专业制作象棋机器的公司

文科生是否也可以成为人工智能领域里的创客？答案是肯定的！

素为是一名在司法系统里工作的法律工作者，本科就读于法律专业。同时，他还是一名计算机爱好者，作为智能硬件的创客，平时他喜欢用电子硬件做一些有趣的项目。

几年前，Alpha Go 对战围棋大师李世石的画面令世界赞美人工智能的发展速度，但是素为却觉得“这还不够酷”！Alpha Go 是通过它的研发者黄士杰来执棋的，直播画面看起来还是两个人在对弈，怎么能说是人机大战呢？

“加个机械臂执棋，很难吗？”从那时起，素为就决定要做一个真正的象棋机器人，还向朋友夸下了海口。为了让正在一天天长大的孩子少看电子屏幕，通过下象棋锻炼思维能力，素为觉得必须加快制作出真正的象棋机器人。

硬件的选择和系统框架的搭建

之前素为准备用 PC 电脑来实现这个想法，后来发现NVIDIA Jetson Nano开发套件可为全桌面 Linux 给予开箱即用支持，并且与许多常见的外部设备和配件兼容，相关的开发教程也很丰富。

“这个小小的板子功耗不高，而且树莓派能做的它基本都能实现，关键是还具备 AI 功能，这可以满足我的需要，”素为表示。

很快，素为就规划出了一个系统框架：

素为的目标就是要做一款名副其实的“人机对战”中国象棋机器人。在制作过程中，他以 Jetson Nano 为中控主机，利用其边缘计算能力，无需联网即可实现对棋盘的视觉识别和棋步策略计算，再运用一部 XYZ 三轴滑台加气泵吸盘即可挪动棋子，实现真正的“人机对战”。

使用这个系统进行人机对弈的流程如下：

1. 人类下一步棋；
2. 人类点击 GPIO 按钮，Jetson Nano 启动指令；
3. 棋盘上方的摄像头对着棋盘拍摄 1 张照片；
4. 运用 OpenCV 对照片进行四角对齐、裁切边缘等处理；
5. 将棋盘部分裁切为 9×10 个小图片；
6. 运用事先训练好的图片分类模型在 Jetson Nano 上进行推理，该模型可分辨 15 种情况；
7. 将识别结果拼接为棋盘状态，以 FEN 规范格式进行表达；
8. 将 FEN 文本传递给开源中国象棋引擎 elephantfish，在 Nano 上进行计算，获取机器决定走的下一步棋；
9. 生成并执行 gcode 指令控制滑台模组和气泵，将某个棋子在棋盘上挪动；
10. 机器执行完毕，进入等候状态，等待人类发出下一步棋及按钮指令

从以上流程中，我们可以看到 Nano 作为主控机，除了指挥全过程运转，在第 4 至第 8 步骤为图片预处理、棋盘识别和计算下棋策略均提供了必不可少的算力。

图1：步骤4（a）

图2：步骤4（b）

克服深度学习的挑战

作为一名专业学习法律的文科生，素为表示对深度学习其实是一知半解的，“就是能够把开源代码 debug 跑起来那种水平。”为了把象棋机器人做出来，素为在 Jetson Nano 上先后用 TensorFlow 尝试了 VGG、ResNet 和 Inception。

“要么调参数总是调不好，要么准确度不高，”素为说，“曾经一度很沮丧。”

成为 Jetson 百万开发者一员

开心地看着自己的孩子和老父亲与机器鏖战几盘，欢声笑语无疑是这一路艰辛的最好补偿！

2022 年年底，素为带着这个项目，参加了 NVIDIA 举办的Jetson Edge AI 开发者大赛，荣获特别奖。

“很高兴能成为 NVIDIA Jetson 百万开发者的一员。最关键的是，我是用 NVIDIA Jetson Nano 套件做出来的，而且充分发挥了 Nano 的性能和效用。不得不说，人生就是这么神奇，虽然我一度都绝望了，但自己夸下的海口就自己去实现！”素为谈到这个项目，依旧一脸自豪。

素为用自己的开发经历对广大 NVIDIA Jetson 开发者提出建议：“定下了目标就一定要去实现。因为是嵌入式环境，很多东西需要编译，这是一个比较漫长的过程，一定要有耐心。在经历反复的尝试和漫长的等待后，终于成功的那一刻就会有一种‘山穷水尽疑无路，柳暗花明又一村’的欣喜感，让你觉得’人间值得’ 。”