广告
英特尔Movidius神经元计算棒(NCS)基于ROS的实现与封装
导语:本文将向您介绍基于 Movidius NCS 的ROS开发包的功能及其使用方法,您可以轻松地将深度学习技术引入项目,和其他ROS节点无缝连接,为您的机器人装上人工智能的利器。

如今,人工智能的热潮正在席卷各行各业,而计算力和数据、算法一同支撑着人工智能的蓬勃发展。作为人工智能的一个重要分支, 深度学习以其良好的表现,越来越受到业界的广泛关注。深度学习模型包含海量的参数,需要强大的计算力进行大规模的神经网络矩阵运算;而终端和物联网设备往往更多考虑小体积和功耗的要求,以至于很难兼顾满足高性能神经网络计算力和低功耗的要求。英特尔在去年发布的针对神经网络矩阵运算优化的Movidius神经元计算棒 (NCS) 就很好的适应了这一应用领域的需求。本文将向您介绍基于 Movidius NCS 的ROS开发包的功能及其使用方法,您可以轻松地将深度学习技术引入项目,和其他ROS节点无缝连接,为您的机器人装上人工智能的利器。

与Movidius神经元计算棒一同发布的还有NCSDK和NCAppZoo,为用户在Movidius 神经元计算棒之上开发各自的应用提供了良好的软件支持。

NCSDK目前提供了C和Python两种语言的编程的接口,通常应用开发者通过调用这些接口就能操作NCS做深度学习方面的图像预测工作。然而,在机器人研究领域,人们广泛采用ROS框架,这一框架下的各个应用通常采用消息(message)和话题(topic)的方式进行通信。在这种特殊情况下,机器人应用开发者不得不对NCSDK做进一步的封装才能使其无缝工作在ROS系统中。针对NCSDK到ROS系统的衔接问题,我们提出并实现了一种基于ROS系统的对NCSDK的封装。该项目目前已经在github上面开源(github 地址)。

项目介绍

1、软件架构设计

本项目主体由一个ROS发布节点和一个ROS服务节点组成,以适应不同的应用场景。ROS发布节点用于处理来自相机的视频流数据,预测结果以消息(message)的形式发布到相应的话题(topic)中,供上层应用调用。ROS服务节点用于处理单张图片数据,预测结果直接返回给上层消费服务的节点做进一步处理。为了更好的演示这两个节点的使用方法,我们还开发了多个客户端节点,最终处理结果会以图像的形式展现出来。

目前项目可以支持物体分类和物体识别两种应用。物体分类可以采用不同的CNN模型,例如,GoogleNet, AlexNet和SqueezeNet等。物体识别可以支持TinyYolo, mobilenet-SSD等。

20180420_04_ROS01.jpg

图1 ROS NCS架构

2、运行条件

  • 运行Ubuntu16.04x86_64计算机
  • ROS Kinetic
  • Movidius神经元计算棒(NCS)
  • NCSDKNCAppZoo
  •  RGB相机

具体环境配置可以参考这里

3、编译与安装

下载源码到本地ROS工作区,切换到最新发布,编译、安装。

复制CNN标签文件到指定目录。

 

20180420_04_ROS02.jpg

4、运行演示程序

目前本项目可以支持一般的USB camera和Intel RealSense camera。也允许用户根据需要配置不同的相机。以下以一般USB Camera和RealSense D400系列为例进行说明。其他使用方式请参考文档

  • 物体分类

视频流处理

在一个终端启动视频流处理节点:

20180420_04_ROS03.jpg

在另一个终端启动demo节点显示分类结果:

20180420_04_ROS04.jpg

静态图像处理

在一个终端启动图像处理节点:

20180420_04_ROS05.jpg

在另一个终端启动demo节点显示分类结果,例如:

20180420_04_ROS06.jpg

ROS客户端软件的输出效果如下图所示。

20180420_04_ROS07.jpg

  • 物体识别 (不仅给出物品分类,还给出物体所在图像中的二维坐标)

 

视频流处理

在一个终端启动视频流处理节点:

20180420_04_ROS08.jpg

在另一个终端启动demo节点显示物体识别结果:

20180420_04_ROS09.jpg

静态图像处理

在一个终端启动图像处理节点:

20180420_04_ROS10.jpg

在另一个终端启动demo节点显示物体识别结果,例如:

20180420_04_ROS11.jpg

ROS客户端软件的输出效果如下图所示。

20180420_04_ROS12.jpg