面向智能驾驶竞赛和展演场景，基于开源 Donkeycar 平台构建的自动巡线与多场景感知示范小车，可在实体赛道自主完成循迹、弯道转向、速度调节，并扩展障碍识别、标志识别等感知能力。Donkeycar 提供的 Python/ROS 流水线、数据采集与训练流程让我们能快速完成从示教到部署的闭环验证 Donkeycar 文档.

• 硬件组成

1/16 RC 底盘 + NVIDIA Jetson Nano + CSI 摄像头 + IMU + 电调/舵机 + 供电模块 + OLED 状态屏 + 手柄/手机 Web 控制器

• 软件模块

• 数据采集模块：手动/遥控示教驾驶，使用 donkeycar.parts.tub 记录图像、操控、IMU 数据

• 模型训练模块：基于 Donkeycar 默认卷积网络或自定义 CNN/LSTM，支持多模型切换

• 场景感知模块：结合轻量化分割/检测模型识别赛道边界、障碍物、限速标志

• 自主驾驶流水线：摄像头→图像预处理→模型推理→控制量融合→舵机/电调

• Web 可视化：实时视频、速度/转角曲线、模式切换、远程调参

• 仿真联调：利用 Donkeycar Simulator 先行跑虚拟赛道，再迁移到实车，降低调试风险

• 系统流程

1. 组装硬件、烧录系统、部署 Donkeycar 环境

1. 通过遥控/手柄完成赛道示教，采集 Tub 数据

1. 训练巡线模型（基础 CNN + 数据增强），验证与迭代

1. 接入感知模块（障碍/标志）并与巡线控制做多源决策

1. 仿真验证 → 实车调参 → 竞速/演示

• 创新亮点

• 巡线 + 场景感知融合：在基础巡线模型上增加轻量目标检测，支持限速/障碍避让决策

• 模块化扩展：保留 Donkeycar pipeline 接口，方便快速替换传感器或模型

• “仿真—实车”双域训练：借助官方模拟器建立赛道库，加速数据迭代

• 可视化与远程调参：通过 Web UI 实时监控轨迹、PID 参数、模型推理状态，提升展示互动性

• 测试与指标

• 标准 20 m 封闭赛道连续巡线成功率 ≥ 95%

• 弯道最大通过速度 1.2 m/s，无明显摆动

• 场景感知响应时间 < 120 ms，可在 1 m 内完成减速或停车

• 仿真迁移成功率 ≥ 85%，减少实体碰撞成本

• 未来拓展

• 多车协同：基于 V2V/V2X 简易通信实现编队或超车演示

• 更复杂感知：加入激光/超声波，实现动态障碍避让