技术背景
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。
Figure 1. ROS NCS structure
2.
运行条件
·
运行Ubuntu16.04的x86_64计算机
·
ROS Kinetic
·
Movidius神经元计算棒(NCS)
·
NCSDK和NCAppZoo
·
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。
4.
运行演示程序
目前本项目可以支持一般的USBcamera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：
在另一个终端启动demo节点显示分类结果：
静态图像处理
在一个终端启动图像处理节点：
在另一个终端启动demo节点显示分类结果，例如：
ROS客户端软件的输出效果如下图所示.
·
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：
在另一个终端启动demo节点显示物体识别结果：
静态图像处理
在一个终端启动图像处理节点：
在另一个终端启动demo节点显示物体识别结果，例如：
ROS客户端软件的输出效果如下图所示.
应用领域
本项目提供的物体分类和物体检测的能力，可以运用于多种机器人使用场景，例如：
1.
3D物体识别与追踪
基于已经识别出的2D物体信息，结合深度传感器采集到的深度信息，可以定位到物体在三维空间当中的位置，从而对物体进行3D识别与跟踪。
2.
机器人智能避障
传统的机器人避障对于障碍物不加以区分，采取相同的策略。而基于物体识别的避障，能够根据识别出的物体信息，通过指定不同的策略来应对不断变化的场景，使机器人避障更加智能。
3.
基于语义的同步定位与建图(SLAM)
通过将识别出的物体标注在SLAM得到的地图上，可以极好地提高地图的可读性。
展望
本项目目前开发到v0.5.0版本，基于Movidius NCSDK的不断演进，本产品在不断迭代开发当中。一方面，由于ROS2相对ROS具有更好的安全性和实时性，我们计划移植项目到ROS2中。另一方面，深度学习正经历着快速发展，所以我们希望能支持更多的CNN模型以适应不同的机器人使用场景的需要。
