0 引言

    對于智能車整體而言，其路徑識別和控制系統(tǒng)是智能車運(yùn)行過程的核心部分，路徑識別的準(zhǔn)確性和實(shí)時性，以及控制系統(tǒng)的靈敏性和魯棒性是影響智能車運(yùn)行效果的關(guān)鍵因素^[1-2]。

    目前，從智能車路徑識別技術(shù)來看，通常采用“圖像采集—圖像處理”順序執(zhí)行的方式來實(shí)現(xiàn)^[3-4]，因此，在圖像采集階段，圖像處理單元將處于空閑，從而造成圖像處理單元的資源浪費(fèi)；而在圖像處理階段，由于待處理的圖像數(shù)據(jù)較多，導(dǎo)致圖像處理單元在單位時間內(nèi)的處理負(fù)荷較大，從而處理速度過慢，進(jìn)而引起下游控制單元數(shù)據(jù)處理滯后的問題，而導(dǎo)致智能車路徑識別的準(zhǔn)確性及實(shí)時性較差，最終導(dǎo)致智能車的運(yùn)行速度慢、靈活性差。

    從智能車控制系統(tǒng)技術(shù)來看，由于智能車具有非常復(fù)雜的非線性動力系統(tǒng)，難以建立精確的數(shù)學(xué)模型^[5]。因此，如果采用傳統(tǒng)的PID控制算法對智能車進(jìn)行控制，雖然響應(yīng)速度較快，精度也較高，但是容易造成智能車控制發(fā)生階梯式跳躍變化和路徑變化反應(yīng)不靈敏等問題，且易產(chǎn)生超調(diào)和振蕩現(xiàn)象,導(dǎo)致智能車控制系統(tǒng)靈敏性和魯棒性較差^[6-7]。

    針對上述問題，在智能車路徑識別處理和控制系統(tǒng)兩方面進(jìn)行了優(yōu)化。

    首先，在路徑識別處理方面，將“圖像采集—圖像處理”交叉執(zhí)行，在圖像采集的時間間隙中進(jìn)行圖像處理，而無需等到所有圖像采集完成再進(jìn)行圖像處理，能夠保障圖像處理的實(shí)時性，且在圖像處理階段采用跟蹤邊緣算法，能夠提高圖像處理的效率，從而保障路徑識別的準(zhǔn)確性和實(shí)時性。其次，在智能車控制方面，采用模糊控制器和傳統(tǒng)PID控制相結(jié)合的控制策略，既使智能車控制系統(tǒng)具有模糊控制的靈活性和適應(yīng)性強(qiáng)的優(yōu)點(diǎn),又具有PID控制精度高響應(yīng)快的優(yōu)勢，最終提高了智能車控制系統(tǒng)的靈敏性和魯棒性。

1 路徑識別處理

    在智能車路徑識別處理過程中，考慮到處理速度的需求，通常在保證圖像信息足夠的情況下取用整幅圖像中的一部分^[8]，這種情況會導(dǎo)致智能車在圖像采集階段CPU會有兩部分時間處于空閑時間：未被選取的行間隔期和消隱期。因此，在本研究中將充分利用這兩部分時間進(jìn)行圖像處理，即采用“圖像采集—圖像處理”交叉執(zhí)行的方式。

    具體實(shí)施方法為：在圖像采集過程中，圖像采集單元是將圖像分為N個單元塊分別采集，當(dāng)完成任一個單元塊的采集時，則觸發(fā)圖像處理單元在空閑時間對該單元塊進(jìn)行圖像處理。

    表1以處理100幀圖像所占用的時間為例，對兩種圖像采集處理方式進(jìn)行了比對。從占用時間結(jié)果可以看出，本研究中采用的“圖像采集-圖像處理”交叉結(jié)構(gòu)的數(shù)據(jù)處理速度比傳統(tǒng)的“圖像采集-圖像處理”順序結(jié)構(gòu)的處理速度高15.5%。

    綜上所述，采用“圖像采集-圖像處理”交叉結(jié)構(gòu)，能夠提高對圖像處理單元的空閑時間利用率，且圖像處理單元利用空閑時間對圖像單元塊進(jìn)行圖像處理，減少了圖像處理單元在單位時間內(nèi)的負(fù)荷，提高數(shù)據(jù)處理效率，在一定程度上解決了下游控制單元數(shù)據(jù)處理滯后的問題，從而能夠保障智能車路徑識別的實(shí)時性，提高智能車的運(yùn)行速度和靈活性。

