我花250美元造了一辆 AWS 上的无人车

你是不是和许多人一样，

每天 开车到家楼下，

却要一个人在车里待很久才下车？

不论是在北漂，还是在自己的故乡，只要是车开到楼下，你就是想享受一下那安静的、短暂的把你和这个世界分隔开来的 独处时光 。

这份安静，甚至会让你幻想：

如果有一辆可以无人驾驶的汽车，只载着你自己，一路上望着车窗外的世界，让你享受更多奢侈的孤独。这对你，也许是更大的一个解脱。

可为了一辆可以无人驾驶的汽车，

你愿意付出多少钱？

7万美金的Tesla Model S？

9万欧元的奥迪A8？

还是更多？

太多了，太多了，

为了一份独处的宁静，

要付太多钱了！

作为一个同样渴望这份宁静的人，身为开发者的我希望投身于无人驾驶领域，让更多人享受到物美价廉无人驾驶，这也许会成为我职业生涯中最有价值一段旅程。于是，我请教了 AWS 的专家们：如何开始学习和实践无人驾驶？

AWS 的专家们说： 只需要250美元，再加上 Amazon AI 服务，你就可以开始尝试无人驾驶的研发。并且，我们还为你准备了无人车比赛！

接下来，来自 AWS 的两位大牛：Justin De Castri 和 Sunil Mallya 详细为大家介绍了如何开启你的无人驾驶研发之旅的第一步。相信，你会喜欢上这段旅程：

在未来数年内，我们的道路上将会看到有许许多多的无人驾驶车辆在行驶。这归功于深度学习的发展及其在无人驾驶技术方面的应用。 在本博客文章中，我们将向您展示一个教程，介绍如何制造使用 Amazon AI 服务的遥控（RC）车辆。

通常，每个无人驾驶车辆上都会安装各种各样的传感器，这些传感器可提供充分的遥测数据。这些遥测数据可用于改善单个车辆的驾驶，而且还能帮助提升用户体验。一些改进示例包括智能驾驶路线确定、增加车辆可行驶里程、提高效率、增强安全性以及更好地报告碰撞情况。在 AWS 上，像 TuSimple 这样的客户已经使用 Apache MXNet 打造了一个尖端的无人驾驶平台。TuSimple 已于近期实现了 200 英里的无人驾驶里程。

为了在无人驾驶车辆的驾驶中提高深度学习意识，推动 AWS IoT 的运用以及凸显人工智能（AI）的作用，AWS 将在 re :Invent 2017 大会期间，举办一个研讨会形式的机器人车拉力赛Hackathon。这是一系列博客文章和 Twitch 视频中的第一个，利用这些文章和视频，开发人员可以学习无人驾驶 AI 技术，并为这场Hackathon做好准备。

有关Hackathon的更多详情

请参阅 2017 年机器人车拉力赛相关信息 ：

https://reinvent.awsevents.com/learn/robocar-rally/

在本教程中，我们将利用一个称为 Donkey 的开源平台项目。如果您愿意的话，可以使用您自己的 1:10 比例的电动汽车进行试验。不过，我们将坚持使用 Donkey 项目中使用的 1:16 比例的电动汽车。

下面是一些视频，其中演示了我们使用后面教程在 AWS 中制造的一款汽车。

这个 DEMO 虽然还很粗糙，但已经证明了这一切完全可行。并且，我们期待你能在 2017 年机器人车拉力赛 上，为我们带来更好的无人驾驶车辆，和全世界的顶尖研发者们同场竞技。

在此 存储库 中可以找到组装和配置无人驾驶车辆的过程：

存储库

https://github.com/wroscoe/donkey

其中还包括一个完整的材料清单，并且提供了 链接 ：

https://docs.google.com/document/d/11nu6_ReReoIxA1KVq-sCy7Tczbk6io0izcItucrw7hI/edit#heading=h.7wqextac4aqo

这个清单会告诉你在什么地方购买各种部件。主要车辆部件来自于 RC Car、Raspberry Pi、Pi Cam 和 Adafruit Servo HAT，总成本不超过 250 美元。您可以购买其它传感器，如立体摄像机、LIDAR 数据采集器和加速度计等等。

我们建议您遵循此 Github 存储库 中的步骤，这样可确保车辆具备各项基本功能，并且让您在成功的道路上最大程度地减少一些意义不大的繁重工作：

Github 存储库

https://github.com/wroscoe/donkey

下面是为了使端到端平台正常工作而需要遵循的步骤：

1. 组装汽车：
https://github.com/wroscoe/donkey/blob/master/docs/guide/build_hardware.md

2. Raspberry Pi 配置：
https://github.com/wroscoe/donkey/blob/master/docs/guide/install_software.md

3. 在 Amazon EC2 实例上

设置导航（控制）服务器

4. 对汽车运行默认模型

我们建议您按照 GitHub 链接中提供的说明完成步骤 1 和 2。

Donkey 解决方案的一个关键部分是控制导航服务器，该服务器负责协调车辆与云之间的通信。它可以指示在手动控制和自动驾驶之间切换。汽车使用 Pi 相机拍摄的图像进行导航。此外，图像可以本地保存在 Pi 上，或者流式传输到 EC2 实例进行检查并最终用于训练。

导航服务器构建在 AWS 深度学习 AMI 之上，并作为 Docker 容器部署。这为我们提供了一个易于管理的固定式高性能平台，我们可以在此平台上构建我们的 AI。

首先，登录到您的 AWS 管理控制台，并从最接近您区域的服务列表中选择 EC2。在此博客文章中，我将选择“US-EAST-1”。

步骤 1：选择 Amazon 系统映像（AMI）

在 AWS Marketplace 中搜索“Deep Learning AMI Amazon Ubuntu”，然后选择 Select。

步骤 2：选择实例类型

选择 EC2 实例大小和类型。在此博客文章中，我将使用 G2.2xlarge，因为这是经过 GPU 优化的实例。G2.2xlarge 实例类型为下面七种流行的深度学习框架提供了内置支持：MXNet、Caffe、Caffe2、TensorFlow、Theano、Torch 和 CNTK。使用较低成本的 EC2 实例也可能会成功。

步骤 3：配置实例详细信息

保留所有默认值，并确保您使用适当的公有子网，该子网允许来自通过互联网连接的无人驾驶车辆的入站通信。