“3000张图、100次训练、2次通宵调参——这辆小车终于不撞墙了！”我们把踩过的几个大坑、数条命令打包成一篇推文！
👇下滑查看硬核拆解👇

一、我们是谁

我们是来自2025电子工艺实训（智能系统实践）课程的一支三人小队，用3周时间完成了一辆基于华为昇腾Atlas 200I DK A2开发板的AI智能小车。今天，我们把踩过的坑、熬过的夜、惊艳的结果，全部浓缩成这篇推文，带你沉浸式体验从Linux环境配置→AI模型训练→小车跑起来的全过程！

人员	身份	职责
杨小杰	组长	开发板环境配置、小车模型训练等
杨佳宇	组员	数据收集与处理、运动逻辑的实现等
韵恺	组员	小车运动代码的调整与优化、实验总结等

二、硬核技术栈：为什么选它们？

模块	技术选型	理由
开发环境	Ubuntu 22.04（VMware + WSL2双方案）	兼顾稳定性与Windows生态兼容性
AI框架	Anaconda+Pytorch	Anaconda环境灵活，Pytorch机器学习便利
硬件	昇腾Atlas 200I DK A2	8W功耗下16TOPS算力，边缘计算神器
控制	ESP32 + Arduino	低成本实现电机PWM精准控制

三、实战全流程拆解

~~~~~~~~~~~~~~~~~~~~~1.电气动力系统的搭建~~~~~~~~~~~~~~~~~~~~~

设计思路：在完成组装的基础上，将各硬件合理安放，并将小车板间分为两层结构，便于部分硬件的放置与电线的固定。

优化方案：双层结构扩大存放空间；合理固定摄像头，便于完整获取图片；电线捆绑固定，防止线头缠绕。

实验步骤：

1.将电机与麦轮拼装至小车两个底板之间，而后将电机之间的电线焊接并与ESP32主板相连

2.开发板连接，方式一：通过Type C使PC与开发板有线连接、方式二：通过无线路由器无线连接

3.将电源与各开发板，路由器和摄像头之间相连，从而为小车提供动力来源。

~~~~~~~~~~~~~~~~~~~~~~~2.软件系统的部署~~~~~~~~~~~~~~~~~~~~~~~

1.将下载好的示例程序通过开发工具部署到Atlas200DK开发板上。在部署过程中，注意检查程序的依赖关系，确保所有必要的库和模块都已正确安装。

2.根据实验需求，对部署好的示例程序进行配置。例如，对运行程序时小车的速度、调整算法的阈值等，以适应具体的实验场景。

3.部署和配置完成后，运行程序，对整个系统进行测试。检查是否能够正常采集数据，执行器是否能够按照预期动作，程序是否能够正常运行。

~~~~~~~~~~~~~~~~~~~~~~~3.实验数据的采集~~~~~~~~~~~~~~~~~~~~~~~

我们在开发板上启动部署好的程序，程序开始运行后，小车会根据传感器采集到的环境信息进行自主决策和运动控制。通过开发板的调试工具或监控界面，实时监控小车的运行状态，包括传感器数据、执行器动作、程序运行情况等。记录下实验过程中的关键数据和现象。在实验过程中，如果发现小车出现异常行为，如偏离预定路径、传感器数据异常等，及时暂停实验，检查问题所在并进行处理。处理完成后，继续进行实验。

左图为labelme标注过程的图片，对采集的数据进行标注，并整理成含3000左右图片的数据集，其中包含png和json格式；右图为python相关代码的库函数与环境配置，其中使用了虚拟环境对模型进行训练，模型训练得到.pt模型后转化为可供开发板使用的OM模型。

我们手动操控小车进行对全地图的行驶，在过程中对地图路线与地标进行抓取拍摄，随后在labelme中进行标注。同时，记录小车在实验过程中的运动轨迹，包括速度、转弯角度等信息。可以通过在开发板上添加相应的数据记录模块来实现。在程序运行期间，记录程序运行过程中的日志信息，包括算法的执行情况、错误信息等。这些日志信息有助于后续对程序进行优化和调试。

~~~~~~~~~~~~~~~~~~~~~~~4.实验数据的分析~~~~~~~~~~~~~~~~~~~~~~~

1.对记录下来的传感器数据进行预处理，去除噪声数据，提取有用信息。例如，对摄像头拍摄的图像进行灰度化、二值化等处理，以便后续进行目标检测。

2.对小车的运动轨迹数据进行分析，收集小车的实际行驶路径、平均速度、转弯次数等参数。通过这些参数，可以评估小车的运动性能，并优化小车的巡线功能。

3.分析程序运行日志，找出程序在运行过程中存在的问题，如算法效率低下、资源占用过高、错误处理不完善等。

在得到最终的结果后，我们根据传感器数据和小车的运动轨迹，分析小车对实验环境的感知能力。例如，评估摄像头的目标检测准确性和障碍物检测距离精度等。除此之外，我们还分析小车的运动控制性能，包括路径规划的合理性、速度控制的稳定性、转弯的准确性等。通过对比预期轨迹和实际轨迹，找出运动控制中存在的问题。最后，我们对程序中使用的算法进行性能评估，分析算法的效率、准确性和鲁棒性。例如，评估物体检测算法的检测速度、识别准确率，路径规划算法的规划时间和路径优化程度等。

~~~~~~~~~~~~~~~~~~~~~~~5.实验成果的总结~~~~~~~~~~~~~~~~~~~~~~~

我们经过不懈的努力，最终得到了良好的成效，我们的小车具备了巡线、避障的功能。它能够顺利识别路标，进行转向等操作。当我们看到自己的成果取得成功时，所有的努力都是值得的。

虽然实验顺利结束了，但我们认为这不是终点。作为一个小小的Demo，想要落地实践，我们还要走很长的距离。

~~~~~~~~~~~~~~~~~~~~~~~6.实验心得与体会~~~~~~~~~~~~~~~~~~~~~~~

通过Atlas 200I DK A2的模型部署，我们深刻理解了异构计算架构的优势：NPU（神经网络处理器）在图像推理任务中的能效比远超传统CPU/GPU组合。认识到了模型对于小车的重要意义。总之，这次实训让我们完整经历了“环境配置→算法开发→硬件集成→系统调优”的全流程。从虚拟机中的一个报错，到小车最终自主巡线的那一刻，这段旅程不仅教会了我们技术，更教会了我们如何以工程师的视角解决问题——理性、协作、永不言弃。

文稿：杨佳宇

照片：杨小杰、韵恺

排版：杨佳宇

指导老师：谢作生

0