    除了在路徑識別處理的執(zhí)行結(jié)構(gòu)上的優(yōu)化，本研究在圖像處理的算法上也進(jìn)行了優(yōu)化。采用跟蹤邊緣檢測算法，較傳統(tǒng)邊緣檢測算法[9]，不會對圖像單元中每個像素點(diǎn)進(jìn)行比較運(yùn)算，從而無需對采集到的整幅圖像中所有的像素點(diǎn)進(jìn)行處理，因此，占用系統(tǒng)資源少，還可以排除外界噪聲干擾，進(jìn)而可以提高圖像處理單元的數(shù)據(jù)處理效率，并能夠為智能車提供準(zhǔn)確、可靠的行駛路徑。圖1所示為圖像處理中邊緣跟蹤檢測算法流程圖。

    為了驗證在圖像處理算法上的優(yōu)勢，分別采用跟蹤邊緣檢測算法和傳統(tǒng)邊緣檢測算法對同一幅圖像進(jìn)行圖像處理。如圖2所示，圖2（a）為源圖像，圖2（b）為采用傳統(tǒng)邊緣檢測算法的處理結(jié)果，圖2（c）為跟蹤邊緣檢測算法的處理結(jié)果。

    可以看出，跟蹤邊緣檢測算法能夠有效排除外界噪聲的干擾，最終提供給智能車準(zhǔn)確的行駛路徑。

    除此之外，較傳統(tǒng)邊緣檢測算法，本研究采用的跟蹤邊緣檢測算法還具有較高的數(shù)據(jù)處理速度。表2對兩種算法的數(shù)據(jù)處理時間進(jìn)行了比較。

    從表2中可以看出，跟蹤邊緣檢測算法的數(shù)據(jù)處理速度是傳統(tǒng)的邊緣檢測算法的2.34倍，保證了智能車中數(shù)據(jù)處理的高效性和實(shí)時性。

2 模糊自適應(yīng)PID控制器設(shè)計

    在控制系統(tǒng)中，將模糊控制算法和傳統(tǒng)的PID算法相結(jié)合，以提高智能車控制系統(tǒng)的自適應(yīng)性和魯棒性。模糊自適應(yīng)PID控制器以誤差e(實(shí)際測量值與設(shè)定值之差)和誤差變化率ec作為輸入?yún)?shù)，利用模糊控制規(guī)則對PID控制器的3個參數(shù)（Kp、Ki和Kd）進(jìn)行調(diào)整，并將該三個參數(shù)值作為輸出，以選取適合智能車當(dāng)前運(yùn)行狀態(tài)最佳參數(shù)值。圖3所示為智能車控制系統(tǒng)結(jié)構(gòu)示意圖。

    模糊自適應(yīng)PID控制器輸入變量e的語言變量為E，ec的語言變量為EC，兩者的論域都為{-3，-2，-1，0，1，2，3}，相應(yīng)的語言值為{NB，NM，NS，ZO，PS，PM，PB}；輸出參數(shù)Kp、Ki和Kd的語言變量分別為KP、KI和KD，論域都為{0，1，2，3}，相應(yīng)的語言值為{ZO，PS，PM，PB}。輸入?yún)?shù)與輸出參數(shù)的隸屬度函數(shù)均采用三角函數(shù)，圖4所示為基于上述參數(shù)值的隸屬函數(shù)圖。

    模糊自適應(yīng)PID控制器以控制規(guī)則作為模糊推理的依據(jù)^[10]。PID參數(shù)值的選取必須考慮在不同情況下三個參數(shù)的作用以及相互關(guān)系。按以上原理并根據(jù)智能車的運(yùn)行特性和控制經(jīng)驗建立輸入為E、EC，以及輸出為KP、KI和KD的多輸入多輸出的模糊規(guī)則，并在MATLAB中進(jìn)行仿真，得到如圖5所示的控制規(guī)則曲面圖。

