华南理工大学drift队技术报告修改最终版

1、华南理工大学Drift 队技术报告1，1，1 ，1，1，（1华南理工大学自动化学院，广州 五山 510640)：我们对参赛用车建立了简化的模型，通过对模型的分析提高了效果。该车使用了远距离和近距离两层红外传感器探测体系对轨迹进行探测，同时，使用模糊算法和 PID 算法根据不同的路况切换。模糊算法通过视觉的方法进行了训练，通过7.0 上的模糊逻辑工具包进行了，我们使用智能化的模糊算法在 PID 算法的配合下对智能汽车进行，取得了很好的效果设计了车辆的机械结构减轻了重量，提高了行驶性能。我们使用了飞思的 S12 单片机MC9S12DG128 完成了整个：智能汽车 模糊，PID可靠。红外探测 S12

2、 单片机of the race car. By using this mAbstract：We designed a simple m, we improvedeffect of the car running. Our smartcar use both long-distance and short-distance infrared sensors to get the track. We use Fuzzy Logic control arithmetic and classical PID control arithmetic to control the smartcar. The

3、 Fuzzy Logic control arithmetic was trained by using the method of machine vision. We also simulate the Fuzzy Logic control arithmeticby using Fuzzy Logic Toolbox for use with7.0. We improved the speed of ourcar by change the machine framework. We use freescale s12 singlechip MC9S12DG128 finishing a

4、ll the job, perfectly.Key words: smartcar, Fuzzy Logic control,PID,s12 singlechipinfrared sensor,正文：智能汽车的行驶一直以来是自动化、汽车等学科研究的目标，首届“飞思”杯大学生智能车大赛使的学校和同学有了探索研究处理这个的机会。大学生智能模型车竞赛是在飞思半导体公司资助下举办的以HCS12单片机为的大学生课外科技竞赛。组委会将提供一个标准的汽车模型、直流电机和可充电式电池，参赛队伍要制作一个能够识别路线的智能车，在专门设计的跑道上自动识别道路行驶，谁最快跑完全程而没有冲出跑道并且技术报告评分较高，

5、谁就是获胜者。1为了追求获胜的目标，人们对人工智能与人技术，汽车技术，自动化技术能在更广泛、更深入的层面展开研究 ,这样无疑对学术研究和生产应用很强的实际意义。比赛的专业知识涉及、模式识别、传感技术、电气、计算机、机械等多个学科，对学生的知识融合和学科学术水平的提高，具有良好的长期的推动作实践动手能力的培养，对高等学校用。1车辆模型的建立及2.1 车辆建模的意义要想精确的车辆，车辆模型的建立尤其是运动模型的建立是十分重要的。在系统分析上，我们比赛的智能车建模应该归于汽车型非完整对于这样一个模型，如果完全建立它的模型，人建模。悬挂，路面摩擦，滑动等的影响是一件复杂而又作用有限的事，基于简化模型，

6、提高效率的原理，我们对车辆在无车轮打滑的情况下的运动学模型进行了建立和分析。在模型中我们先对单一车轮的运动学模型进行建立和分析， 然后扩展到整个车辆。2.2 单一车轮模型。设想一个车轮垂直的在一个水平面上滚动，如图 2.1 所示。图 2.1 对于独轮系统的统一化的坐标显示这个系统的状态可以由3个变量组成的一个矢量q表示，其中x，y表示对于运动平面的相对位置，角表示车轮相对于y轴的方向角度。这个矢量q不能认为是律的2变量，实际上，它是符合以下规我们设v1为车轮的行驶方向的线速度，v2为相对于垂直轴的角速度。这就是对于单一车轮运动学的模型。2.3 轿车型模型的建立单一车轮运动学的模型推广到一个完整

7、的轿车型车辆模型。如图2.2所示图2.2 对于轿车型模型统一坐标表示根据图中所示，我们可以列出以下方程：其中xf、yf与x、y是相关联的变量对于后轮驱动的车辆，如我们现在所要的目标车辆，我们可以列出如下的车辆方程：这是一个多变量的微分方程组，简单有效的对后轮驱动的轿车型非完整人做了阐释。我们在对车辆的算法的研究中，以这个模型为基础，取得了良好的效果。以此模型为基础，我们只要取得车辆的速度和转向角度，然后再对车辆速度和转向角度进行控制就能对车辆的轨迹进行精确。同时我们如果测出车辆轴向的度和垂直轴向的度也可以出车辆状态。23. 车辆的总体设计3.1 车辆设计思路车辆对路况的距离越远，越能提前得到路

