描述

項目目的和期望

我們提出了一種使用圖像識別和自動駕駛技術的駕駛機器人。針對高爾夫球場進行了優化。本文值得注意的是，我們使用了賽靈思為所有開發人員開發的 Vitis AI 來識別圖像。跟蹤鵝的自動駕駛機器人在高爾夫球場周圍配備了自動監控功能。我們項目的概念是幾個機器人相互發送和接收數據，識別和跟蹤鵝，并將它們趕走，從而對商業區造成破壞。當機器人識別鵝時，它們會積累鵝的照片數據并將其提供給實驗室，從而在動物行為矯正和害蟲防治領域實現高效使用。

我們獾的故事

你好。我們是 BADGER，它將通過自動駕駛機器人保護人們的生活環境免受野生動物的侵害。

在美國高爾夫球場上占世界高爾夫球場人口的 50%。他們正在遭受來自野生動物的一定傷害。

這是一個高爾夫球手。

不久前，這位高爾夫球手在參加一場高爾夫錦標賽時感到很尷尬。

一只鵝就這樣飛了進來，襲擊了這個男孩。他甚至摔倒了，但鵝并沒有阻止攻擊。像這樣，生活在高爾夫球場周圍的鵝會攻擊高爾夫球手。遷徙過程中，成百上千人蜂擁安家，業主難以管理。

今天的主角是加拿大鵝。

加拿大鵝每天吃 5 磅草，每天大便 1-2 磅。

事實上，加利福尼亞的 PGA 高爾夫球場每年支付 250,000 美元來清除這些鵝糞。

現有解決方案

這些是用來解決這個問題的傳統方法。

高爾夫行業現在已經高度數字化，但模擬方法主導了如何處理鵝損傷。

為了解決這個問題，擁有PEST CONTROL技術的公司生產/銷售自己的技術的鵝追逐機，但在價格和技術方面也沒有生產力。

Goosinator 每件產品的售價通常為 5,000 美元，并且在操作時需要相關人員手動操作，因此每當出現問題時都不得不召集人來管理鵝，這很麻煩。

Bird-x成本較低，但只能覆蓋 7 英畝，因此很難在任何給定時間管理 100-190 英畝 PGA 高爾夫球場的整個區域。現有服務似乎比預防性解決方案具有更高的目的，問題后的措施比預防性解決方案具有更高的目的。PGA高爾夫球場的規模似乎很難覆蓋，它不是自動化的，而且面積很大。

畢竟，設備使用頻率較低，對于高爾夫球手來說，在高爾夫球場上使用太貴或效率低下。因此，高爾夫市場利益相關者認識到高價設備和非生產性服務，需要在鵝巢覆蓋PGA區域之前采取預防性解決方案，并且還應該易于操作。

讓我向您介紹我們的機器人與 Xilinx 產品的特性和優勢。

我們的機器人 - 獨創性和差異化

我們為 PGA 高爾夫球場設計了一個大型耐用的兩棲鵝清除獾，每年花費 250 美元用于清除和維護鵝。我們的兩棲獾能夠拍攝和檢測鵝并將它們趕走。除此之外，獾還具有 GPS 巡邏路徑，具有防撞和神經網絡圖像識別功能。我們的獾以低維護和具有成本效益的方式幫助驅逐干擾業務的鵝，而不是用老式的射擊方式。

我們的機器人 - 技術開發

1. 易于駕駛

機器人可以很容易地被帶到主人自己的高爾夫球場。它是一個圖形用戶界面，用戶可以直接設置機器人運行的路線。當用戶在 GUI 中設置 GPS 路徑并開始工作時，BADGR 開始自主工作。

2. 使用Vitis AI 進行深度學習圖像識別

以前和當前的鵝檢測解決方案是由 Yolov3 在 Raspberry Pi 3+ 和 Pi4 上使用兩個英特爾計算棒執行的。在這個項目中，我們應用 Vitis AI 庫及其加載在 ZCU 104 板上的模型來檢測我們的目標對象 Canadian Geese。

機器人通過使用 Vitis AI 的神經網絡圖像識別技術識別鵝。

3.兩棲

我們的產品采用兩棲模型設計。該機器人具有坦克驅動裝置，鏈條將電機連接到車輪，以便在兩棲模式下將電機與水隔離。

4. 自治

運行用戶設置的課程的獾。BADGER 可以識別障礙物并在遇到障礙物時避開它們。該機器人有一個攝像頭炮塔，可以在巡邏期間檢測鵝，并使用飛行時間傳感器來避障。

5. 數據

?

當 BADGR 找到一只鵝時，拍下鵝的照片后，它會追趕鵝。拍攝的照片會自動上傳到云端硬盤。機器人拍攝并追逐檢測到的鵝。此選項尚未與 Vitis AI 一起實施和應用。

成本效益

我們通過在線渠道租賃服務降低了折舊成本，并以更少的管理負擔確保了經濟效益。每臺購買成本為5美元，500美元，租金為990美元。

制作 GUI 工作區

監視器

該板僅支持顯示端口

USB集線器

USB和USB集線器可以連接BT鼠標和鍵盤，它也可以檢測USB閃存驅動器。

注意：不使用其他端口。

當前板子和顯示器設置運行正常，設置可以不使用ssh使用板子（我們不需要使用串口通信，主機和目標設置使用ssh進行安裝和調試）。使用它們，它可以直接將文件傳輸到板子并使用板子內置的終端。

比較鵝檢測（原始模型與 Vitis AI 樣本模型）
以前的圖像檢測使用 Yolov3 和 Pi + Compustick

原始檢測FPS（Frame Per Second）小于4.5，但準確率超過96.3%。當我們使用 ZCU104 板和 yolov3 模型進行測試時，模型顯示出良好的 FPS，接近之前測量的性能 FPS。但是當用 yolov3 vcc 模型用 50 張測試圖像進??行測試時，大多數圖像被識別為鳥，但準確率很低（平均值：54.6%，標準變異：44.71%）。如果模型的制作和使用更加專注于 Goose，預計可以同時發揮這兩種情況的優勢。這是在沒有任何指定目標檢測的情況下檢測目標的初步驗證，在我們的案例中是加拿大鵝。作為未來的工作，這可以通過微調訓練來改進。

出行動計劃

我們的 BADGER 在東德克薩斯州朗維尤小鎮的一個高山高爾夫球場完成了駕駛，此后一直在制定一項行動計劃，以在 PGA 級高爾夫球場上測試原型。

?

以前的獾機器人是勒圖爾諾大學的高級設計項目，由三個國家的12位朋友組成的全球團隊，由一個機械和電子、業務團隊組成，在高級設計結束后，該項目正在與機器人組成員一起進行。在本次比賽中，團隊成員在此提交中貢獻了考慮 Vitis AI 和 ZCU 104 板的潛在用途，并進行初步驗證以應用 Vitis AI-ZCU 104 板解決方案。是 BADGER 解決了野生動物與人之間的沖突。

謝謝你。

?