一、核心内容概述
1.1 项目背景与目标
随着城市电动车保有量突破3.5亿辆，违规停放问题已成为影响交通秩序和公共安全的重要挑战。传统固定监控覆盖范围有限，无人机应用受城市环境制约，智能停车桩部署成本高昂，亟需一种高效、低功耗的智能化解决方案——恐眼照你团队
本系统基于RDK X3开发板与TogetheROS.Bot平台，构建了一套集环境感知、智能识别、自动导航于一体的电动车违停检测系统，旨在实现：
-
固定区域内的自主巡逻与导航
-
电动车违停行为的实时检测与判断
-
违规车辆的车牌识别与信息记录
-
人机交互语音提示功能
1.2 系统工作流程
-
环境建图与导航：通过N10激光雷达获取点云数据，利用Gmapping算法完成区域地图构建，基于Nav2框架实现A*算法路径规划。
-
目标检测与 语义分割：使用YOLOv5算法识别电动车及障碍物，结合Mobilenet-UNet语义分割模型区分停车区域与禁停区域。
-
违停判断逻辑：通过检测框底部线段与停车线的相交关系，计算区域内占比判断违停状态，支持消防通道等禁停区域检测。
-
数据交互与记录：通过Socket通信将违规车辆图像传输至PC端，利用HyperLPR3实现车牌识别并记录至Excel。
二、创新点解析
2.1 边缘计算部署创新
-
低功耗高性能架构：基于旭日X3开发板（5T运算量，低功耗）部署多模型，突破传统CPU+GPU架构功耗瓶颈，为边缘设备违停检测提供新思路。
-
多模型协同优化：在单一开发板上集成YOLOv5目标检测、Mobilenet-UNet语义分割，通过模型轻量化处理实现实时推理（检测帧率≥15FPS）。
2.2 算法与系统设计创新
-
动态区域检测策略：根据小车巡逻路径（默认左侧行驶）优化检测区间，聚焦图像右侧目标，减少干扰并提升检测效率。
-
违停判断 算法 创新：针对机器人低视角特性，提出基于检测框底部线段的相交比计算方法，相比传统交并比算法更适应实际场景。
-
全流程自动化方案：从环境建图、目标检测到车牌识别形成闭环，减少人工干预，系统误检率＜5%，漏检率＜3%。
2.3 工程化应用创新
-
可移植数据集构建：收集涵盖小区、写字楼、商圈等多场景数据，模型可快速迁移至不同应用环境。
-
低成本硬件方案：采用STM32F407VET6控制板与N10激光雷达组合，硬件成本较同类方案降低40%。
三、硬件系统架构
3.1 核心硬件组件
| 组件名称 | 型号 | 功能描述 |
|---|---|---|
| 主控开发板 | RDK X3 | 运行AI模型，处理传感器数据与控制逻辑 |
| 控制板 | STM32F407VET6 | 电机控制，姿态数据采集 |
| 激光雷达 | N10 | 环境扫描，点云数据获取，建图导航 |
| 语音模块 | Audio Driver HAT | 语音指令接收与播报（ES7210编码+ES8156解码） |
| 姿态传感器 | MPU6050 | 采集小车加速度与角速度数据 |
| 电机驱动 | AT8236 | 直流电机控制（支持6A峰值电流） |
| 动力系统 | JGB37-520 | 直流减速电机（带霍尔编码器速度反馈） |
3.2 硬件连接示意图
RDK X3开发板 ←串口→ STM32F407VET6控制板
↖USB→ N10激光雷达
↖USB→ 摄像头
↖I2C→ Audio Driver HAT语音模块
STM32F407VET6 ←I2C→ MPU6050
←PWM→ AT8236电机驱动板 ←→ 直流减速电机
四、软件系统设计
4.1 系统架构分层
4.1.1 感知层
-
环境感知：N10激光雷达点云数据采集（扫描范围360°，测距精度±3cm）
-
视觉感知：USB摄像头图像采集（1080P/30FPS），YOLOv5目标检测（电动车、障碍物识别）
-
姿态感知：MPU6050六轴数据采集（加速度±16g，角速度±2000°/s）
4.1.2 控制层
- 建图导航：
# Gmapping建图核心流程
import rospy
from sensor_msgs.msg import LaserScan
from nav_msgs.msg import OccupancyGrid
def laser_callback(scan):
# 激光雷达数据预处理
processed_data = preprocess_laser(scan)
# 发布至Gmapping节点
gmapping_pub.publish(processed_data)
def map_callback(map_data):
# 地图保存逻辑
save_occupancy_grid(map_data)
-
导航控制：Nav2框架集成A*算法，支持目标点导航与路径规划
-
违停判断：基于语义分割结果与YOLOv5检测框的坐标运算
4.1.3 应用层
-
人机交互：语音指令解析（关键词识别）与播报（TTS合成）
-
数据管理：Socket通信（TCP协议）实现图像传输，HyperLPR3车牌识别，Excel记录系统
4.2 算法核心模块
4.2.1 YOLOv5目标检测
# YOLOv5推理流程（简化）
import torch
# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='电动车检测模型.pt')
def detect_bicycle(img):
# 图像预处理
results = model(img)
# 过滤电动车类别（class=0）
bicycle_detections = results.xyxy[0][results.xyxy[0][:, 5] == 0]
return bicycle_detections
4.2.2 语义分割与违停判断
# 语义分割与违停判断逻辑
def is_parking_violation(bicycle_box, seg_mask):
# 获取停车线区域
parking_lines = get_parking_lines(seg_mask)
if not parking_lines:
return True # 无停车线时视为违停
# 提取检测框底部线段
bottom_line = get_bottom_line(bicycle_box)
# 计算线段与停车线交点
intersections = line_intersection(bottom_line, parking_lines)
if intersections:
# 计算区域内占比
in_ratio = calculate_ratio(intersections, bottom_line)
return in_ratio < 0.5 # 区域内占比＜50%视为违停
else:
# 延长线检测逻辑
extended_line = extend_line(bottom_line)
cross_count = count_crossings(extended_line, parking_lines)
return cross_count < 1 # 穿越次数＜1视为违停
五、系统性能与应用场景
5.1 关键性能指标
-
检测准确率：电动车识别准确率92.3%，违停判断准确率89.7%
-
响应时间：从检测到完成车牌记录全程＜10秒
-
续航能力：搭载12V/5Ah锂电池，连续巡逻时间≥4小时
-
环境适应性：支持0.5m/s以下风速、-10℃~40℃温度环境
5.2 典型应用场景
-
小区/校园管理：自动巡检消防通道、楼道口等禁停区域
-
商业综合体：规范电动车停放秩序，优化出入口通行效率
-
智慧城市管理：为城管部门提供违停数据支持，辅助执法决策