YOLOv4 model training
- data set
- 영상 10개를 통한 이미지 2000장 취득
- 기가차를 움직여 정지한 ERPmini 차량에 다가갔다가 멀어지는 영상을 녹화
- 다양한 환경에서 취득
- 2가지의 환경(트랙 변경)
- 캠 빛 노출도 조정
- labeling
- DarkLabel 사용법을 배움
- 취득한 영상을 slicing 하여 만든 2000장의 img labeling 진행예정
- Training (11/13(토) 진행 예정)
- labeling 된 data set을 training / validation set으로 나눔
- coco dataset train 시 사용된 YOLOv4의 hyper parameter, model parameter 사용
- Data augumentation을 통하여 DataSet 증식 및 다양한 환경에서 Robust하게 하기
PID 제어
Bounding Box 차이(Aref - A) 를 통해 Error를 계산하고 PID 제어를 한다.
Vref = a * (Aref - A)
#Aref = 목표 속도에서의 바운딩 박스 면적
#A = 현재 속도의 바운딩 박스 면적
#a = 속도로 환산 하기위한 비례상수
면적에서 속도로 변환하기 위해 비례 상수인 a를 두었고 이는 huristic 하게 최적의 값을 찾는다.
위의 수식에서 얻은 error로 P,I,D를 각 구하여 sum을 구하고 재귀적으로 반복되는 PID 코드를 작성
P = error * Kp ⇒ 비례항 I += errorKidt ⇒ 적분항 D = [error(2)-error(1)] / dt*Kd ⇒ 미분항
PID = P + I + D ⇒ 조작량
import numpy as np
import matplotlib.pyplot as plt
import sympy as sym
dt = np.arange(0, 20, 2) #t(2) - t(1)을 2s 로 두어 0초부터 20초까지 진행되는 행렬 만듬
#계산식
#P = error * Kp
#I += error*Ki*dt
#D = [error(2) - error(1)] / dt *Kd
#주어지는 변수 dt
Kp = 6.0 #비례 계수
Ki = 0.4 #적분 계수
Kd = 2.0 #미분 계수
P = list() #P = error * Kp
I = [0] #I += error*Ki*dt
D = [0] #D = [error(2)-error(1)] / dt*Kd
PID = list() #P+I+D 저장할 리스트
velocity = list() #PID*alpha를 통해 속력으로 환산한 값을 저장
#alpha = 3
GOAL = 20 #commend variable(목표값)
error = list() #error
value = [0,3,7,13,20,19,21,23,20,20]#측정값
for i in range(0, len(value)):
error.append(GOAL - value[i])
for i in range(0, len(error)):
P.append(error[i]*Kp)
if i == 0:
D[i] = 0
I[i] = 0
else:
I.append((error[i] * Ki)*dt[i] + I[i-1])
D.append(((error[i] - error[i-1]) / dt[i]) * Kd)
PID.append(P[i]+I[i]+D[i])
velocity.append(PID[i])
plt.figure()
plt.subplot(4,1,1)
plt.plot(dt, P)
plt.xlabel('dt')
plt.ylabel('P')
plt.subplot(4,1,2)
plt.plot(dt, I)
plt.xlabel('dt')
plt.ylabel('I')
plt.subplot(4,1,3)
plt.plot(dt, D)
plt.xlabel('dt')
plt.ylabel('D')
plt.subplot(4,1,4)
plt.plot(dt, PID)
plt.xlabel('dt')
plt.ylabel('PID')
plt.show()
