远程控制智能小车可代替人类在极限环境下进行数据采集工作,对提高工作效率和保障人身安全均具有重要意义。传统的远程控制小车由摇杆或者键盘控制,这在很大程度上限制了小车的灵活性。为了解决这一问题,本文将手势识别与远程智能小车的控制相结合,通过摄像头采集用户的手势图像并通过识别算法识别手势信息,转换为小车控制命令后通过无线网络发送至小车车控制单元,实现基于手势识别的智能车远程控制。首先,通过查阅文献,对国内外手势识别的现状进行了概括总结,在此基础之上提出了将手势识别与人工神经网络相结合的方法,并深入研究了基于神经网络的yolo v1和yolo v2目标识别算法,由于yolo v2在识别速度和识别精度上都优于yolovl,故本课题选择yolo v2目标识别算法来对手势进行识别。其次,在使用特征提取网络对原始图像做特征提取时,考虑到网络结构复杂且层数过多,容易造成误差梯度在反向传播过程中的梯度消失这一问题,提出了改进的特征提取网络模型,克服了误差在反向传播时梯度消失的问题,缩短网络模型训练时间的同时提高了模型对目标定位的精准度,弥补了传统特征提取网络的缺陷。同时,为了确定该算法对手势的有效识别距离,通过大量的数据验证,结合0.618搜索算法,最终确定了手势识别的距离边界为30～86cm,在此范围内,对手势识别的mAP均能保持在65%以上。再次,仔细研究了控制端即两轮自立平衡小车的控制原理,为了使两轮自平衡智能小车的动态性能更加稳定,采用卡尔曼滤波器将陀螺仪与加速度计的输出融合为准确的倾角与角速度输出,给系统的控制提供有力保障。实验结果表明,小车的动态性能得到了较大提高。最后,搭建了上位机与小车之间的无线通信网络,并测试了网络延时和数据传输能力。为了验证该远程控制系统的实际应用能力,本文将手势识别端与智能小车通过无线网络连接到一起,通过搭建的用户界面来实现用手势实时控制智能小车,并通过监控界面来观察小车所在的周围环境信息。经过实验验证,该远程控制系统的设计合理、控制灵活,监控界面清晰,满足了实际应用的要求。