使用ZCU104重新加载Badger机器人

描述

项目目的和期望

我们提出了一种使用图像识别和自动驾驶技术的驾驶机器人。针对高尔夫球场进行了优化。本文值得注意的是，我们使用了赛灵思为所有开发人员开发的 Vitis AI 来识别图像。跟踪鹅的自动驾驶机器人在高尔夫球场周围配备了自动监控功能。我们项目的概念是几个机器人相互发送和接收数据，识别和跟踪鹅，并将它们赶走，从而对商业区造成破坏。当机器人识别鹅时，它们会积累鹅的照片数据并将其提供给实验室，从而在动物行为矫正和害虫防治领域实现高效使用。

我们獾的故事

你好。我们是 BADGER，它将通过自动驾驶机器人保护人们的生活环境免受野生动物的侵害。

在美国高尔夫球场上占世界高尔夫球场人口的 50%。他们正在遭受来自野生动物的一定伤害。

这是一个高尔夫球手。

不久前，这位高尔夫球手在参加一场高尔夫锦标赛时感到很尴尬。

一只鹅就这样飞了进来，袭击了这个男孩。他甚至摔倒了，但鹅并没有阻止攻击。像这样，生活在高尔夫球场周围的鹅会攻击高尔夫球手。迁徙过程中，成百上千人蜂拥安家，业主难以管理。

今天的主角是加拿大鹅。

加拿大鹅每天吃 5 磅草，每天大便 1-2 磅。

事实上，加利福尼亚的 PGA 高尔夫球场每年支付 250,000 美元来清除这些鹅粪。

现有解决方案

这些是用来解决这个问题的传统方法。

高尔夫行业现在已经高度数字化，但模拟方法主导了如何处理鹅损伤。

为了解决这个问题，拥有PEST CONTROL技术的公司生产/销售自己的技术的鹅追逐机，但在价格和技术方面也没有生产力。

Goosinator 每件产品的售价通常为 5,000 美元，并且在操作时需要相关人员手动操作，因此每当出现问题时都不得不召集人来管理鹅，这很麻烦。

Bird-x成本较低，但只能覆盖 7 英亩，因此很难在任何给定时间管理 100-190 英亩 PGA 高尔夫球场的整个区域。现有服务似乎比预防性解决方案具有更高的目的，问题后的措施比预防性解决方案具有更高的目的。PGA高尔夫球场的规模似乎很难覆盖，它不是自动化的，而且面积很大。

毕竟，设备使用频率较低，对于高尔夫球手来说，在高尔夫球场上使用太贵或效率低下。因此，高尔夫市场利益相关者认识到高价设备和非生产性服务，需要在鹅巢覆盖PGA区域之前采取预防性解决方案，并且还应该易于操作。

让我向您介绍我们的机器人与 Xilinx 产品的特性和优势。

我们的机器人 - 独创性和差异化

我们为 PGA 高尔夫球场设计了一个大型耐用的两栖鹅清除獾，每年花费 250 美元用于清除和维护鹅。我们的两栖獾能够拍摄和检测鹅并将它们赶走。除此之外，獾还具有 GPS 巡逻路径，具有防撞和神经网络图像识别功能。我们的獾以低维护和具有成本效益的方式帮助驱逐干扰业务的鹅，而不是用老式的射击方式。

我们的机器人 - 技术开发

1. 易于驾驶

机器人可以很容易地被带到主人自己的高尔夫球场。它是一个图形用户界面，用户可以直接设置机器人运行的路线。当用户在 GUI 中设置 GPS 路径并开始工作时，BADGR 开始自主工作。

2. 使用Vitis AI 进行深度学习图像识别

以前和当前的鹅检测解决方案是由 Yolov3 在 Raspberry Pi 3+ 和 Pi4 上使用两个英特尔计算棒执行的。在这个项目中，我们应用 Vitis AI 库及其加载在 ZCU 104 板上的模型来检测我们的目标对象 Canadian Geese。

机器人通过使用 Vitis AI 的神经网络图像识别技术识别鹅。

3.两栖

我们的产品采用两栖模型设计。该机器人具有坦克驱动装置，链条将电机连接到车轮，以便在两栖模式下将电机与水隔离。

4. 自治

运行用户设置的课程的獾。BADGER 可以识别障碍物并在遇到障碍物时避开它们。该机器人有一个摄像头炮塔，可以在巡逻期间检测鹅，并使用飞行时间传感器来避障。

5. 数据

 

当 BADGR 找到一只鹅时，拍下鹅的照片后，它会追赶鹅。拍摄的照片会自动上传到云端硬盘。机器人拍摄并追逐检测到的鹅。此选项尚未与 Vitis AI 一起实施和应用。

成本效益

我们通过在线渠道租赁服务降低了折旧成本，并以更少的管理负担确保了经济效益。每台购买成本为5美元，500美元，租金为990美元。

制作 GUI 工作区

监视器

该板仅支持显示端口

USB集线器

USB和USB集线器可以连接BT鼠标和键盘，它也可以检测USB闪存驱动器。

注意：不使用其他端口。

当前板子和显示器设置运行正常，设置可以不使用ssh使用板子（我们不需要使用串口通信，主机和目标设置使用ssh进行安装和调试）。使用它们，它可以直接将文件传输到板子并使用板子内置的终端。

比较鹅检测（原始模型与 Vitis AI 样本模型）
以前的图像检测使用 Yolov3 和 Pi + Compustick

原始检测FPS（Frame Per Second）小于4.5，但准确率超过96.3%。当我们使用 ZCU104 板和 yolov3 模型进行测试时，模型显示出良好的 FPS，接近之前测量的性能 FPS。但是当用 yolov3 vcc 模型用 50 张测试图像进​​行测试时，大多数图像被识别为鸟，但准确率很低（平均值：54.6%，标准变异：44.71%）。如果模型的制作和使用更加专注于 Goose，预计可以同时发挥这两种情况的优势。这是在没有任何指定目标检测的情况下检测目标的初步验证，在我们的案例中是加拿大鹅。作为未来的工作，这可以通过微调训练来改进。

出行动计划

我们的 BADGER 在东德克萨斯州朗维尤小镇的一个高山高尔夫球场完成了驾驶，此后一直在制定一项行动计划，以在 PGA 级高尔夫球场上测试原型。

 

以前的獾机器人是勒图尔诺大学的高级设计项目，由三个国家的12位朋友组成的全球团队，由一个机械和电子、业务团队组成，在高级设计结束后，该项目正在与机器人组成员一起进行。在本次比赛中，团队成员在此提交中贡献了考虑 Vitis AI 和 ZCU 104 板的潜在用途，并进行初步验证以应用 Vitis AI-ZCU 104 板解决方案。是 BADGER 解决了野生动物与人之间的冲突。

谢谢你。