🎬實作錄影
小車實際行駛中辨識紅綠燈並自動停車、恢復前進的完整過程。
點擊前往 YouTube Shorts 觀看
📦GitHub 專案連結
本專案為 AI Car 自駕小車的第二階段實作，在 Phase 1 循線基礎上，新增紅綠燈辨識模組（traffic_light_detection.py），以 YOLOv8 即時推論搭配時序平滑機制，實現穩定的紅燈停車與綠燈恢復行駛功能。完整程式碼於以下 branch 開放瀏覽。
📁專案結構
ai_car_project/
💻程式邏輯說明
紅綠燈辨識系統架構
capture_thread 持續從 PiCamera2 擷取影像並寫入共享緩衝區 raw_frame；lane_follow_thread 與 inference_thread 分別讀取影像，呼叫 TrafficLightDetector 模組進行 YOLOv8 推論，將穩定燈號狀態寫入共享變數 tl_state。lane_follow_thread 依據 tl_state 決策：偵測到紅燈則呼叫 motor.stop() 停車，否則繼續執行 PID 循線輸出馬達訊號。所有共享資源均以 Lock 保護（raw_frame_lock、tl_lock、i2c_lock、frame_lock），確保多執行緒存取安全。
📸實測成果截圖
紅燈停等偵測
綠燈恢復通行
儀表板即時監控
前端可即時調整信心門檻 (tl_conf) 與強制停等開關。
🗃️Roboflow 訓練資料集
資料集建置與標註
使用 Roboflow 平台建置紅綠燈辨識訓練資料集，涵蓋 red、green、yellow 三個類別，經過多版本迭代標註與增強，最終匯出供 YOLOv8 訓練使用。
標註類別
共標註 3 個類別：red、green、yellow，紅燈樣本數最多以確保停車判斷的穩定性。
資料集總覽
資料集包含 Train / Valid / Test 三個分割，並套用翻轉、亮度調整等資料增強，提升模型對不同光源環境的泛化能力。
版本迭代
透過多版本管理追蹤每次標註修正與增強策略的差異，選用效果最佳的版本匯出 YOLOv8 格式進行訓練。
🛠️Trouble Shooting
實作過程遇到的挑戰
| 挑戰項目 | 問題描述 | 解決方案 | AI 協助 | 狀態 |
|---|---|---|---|---|
| 多執行緒死鎖 | 同時讀寫 I2C 導致 PCA9685 卡死。 | 引入 i2c_lock 互斥鎖。 | Claude | 已修復 |
| 推論延遲 | YOLO 運算過重影響循線反應。 | 實施降頻推論與縮小解析度。 | Claude | 已優化 |
| 偵測閃爍 | 紅燈距離較遠時信心值不穩。 | 增加時序平滑與低門檻機制。 | Claude | 已優化 |
| 面積誤判 | 遠處路燈被偵測為紅燈，觸發誤停車。 | 加入 TL_MIN_AREA_RATIO=0.003 面積過濾。 | Claude | 已解決 |
| 停等不恢復 | 紅燈移出畫面後小車未能恢復行駛。 | 實作 no_detect_frames 計數，≥10 幀無偵測則重設狀態。 | Claude | 已解決 |
| 最小面積上限 | TL_MIN_AREA_RATIO 過高導致近距離燈號也被過濾。 | 將上限從 0.01 調整為 0.003，兼顧遠近距離偵測。 | Claude | 已調整 |
💡學習心得
與第一階段比較分析
| 面向 | Phase 1 — 車道辨識循線 | Phase 2 — 紅綠燈控制 |
|---|---|---|
| 感知方式 | HSV 顏色過濾 + 六邊形 ROI 遮罩，純影像處理 | YOLOv8 深度學習推論，搭配面積過濾與時序平滑 |
| 控制邏輯 | PID 閉環控制偏差值，輸出馬達 PWM | 在 PID 循線之上疊加燈號狀態判斷，偵測紅燈則停車 |
| 多執行緒 | 影像擷取 + WebUI 串流，以 frame_lock 保護 |
新增 inference_thread、tl_lock、i2c_lock 等多把鎖，複雜度明顯提升 |
| 主要挑戰 | 大轉彎單線遺失、反光地板干擾 Canny 偵測 | 偵測閃爍（時序平滑解決）、遠距誤判（面積過濾解決） |
| AI 工具使用 | 透過 Claude 理解 HSV 原理、PID 參數調整方向 | 透過 Claude JSONL 記錄追蹤整個調校過程，共 3 個 session |
第一階段主要依賴傳統影像處理（HSV 色彩空間、ROI 遮罩、PID 控制），在八樓走廊測試時，最大挑戰是反光地板讓 Canny 邊緣偵測失效，以及大轉彎時單側車道線消失導致轉向失控。透過 Claude 的輔助，理解了從灰階改用 HSV 亮度通道過濾白線的原理，也學會了 Single Lane Fallback 的補償思路。
第二階段引入 YOLOv8 後，系統複雜度大幅提升。最直觀的差異是從「被動偵測畫面」進化到「主動辨識語義目標」——不再只是看到白線，而是能理解「這是紅燈」並做出停車決策。但隨之而來的是推論延遲、偵測閃爍、誤判等新問題，需要靠降頻推論、時序平滑、面積過濾等機制逐一解決。
兩個階段最大的共同收穫是：有效使用 AI 的前提是把問題描述清楚。當提供完整的錯誤現象、已嘗試的方法與預期結果，Claude 的回應才會精準有用；反之，模糊的提問只會得到模糊的回答。第二階段開始用 JSONL 記錄每次對話，讓這個過程變得可追溯，也讓學習歷程更清晰。
🤖AI 工具使用記錄
Claude 本地對話記錄（JSONL）
共 3 個 Session，涵蓋 TL 辨識調校、SSH 斷線排查、面積過濾參數調整等核心開發過程。