第一階段車道辨識實作報告
👤 411106242 張晴茵
👤 611306007 吳運陽
🎬 實作成果展演
影片展示了 AI Car 在八樓走廊實地測試。
🛠️ 技術核心亮點
為了解決走廊場域的環境變數並提升偵測穩定度，我們開發了以下核心技術：
HSV 顏色過濾
六點多邊形 ROI
PID 閉環控制
單線補償機制
- HSV 顏色偵測： 鎖定白色車道線，比傳統灰階偵測更能過濾環境雜訊。
- 動態多邊形遮罩： 使用六個自定義頂點精準切換視野，排除牆角與遠端干擾。
- 單線 Fallback： 確保在大轉彎一側線條消失時，仍能維持正常轉向。
⚡ 系統資料流路 (System Flow)
本系統採多執行緒架構，數據流從「感測」到「執行」形成一個完整的閉環控制鏈：
📷 影像擷取
Picamera2 (640x480)
➜
🌈 影像演算法
HSV 過濾 + 六邊形 ROI
➜
🧮 PID 控制器
計算誤差偏差 (Error)
➜
⚙️ PCA9685 驅動
PWM 控制四輪轉速
* 註：系統透過 frame_lock 鎖定機制，確保影像處理執行緒與 Web 串流執行緒在存取同一幀影像時不發生衝突。
📂 專案架構與核心功能
ROOT
ai_car_project /
📄 app.py
CORE
Flask 主程式。負責多執行緒管理、API 通訊與設定存儲。
📄 lane_detection.py
VISION
影像處理核心。執行 HSV 過濾與 ROI 運算，計算車道偏差。
📄 pid_controller.py
LOGIC
PID 控制演算法。負責誤差修正與抗飽和處理，輸出動力比例。
📄 motor_control.py
DRIVER
底層驅動。透過 I²C 操控 PCA9685，封裝四輪運動邏輯。
📄 yolo_model.pt
MODEL
YOLO 權重檔。預留供後續障礙物偵測與交通標誌辨識。
📁 templates /
📄 index.html
UI
Web 控制面板。整合即時串流、PID 調參與 ROI 編輯器。
🔄 研發演進與問題解決 (Troubleshooting)
根據專案開發過程中的實際程式碼更迭，我們總結了以下關鍵挑戰與技術對策：
| 面臨挑戰 | 技術對策與優化細節 |
|---|---|
| 視野邊緣與路面雜訊 原採用梯形 ROI 遮罩 |
解決方案：升級為「六點多邊形」ROI 我們將 ROI 從固定梯形升級為具備 6 個可調頂點的多邊形，並結合 HSV 色彩空間過濾，更精確地圈選出路面區域並排除非目標雜訊，如牆角或雜物干擾。 |
| 大轉彎時車道線遺失 原偵測邏輯需雙邊線條才能計算 |
解決方案：實作 Single Lane Fallback (單線補償) 當畫面中只剩左線或右線時（常見於大轉彎），系統會進入「單線模式」。利用系統自動學到的車道半寬（LANE_HALF_WIDTH）來推估虛擬中心點，避免因線條消失而導致轉向失控。 |
| 控制響應震盪問題 原馬達控制缺乏精確比例分配 |
解決方案：PID 閉環控制與即時調參 引入 PID 控制演算法處理偏差值。透過 Web UI 介面，我們能即時調整 Kp 與 Kd 參數，有效抑制小車前進時的左右震盪（蛇行現象），讓動態巡航過程更加平滑穩定。 |
🔍 關鍵影像處理截圖
MODE: AUTO
Kp: 0.10
SPD: 25%
FPS: 20
no lane → Fallback 啟動
畫面中藍色六邊形為動態 ROI 遮罩範圍。
💡 學習心得與 AI 程式設計的應用
這次專案讓我們真正感受到 AI 工具在程式開發中的實際價值。透過 AI 的輔助，整體開發流程明顯加快。像是當 Canny 邊緣偵測在八樓的反光地板上失效時，我們直接向 AI 詢問原因，Claude 便從 HSV 色彩空間的原理切入，幫助我們理解問題的根源，並建議改用亮度通道來過濾白色車道線。這不僅讓我們找到解法，也更深入理解背後的邏輯。
此外，像六邊形 ROI 的設計思路，以及 PID 各參數（Kp、Ki、Kd）對車輛行為的影響，也都是透過與 AI 的反覆討論逐步釐清的，大幅減少了自行摸索的時間。
在實際使用過程中，我們也逐漸掌握了與 AI 有效互動的方法。當提供的背景資訊越完整、問題描述越具體時，AI 的回應就越精準；反之，如果只是貼上一段程式碼並簡單問「為什麼不能跑」，往往難以得到實質幫助。因此，先整理好問題現象、已嘗試的方法以及預期結果，再交由 AI 分析，會更有效率。