基于自动编码器的赛车视角转换与分割

来源：Deephub Imba

如下所示，输入图像为：

输出：

总结来说我们的任务是获取输入图像，即前方轨道的前置摄像头视图，并构建一个鸟瞰轨道视图，而鸟瞰轨道视图会分割不同的颜色表示赛道和路面的边界。
仅仅从输入图像中提取出关于走向的信息是相当困难的，因为未来的许多轨道信息被压缩到图像的前20个像素行中。鸟瞰摄像头能够以更清晰的格式表达关于前方赛道的信息，我们可以更容易地使用它来规划汽车的行为。
在正常行驶时拍摄鸟瞰图是非常难实现的，所以如果我们可以使用前置摄像头的图像重建这些鸟眼图像，就能让我们用更清晰信息来进行路径的规划。另一个好处是可以降低维度，有效地将整个图像表示为一组32个数字，这比整个图像占用的空间少得多。并且如果还可以使用这种低维数据作为强化学习算法的观察空间。
本文中利用一种叫做变分自动编码器(VAEs)的工具来帮助我们完成这项任务。简单地说，我们把图像压缩到32维的潜在空间，然后重建我们分割的鸟瞰图。本文末尾的PyTorch代码显示了完整的模型代码。

为了训练这一点，我们从前置摄像头和鸟类摄像头收集了一系列图像。然后用编码器进行编码，然后使用全连接的层将维度降低到目标大小，最后使用****用一系列反卷积层重建图像。
结果如下所示：

虽然我们可以在重建中看到一些噪声，但它可以很好地捕捉到整体曲线。代码如下：

import cv2
import tqdm
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F


class BEVVAE(nn.Module):
  """Input should be (bsz, C, H, W) where C=3, H=42, W=144"""

  def __init__(self, im_c=3, im_h=95, im_w=512, z_dim=32):
      super().__init__()

      self.im_c = im_c
      self.im_h = im_h
      self.im_w = im_w

      encoder_list = [
          nn.Conv2d(im_c, 32, kernel_size=4, stride=2, padding=1),
          nn.ReLU(),
          nn.Conv2d(32, 64, kernel_size=4, stride=2, padding=1),
          nn.ReLU(),
          nn.Conv2d(64, 128, kernel_size=4, stride=2, padding=1),
          nn.ReLU(),
          nn.Conv2d(128, 256, kernel_size=4, stride=2, padding=1),
          nn.ReLU(),
          nn.Conv2d(256, 512, kernel_size=4, stride=2, padding=1),
          nn.ReLU(),
          nn.Flatten(),
      ]
      self.encoder = nn.Sequential(*encoder_list)
      self.encoder_list = encoder_list
      sample_img = torch.zeros([1, im_c, im_h, im_w])
      em_shape = nn.Sequential(*encoder_list[:-1])(sample_img).shape[1:]
      h_dim = np.prod(em_shape)

      self.fc1 = nn.Linear(h_dim, z_dim)
      self.fc2 = nn.Linear(h_dim, z_dim)
      self.fc3 = nn.Linear(z_dim, h_dim)

      self.decoder = nn.Sequential(
          nn.Unflatten(1, em_shape),
          nn.ConvTranspose2d(
              em_shape[0],
              256,
              kernel_size=4,
              stride=2,
              padding=1,
              output_padding=(1, 0),
          ),
          nn.ReLU(),
          nn.ConvTranspose2d(256, 128, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),
          nn.ReLU(),
          nn.ConvTranspose2d(128, 64, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),
          nn.ReLU(),
          nn.ConvTranspose2d(
              64, 32, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)
          ),
          nn.ReLU(),
          nn.ConvTranspose2d(32, im_c, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),
          nn.Sigmoid(),
      )

  def reparameterize(self, mu, logvar):
      std = logvar.mul(0.5).exp_()
      esp = torch.randn(*mu.size(), device=mu.device)
      z = mu + std * esp
      return z

  def bottleneck(self, h):
      mu, logvar = self.fc1(h), self.fc2(h)
      z = self.reparameterize(mu, logvar)
      return z, mu, logvar

  def representation(self, x):
      return self.bottleneck(self.encoder(x))[0]

  def encode_raw(self, x: np.ndarray, device):
      # assume x is RGB image with shape (bsz, H, W, 3)
      p = np.zeros([x.shape[0], 95, 512, 3], np.float)
      for i in range(x.shape[0]):
          p[i] = x[i][190:285] / 255
      x = p.transpose(0, 3, 1, 2)
      x = torch.as_tensor(x, device=device, dtype=torch.float)
      v = self.representation(x)
      return v, v.detach().cpu().numpy()

  def squish_targets(self, x: np.ndarray) -> np.ndarray:
      # Take in target images and resize them
      p = np.zeros([x.shape[0], 95, 512, 3], np.float)
      for i in range(x.shape[0]):
          p[i] = cv2.resize(x[i], (512, 95)) / 255
      x = p.transpose(0, 3, 1, 2)
      return x

  def encode(self, x):
      h = self.encoder(x)
      z, mu, logvar = self.bottleneck(h)
      return z, mu, logvar

  def decode(self, z):
      z = self.fc3(z)
      return self.decoder(z)

  def forward(self, x):
      # expects (N, C, H, W)
      z, mu, logvar = self.encode(x)
      z = self.decode(z)
      return z, mu, logvar

  def loss(self, bev, recon, mu, logvar, kld_weight=1.0):
      bce = F.binary_cross_entropy(recon, bev, reduction="sum")
      kld = -0.5 * torch.sum(1 + logvar - mu ** 2 - logvar.exp())
      return bce + kld * kld_weight

以上代码修是从L2R示例代码进行了进一步修改，https：//github.com/learn-to-race/l2r

Pytorch中的VAE代码来自：

https：//github.com/sksq96/pytorch-vae