8、况信息，对车辆行驶速度越有帮助。我们提出的算法就是基于远距离探测配合近距离探测的算法。所以，我们使层红外探测，组成两层探测体系，两层探测体系再结合先进的整车设计简图：算法进行。3.2 车辆机械部分的设计参辆是由组委会统一下发的，车辆运动部分是改动的，这样，我们主要从提高车辆对路况的判别，同时，更好的设计步骤：车辆方面进行了总体设计。1首先利用的另外一种较便宜，容易改装，同时机械运动结构和我们现在使用的较为一致的模型车初步设计方案，结合算法进行调试。2在经过调试确定最佳方案后，对实际比通过试车进行调整。提出方案。并利用简易支架进行固定。3确定最终方案。利用轻质保证安装质量。板材进行机械。尽可能将

9、重量压缩到最小，同时4在机械中为了确度和安装要求，我们使用了机床和数控铣床进行，取得了很好的效果。根据车辆的行驶特性，我们调整了车辆的重心和车轮的内心前移，重心到后轴水平距离增大，易发生后轴侧滑，对高速汽车心到后轴水平距离减小，前轮易丧失转向能力。实践证明前轮，取得了很好的效果。若重性大；若重心后移，重大一点对车辆的转向很有好处，因为车的自身功率较小，不易加到很高的速度，所有，刹车性能的好坏对车辆影响有限，但转向性能的提高，过弯速度的提高对比赛成绩有决定性的影响。所以， 机械安装的调整，调整到靠近前轮的位置3。车的重心通过3.3 车辆电气部分的设计我们使用了原配的112脚的MC9S12DG12

10、8大开发板进行开发设计， 开发环境。开发环境就是标准3.3.1 电气部分方案我们的方案简单的说就是利用远距离传感器对远方路况进行一个，然后车辆速度，同时，根据前方路况切换不同的算法，近距离传感器则是对车辆行驶起直接作用，不同的算法都是通过近距离传感器的信息，车辆巡线行驶。同时，度传感器车辆的位配合简易光电码盘对车辆的行驶状态进行置，是否打滑等。3.3.2 路径测量，测量车速，轴向和侧向度，智能车巡线的精确度和检测速度成为智能车大赛的，可以说是“得巡线者得冠军”。想要让车辆能又准又快的循跑道黑线驶完全部赛道，怎样巡线成为关键。让智能车巡线前进有很多解决途径,并有多种光电器件可供选择,如光敏器件、

11、红外器件、近红外探测器电机及测速舵机远红外探测器远红外探测器电气部分光纤器件、颜色传感器等. 由于光敏器件受可见光影响较大,光纤器件、颜色传感器成本相对较高使用较复杂,故选用了反射式红外器件,它具有效率高、受可见光影响较小、造价低廉、易于使用等优点4。所以我们在对路况的1 远距离红外传感器：上，选用的传感器都是红外传感器。我们使用士kenyence公司的红外光电传感器作为远距离传感器，这种传感器性能优异，使用红外调制光，可以对前方50cm的斜面进行路况探测或物体探测。工作可靠，能力强。我们使用它作为远距离，也就是通过它进行算法切换。2 近距离红外传感器：我们使用普通的红外对管，设计成单排垂直照

12、地的模式。根据调试经验，选择了相对窄一点但传感器分布密一点。电路图如图3.1所示。5图3.1近距离红外传感器电路示意图。3.3.3导航测量我们使用度传感器和光电码盘配合进行惯性导航，通过对度的得到当前车辆轴向和侧向的速度，再次，就可以得到车辆的位置信息。而光电码盘则通过对速度的，度传感器的测量误差。度传感器我们选用ADXL202。ADXL202是一种低成本、低功耗、功能完善的双轴度传感器，其测量范围为±2g。ADXL202既能测量动态度(如振动度)，又能测量静态度(如重力度)。ADXL202可输出数字信号，其脉宽占空比与两根传感轴各自所感受到的度成正比。这些信号可直接传输给微处理器，

