自動尋跡智能" title="智能">智能車涉及到當前高技術領域內的許多先進技術，其中最主要的是傳感技術、路徑規劃和運動控制。本課題是以飛思卡爾智能車競賽為背景，以單片機作為核心控制單元，以攝像頭" title="攝像頭">攝像頭作為路徑識別傳感器，以直流電機作為小車的驅動裝置，以舵機控制小車轉向。車模競賽的賽道是一個具有特定幾何尺寸約束、摩擦系數及光學特性的KT板，其中心貼有對可見光及不可見光均有較強吸收特性的黑色條帶作為引導線，寬度為2．5 cm。在行駛過程中，系統通過攝像頭獲取前方賽道的圖像數據，同時通過測速傳感器實時獲取智能車的速度，采用路徑搜索算法進行尋線判斷和速度分析，然后作控制決策，控制轉向舵機和直流驅動電機工作。智能車通過實時對自身運動速度及方向等進行調整來“沿”賽道快速行駛。本文主要介紹攝像頭通過提取賽道黑線信息交予單片機處理，通過單片機輸出控制信號控制舵機轉向來控制車模的轉向，從而很好的自動循跡。
1 總體軟硬件結構及思路
此智能車輛定位系統用攝像頭拍攝車輛前方的賽道，通過MC9S12XS128采樣視頻信號，獲得圖像數據。然后用合適的算法，如跟蹤邊緣檢測算法，分析圖像數據，提取目標指引線。然后，系統根據目標指引線的位置信息，對舵機和電機施以合適的控制。本智能車運動系統的結構圖如圖1所示。
因為系統是一個有機的整體，所以需配合好系統的攝像頭、控制單片機、電機(包括直流伺服電動機、光電編碼器)、舵機和輔助電路(電源板、電機驅動板)等各個部分。舵機是實時控制車模的轉向，是比賽快速性和穩定性的關鍵，舵機控制有很多的控制算法，如：PID" title="PID">PID經典控制算法、模糊算法、人工智能算法等。
2 系統程序總體控制流程
系統的基本軟件流程是：首先，對各功能模塊和控制參數進行初始化；然后，通過圖像采集模塊獲取前方賽道的圖像數據，同時通過速度傳感器模塊獲取賽車的速度。采用PID對舵機進行反饋控制。另外根據檢測到的速度，結合速度控制策略，對賽車速度不斷進行適當調整，使賽車在符合比賽規則的前提下，沿賽道快速行駛。系統的基本軟件結構流程圖，如圖2所示。
系統的軟件要求控制的準確性、穩定性。采樣提取黑線是控制輸入量的基礎，要求采樣的精確穩定。輸入量給舵機以后又要求舵機輸出的快速相應性、穩定性和準確性。經過多次實驗及近一個學期的調車經驗，選用了并改進了經典的PID控制器對車模的舵機進行控制調節。
3 圖像識別
用CCD" title="CCD">CCD攝像頭采集車模前方一定距離內的黑線，從中提取相關量，用來控制舵機的轉向，實現智能車的自動循跡。由于單片機數據處理能力和速度有限，不能在短短的20 ms時間內處理整場圖像。本系統設置攝像頭前瞻為1．2 m。在不影響道路檢測精度需要的前提下，本系統采用隔行采集來壓縮圖像數據，即相隔不同的有效行采集一行數據(近處相隔的少，遠處相隔的多)，一共可采集44行數據。此外為了進一步提高A／D轉換的速度，本系統還適當地將XS12的CPU超頻運行并且設置A／D轉換器的精度為8位，這樣每行能采樣到67個點，形成了一個面陣，而黑線在其中占據了某些點位。由于我們一行采集67個點，故中間值為33。圖像是智能車的底層，圖像的采集正確與否在以后的控制中尤為重要，故一定要確保采集回來的黑線的真實有效性，并且要增加濾波算法，比如在有效前瞻很小的時候，本來只要判斷出黑線的轉向即可，給舵機以極限轉角可以讓車急轉彎。但是有效行很少的時候，如果不用特殊的濾波方法，只要有一行的黑線提錯，就可能讓小車轉錯，至于轉出界。
4 分段" title="分段">分段PID控制
4．1 圖像信息提取量
從采集回來的圖像中提取控制量來控制舵機的轉向，實現智能車的自動循跡。本系統采用黑線偏移量even_diff和黑線某段斜率D_diff-erent對舵機進行控制，可稱為PD控制器。由于車模是個隨動系統，在攝像頭1．2 m前瞻內覆蓋的黑線不一定有設置的44行，特別是前方的彎特別急的時候，在攝像頭前瞻視角范圍內覆蓋的黑線會特別少，比如13行或13行以下。根據這個特點，可設置一個有效前瞻量valid_line作為對前方的彎的平緩程度的反應。
把每一行的黑線位置值與中間值作差，得到該行的偏移量，中間值33位賽道的中心位置點，偏移量表示在車模的視角下黑線處于賽道中的位置值。把每一行的偏移量相加之和除以攝像頭前瞻范圍內的提取出的黑線行數，得到黑線相對于車模中心的整體偏移量even_diff，用有效行內的遠處某些行與近處某些行(如前半場與后半場)偏移量之差得到有效行內的黑線斜率D_differen。
