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