13、而不需A/D转换或附加其它电路。输出信号周期在0.5ms10ms范围内，可用外接电阻RSET调节。如果需要与度成正比的模拟电压输出，则可从XFILT和YFILT管脚输出信号，或者使用对脉宽占空比输出信号滤波后的信号6。电路图如图3.2所示图3.2度传感器及AD转换电路3.3.4驱动电机我们使用标准的33886进行电机驱动。电路图如图3.3所示图3.333886驱动电机电路图4车辆算法4.1 算法总体设计：我们设计的算法主要是分两层算法，因为车辆在弯道行驶和在直道行驶有不同的特性，所以这两种情况分成两种算法来进行处理，而远距离红外传感器对弯道的判断就成为两种算法切换的触发点。在直道行驶时，我们使

14、用精度的PID算法进行，让车辆能够准确的巡线前进，在弯道行驶中，我们发现如果用PID算法继续准确巡线的话车辆会因为转向过度或转向不足，产生较大的偏差，而这种比较大的偏差会激励PID算法产生一个很大的量，从而使舵机转向角度变大，舵机的剧烈运动通过车辆的行驶特性导致车辆速度大幅降低。所以我们认为弯道使用PID算法并不是一个很好的选择。在弯道行驶中，我们根据模糊的原理设计了一种基于训练样本的模糊算法。这种算法首先通过训练制订出根据不同曲率半径圆弧赛道的行驶策略，车速和舵机偏转角，通过对各种方式策略的训练从而得到最优化的行驶策略。过弯时，车辆根据红外传感器测量出来的曲率，查表得最优化的行驶策略，在PI

15、D算法的配合下，用最优化策略通过弯道程序分层情况：图 4.1 程序分层情况，程序采用分层结构。不同层的分工不同，执行的频率也不同。最底层为“传感器数据的和处理”，例如对远、近红外传感器的和，对加速度传感器的和累加。执行周期大约在 15ms。“底层速度闭环采用 PID 或者开环的”根据速度决策给出的参考值将速度在一个相对的值。算法，执行周期大约在 1030ms。“路况及算法切换”对底层的数据进行分析，当前路况的情形，并根据不同路况进行算法的切换。具体策略见下边“不同路况策略”。执行周期 40100ms。“路况历史”整个赛道的路况历史情况，视情况采取策略。速度决策”接收“路况历史”和“路况及算法切

16、换”中对速度的要求，并具体设定一个参考值。4.2PID算法基础的PID调节：在近距离红外传感器车辆走在直路或者曲率不大的弯道的时候，我们使用的是经典的离散数字PID算法。7 1 de(t)tòu(t) = k e(t) + ()e(t)dt +TTpddt0i式中Ti 为时间常数；T d 为微分时间常数； K p 为比例系数。e(t)为误差项，u(t)为令T 为采样时间量。得到离散算法Du(k) = u(k) - u(k -1) = k1e(k) + k 2e(k -1) + k 3e(k - 2), k = -(k p + 2k d ) ,2其中k1 = k p + k i + k

17、 dk 3 = k d以此算法为基础，很容易在CodeWarrior上，用C语言编写出算法8。PID算法在的同时，结合度传感器传回去的度，速度，位置信息，通过已经建立起来的简单车辆模型对车辆位置状态进行，将误差项也放到PID算法中进行消除9。4.3. 模糊训练算法：4.3.1 算法简介这是我们根据智能车模的特性结合我们现在所拥有的测量和所设计的一路况历史及速度决策路况及算法切换底层速度闭环（远、近红外，度传感器）种算法。这种算法是首先测出车辆在各种半径的弯道下所能达到的最大转向速度。通过训练样本集测出最优数据，把最优数据制作车辆在行驶中，如果远距离传感器。在前方30cm的范围内是直道，则车辆全

18、力前进，舵机算法为PID调节。如果是弯道则根据车辆当前速度，把车辆到弯道前保证速度，并把算法切换到自适应训练算法。进入弯道，车辆的近距离红外传感器，这个偏差值的大小，变化速率和弯道的曲率是有直接的，查表，得出弯道的曲率，同时也得到了弯道的过弯速度和舵机的偏转角度。以这个速度和角度对车辆进行，在过弯的时候，如果出现误差error，则进行模糊据车速，写出不同的隶属度函数，当车速高的时候同时PID算法也辅助误差10。，根经过测试，我们发现这样的算法比纯粹用PID算法调节，无论是了较大提高。4.3.2 制作训练样本集精度还是过弯速度利用视觉和单片机片内器制作训练样本集。状态和特征通过两种探测：1） 通