這樣，從一場的黑線位置數據中，系統提取了有效行valid_line、even_diff、D_different 3個量來對舵機進行控制。在實際情況中，D_different可以很靈活，因為前方黑線的斜率可以取不同段得到，可以根據實際要求得到不同段的斜率值，如速度快時可以適當的取距車較遠處的黑線斜率，以實現超前控制。
在智能車調試參數的時候，對這3個量的理解很是重要，具體來說，valid_line表征車模的有效前瞻，即看得有多遠，對于智能車在道路上行駛，看得遠說明黑線都在前方，看不遠說明智能車前方的黑線已經偏左或者偏右，而這個量的大小正好可以表征彎的平緩與急切。另外，看得遠則攝像頭采集的黑線多，系統信息量大，那么怎么處理這些大量的信息為我們所用就變得很關鍵，如看得1．2 m都能看見，說明小車必然在長直道上，不然也是小S彎，稍作處理就可以過濾掉小S彎了，讓小車像都是在直道上跑；看得很近說明彎已經很急，這時候，只要能夠判斷出彎往那邊拐就可以給舵機一個極值急拐。even_diff表征在某一個特定視野下，小車與黑線偏離的程度，這個量可以讓智能車在某個特定視野下決定給舵機多大的轉角。D_different則在有效前瞻遠的時候尤為關鍵，因為它可以預判前方的彎，從而超前的轉彎。
4．2 PD控制器形式
系統把這3個量處理成PD控制器的形式：
其中a為根據賽道有效前瞻確定的不同有效行。Centre為舵機走直線的控制中間值。Steer為PD控制器給舵機的輸入量。由于車模舵機轉向控制是一個非線性系統，而設置了入口條件“有效行判斷”，正好可以把這個非線性系統分割成不同段，在每一段可近似認為轉向控制系統是線性的。即在某一小段范圍內，得到的黑線位置和對應的舵機PID參照角度處理成一次線性關系。最終實現簡單分段PID控制。
5 分段PID控制參數規律
在實際的調車過程中，我們總結發現，PD控制器的參數Kp、Kd與有效前瞻valid_line、車模的速度相關。簡單點說，即小車速度越快，車模遇彎提前拐彎的應越早。總結下來，有如下關系：
其中A為Kp的基礎值，valid_line為車模運行到某個狀態的有效前瞻(用提取的黑線數量來估定)，speed為小車一場時間內的脈沖值，表征車模時刻運行的速度。低速時，可近似認為speed／C為零，通過試驗法可以確定A值大小。在確定Kp基礎值之后，即可加速，在小車速度稍高的時候調試得出合適的B值、C值，最終使小車平穩準確的切線，循跡而行。此關系式可知，有效前瞻的變化是對Kp值影響最大也是最直接的一個量，我們平時調車經驗而知，B參數應比C敏感很多才行。有效行減少一行，對舵機轉向角的影響要遠大于小車速度speed對Kp的對影響。而speed對舵機急轉快速性在車模高速的時候很是明顯。
為增加系統的魯棒性，并且更好的解決系統的非線性問題，我們將小車的前瞻分段，我們1．2 m的前瞻里面，總共有44行黑線，直道上全部提取回來，可以分為有效行37行一下、有效行30行以上、有效行24行以上、有效行18行以上、有效行13行以上與有效行13行以下7段。
處理成控制程序的形式為：
雖然分為7段，各段單獨控制，參數單獨調節，但是，Kp值與有效行(有效前瞻)成負相關的關系仍然成立，故Kp、Kp1、Kp2、Kp3、Kp4、Kp5依然大體上遵循與有效行負相關的關系，即Kp隨有效行的減小線性增加。
在每一段里面調節PD控制器的參數，使小車能夠行使不同類別不同半徑的彎道。這樣就形成分段PD控制，小車的非線性問題可以很好的解決，系統的魯棒性也能夠增強。同時，為保護舵機不至于向左向右打得太狠，可以限定舵機的左右極限值：
通過調試參數A、B、C，調節不同的Kp值，實踐證明，小車能夠平穩、快速的自動巡線前行。
6 結束語
該算法把舵機的轉向的Kp系數與車速相關起來，能夠很好地配合車速與舵機轉向，提出以具體的智能車參數分段PD參數的規律，對智能車實際制作很有幫助，在智能車比賽中具有很廣的推廣價值。
實踐證明，參數調節合適的時候智能車能夠很好的適應賽道，跑出希望的最佳路徑。為了參加第五屆“飛思卡爾”杯全國大學生智能汽車競賽，此控制算法在校級代表隊資格選拔賽中表現完美，最終跑出2．5 m／s的好成績，成功入選華北賽區參加比賽。實踐證明了智能車舵機分段PID控制轉向具有可行性和實用性。