写脚本，舵机打脚值一个数据位即可)。

数据转换

通过读取txt内的数据并将其转换为train_x，train_y，test_x，test_y，四个矩阵。

train_x_org, train_y_org = readtxt_make_arr("usart.txt", "begin")
train_x_y_org = np.c_[train_x_org, train_y_org] # 合并矩阵 为了保证打乱顺序后其x y值仍然相互对应
train_x_y, test_x_y = split_train(train_x_y_org, 0.2)
train_x, train_y = np.split(train_x_y, [-1], axis=1)    # 分割数组最后一列做为y
test_x, test_y = np.split(test_x_y, [-1], axis=1)

np.split(train_x_y, [-1], axis=1) # axis = 1对列操作

读取后，可以看到x_org与y_org的大小与输入一致。

打乱并且分割后，训练集与测试集数量相加与源矩阵维度相同，分割比例为0.2，数量正确。

LSTM

LSTM是长短期记忆（Long short-term memory, LSTM），作为一种特殊的RNN相比普通的RNN，LSTM能够在更长的序列中有更好的表现。而电磁数据恰好是一个较长的连续序列。

相对于普通的ANN网络，RNN中的LSTM的前向传播看起来还是略显复杂。
LSTM中遗忘门与更新门是保存记忆与更新记忆的关键，当神经网络可以判断出智能车处于转弯处或是长直道且保存记忆，并在离开元素后更新记忆，效果应该是较为理想的。
但良好的记忆能力使得其非常擅长于长时间记忆某个值，对于存在记忆细胞中的某个值，即使经过很长很长的时间步——吴恩达。
在所剩无几的假期中我并没有打算着手去实现LSTM流程，但其思想可少许借鉴于现有ANN网络的改进，也就是文章开头所说的思考。即使用前次电感值、新电感值、上次打脚值作为神经网络输入，计算出新打脚值。
当回校后若普通ANN效果不尽人意，再考虑是否尝试LSTM的实现。
我认为LSTM可能是电磁传感器控制一种较为合理的方案，智能车AI电磁部署学习 (一)开头的知乎链接中的前辈也提到LSTM（若日后摄像头也可以跑神经网络，那可能一定是采用CNN，或者CNN+RNN的方案） 。
欢迎读者评论、留言、私信共同探讨。