19、过工业相机，垂直从空中俯照。工业CCD从车辆正后方拍摄车辆以不同速度过弯时的过弯状况。相机使用固定频率采样，车辆使用固定速度过弯。训练达到最佳效果点。图4.2所示的就是一次非常好的过弯情况。同时在上位机通过像计算出车辆当时实际速度和位置变化。视觉的图像算法，通过图图4.2视觉过弯探测训练2） 将车辆行驶中近距离红外传感器探测到的信息和当时车辆对舵机和电机的信息存放在s12单片机的片内和分析。器里，然后再通过串口读到电脑中来。从而对数据进行3）将视觉得到的过弯过程中各采样点的速度、位置与过弯过程中的s12片内器里量。的探测信息和信息相比较，根据车辆模型所确定的车辆行驶特性确定最佳4.3.3 模糊

20、算法我们在模糊算法的时候首先定出一些定义1、 近距离红外传感器测得赛道偏离中心程度为 error，有正负； 2、 error 在两次间隔的采样时间点的偏差为 derror，有正负；3、 远距离红外传感器测到赛道中的黑线为 distant on，没有测到为 distant off； 4、 远距离红外传感器采用居中的安装方式；路况共有 6 种1、 出发点，作为标志点；2、 十字交叉路，作为标志点；3、 直道采用 PID 消除 error 算法；4、 弯道采用转弯角消除 derror 算法；5、 小角度蛇行采用直过法或者第一圈测绘，第二圈直过法；6、 大角度蛇行视作弯道处理；路况规则：1、 erro

21、r 小，derror 稳，distant off弯道的开始2、 error 小，derror 稳，distant on直道3、 error 小，derror 不稳，distant off小蛇行4、 error 小，derror 不稳，distant on蛇行5、 error 大，derror 稳，distant off弯道中（转弯半径较小） 6、 error 大，derror 稳，distant on弯道中（转弯半径较大） 7、 error 大，derror 不稳，distant off蛇行8、 error 大，derror 不稳，distant on蛇行说明：“传感器数据的和处理”并约 82

22、0 组数据后，“路况及算法切换”这些数据应用以上规则进行。例如“error 小”这样的结论也是在分析了 820 个数据后得出的，而得出结论的值得讨论。而 distant 数据的使用要结合 error 情况进行。具体来说，就是直道时，为了避免车体振动造成的误判，应该只在 error 为 0 时进行 distant 的。设定为 6 组近距离红外传感器在车前方成直线布置，如图 4.2 所示.11赛道ABCDEF图 4.2近距离红外传感器布置示意图传感器布置密度保证同时只有两个传感器检测的赛道。传感器检测与误差大小如表 4.1 所示。表 4.1 传感器检测与误差对照Error 的隶属度函数如图 4.3

23、 所示传感器ErrorABCDEF-3100000-2110000-10110000001100100011020000113000001图4.3 error的隶属度函数Derror的隶属度函数如图4.4所示图4.4 derror的隶属度函数输出信号out的隶属度函数如图4.5所示图4.5输出信号out的隶属度函数模糊程序结构如图4.6所示图4.6模糊程序结构模糊规则表rulelist如表4.2所示表4.2模糊规则表rulelist通过的，我们对模糊规则表rulelist很好的调节，然后经过实际车辆行驶训练取得了很好的rulelist参数值。经过调试，最终取得了在最优状态下通过弯道的算法12。

24、5在学校总结与展望和学院的支持下，我们参赛队员竭尽全力，废寝忘食，在车辆上取得了阶段性的成果。车辆的总体性能如下：改造后的车模总体重量，长、宽、高等基本参数:重：0.9kg；长：37cm；高：25cm；宽：185cm。电路功耗：约 1.5W所有电容总容量：291.7uF传感器种类以及个数：光电 14 个；度传感器 1 个；除了车模原有的驱动电机、舵机之外伺服电机个数：0 赛道信息检测精度、频率：98、1KHZ在我们的努力下车辆现在的直道时速大于2.2m/s，弯道时速平均也有1.6m/s。但还有增大的余地，我们辆重量，提高车辆的工作主要是增强算法的与行驶特性。性与精确性，同时在机械方面尽可能的减轻车展望下一届比赛，我们希望能提供功率更大的车辆，同时在车辆结构和方面尽可能的放宽要求。我们对于下一届比赛，