    通過MATLAB提供的Simulink對模糊自適應(yīng)PID控制器的設(shè)計進(jìn)行仿真，并將其處理結(jié)果與傳統(tǒng)PID的處理結(jié)果進(jìn)行比較，其比較結(jié)果如圖6和表3所示。可以看出，模糊自適應(yīng)PID控制器具有超調(diào)量小、響應(yīng)時間短的優(yōu)點(diǎn)。

3 整體實(shí)驗對比及分析

    為了驗證最終效果，在相同路徑下，分別采用傳統(tǒng)方法和本研究的方法對智能車的性能進(jìn)行了測試，經(jīng)過20次對比實(shí)驗，得到智能車跑完全程的時間、平均速度及準(zhǔn)確率，如表4所示。

    從表4可以看出,應(yīng)用本文所取得的方法，能夠有效加快智能車響應(yīng)速度，提高準(zhǔn)確率，對智能車的整體性能的提升有顯著的作用，且在實(shí)際運(yùn)行中能使智能車轉(zhuǎn)向相對比較連續(xù),不出現(xiàn)突變現(xiàn)象,運(yùn)行軌跡相對平滑、穩(wěn)定。

    同時可見，車速受硬件響應(yīng)速度、圖像算法處理速度、車體結(jié)構(gòu)、測試環(huán)境等因素的整體非線性疊加影響，而非簡單的線性比例關(guān)系。

4 結(jié)束語

    本研究采用“圖像采集—圖像處理”交叉執(zhí)行的方式提高了智能車的數(shù)據(jù)處理速度，且在圖像處理階段采用跟蹤邊緣檢測算法，較傳統(tǒng)邊緣檢測算法，既具有對外界聲進(jìn)行濾除的作用，又能夠?qū)D像處理時間提高2.34倍，從而在保障智能車路徑識別準(zhǔn)確性的同時還保障智能車數(shù)據(jù)處理的高效性和實(shí)時性。

    而在智能車控制系統(tǒng)方面，將模糊控制算法和傳統(tǒng)的PID算法相結(jié)合，較傳統(tǒng)的PID算法，其超調(diào)量減少了近12倍，且收斂時間也相對減少，同時響應(yīng)速度也提高了近5倍。

    最后對整體性能進(jìn)行了實(shí)際驗證比較，結(jié)果表明本研究取得的方法最終使智能車速度提高了33.3%，準(zhǔn)確率提高了35.7%。因此，采用本研究方法，能夠有效使智能車具有較好的靈活性、較高的自適應(yīng)性和魯棒性。

參考文獻(xiàn)

[1] 王國胤，陳喬松，王進(jìn).智能車技術(shù)探討[J].計算機(jī)科學(xué)，2012(5)：1-8.

[2] Md.NazmulHasan，S.M Didar-Al-Alam，Sikder Rezwanul Huq.Intelligent car control for a smart car[J].International Journal of Computer Applications，2011，143：15-19.

[3] HUANG Z Q.Design of smart car section PID control algorithm based on CCD camera[J].Electronic Design Engineering，2011，19(2).

[4] 吳斌華，黃衛(wèi)華，程磊，等.基于路徑識別的智能車系統(tǒng)設(shè)計[J].電子技術(shù)應(yīng)用，2007(3)：80-82.

[5] FRAICHARD T，GARNIER P.Fuzzy control to drive car-like vehicles[J].Robotics & Autonomous Systems，2001，34(1)：1-22.

[6] 王威，楊平.智能PID控制方法的研究現(xiàn)狀及應(yīng)用展望[J].自動化儀表，2008(10)：1-3.

[7] MARTINS F G，COELHO M A N.Application of feedforward artificial neural networks to improve process control of PID-based control algorithms[J].Computers & Chemical Engineering，2000，24：853-858.

[8] 李旭東，廖中浩，孟嬌.基于CMOS攝像頭的智能車控制系統(tǒng)設(shè)計及實(shí)現(xiàn)[J].吉林大學(xué)學(xué)報(信息科學(xué)版)，2013(4)：414-418.

[9] 魏玉虎，石琛宇，姜建釗，等.基于視覺的智能車轉(zhuǎn)向控制策略[J].電子技術(shù)應(yīng)用，2009(1)：130-134.

[10] 金曉明，榮岡，王驥程.模糊控制理論及其應(yīng)用評述[J].化工自動化及儀表，1995(2)：3-8.