智能车调试总结

全国大学生智能车竞赛分为很多组别，大体的任务都是在组委会规定的车模基础上，自己设计电路板等硬件，通过编写程序来，再根据摄像头、陀螺仪、电感等传感器实时获取的信息，进行数据运算、图像处理、滤波等等操作后，输出一定占空比的PWM信号，控制电机的转速或者舵机的打角等操作，然后驱动小车按照规定的赛道行驶，并尽可能在最短时间内完成相应任务。 在第十六届的时候，我们队伍选择的组别是双车接力组，具体任务是需要做出两辆不同的车，一辆两轮的直立平衡车，另一辆是有一个从动轮的三轮车。需要实现接力任务。 我负责的主要是直立平衡车的软件任务，包括数据处理、控制算法和图像处理算法，然后也负责了双车的传接方案、参与了机械结构的搭建。 十七届我们选的是多车编队组，我除了负责控制和图像，还和队友设计了编队和通讯的方案。

数据处理：互补滤波、低通滤波、速度平滑滤波、串口数据处理、超声波红外传感器处理等等。 控制算法：传统PID、自适应P参数、双车组-在姿态控制和转向控制都使用了性能更好的串级PID，多车组-距离控制使用单P算法 图像算法：对大津法进行优化、二值化、对图像进行边界搜寻、并对赛道元素进行处理 传接方案：使用分体式超声波实现接力时的精准控距、设计传接装置。

涉及的专业知识： 单片机嵌入式开发应用——编程、中断、定时器、串口通讯 C语言——函数、数组、指针等 传感器原理与应用——编码器、摄像头、电感、超声波 自控原理——PID、串级PID 计算机控制原理——互补滤波、低通滤波、数字离散控制 电力电子技术——PWM波，驱动控制 MATLAB——数据仿真、函数拟合 数电模电——电路搭建

在赛题规定的电机和底盘基础上，为了使得车模重心尽可能低，我们选择底盘朝向相反的方向为行进的方向，这样使得各种路段都能更好的维持稳定性。

首先，在确定车模的大致机械结构后，车模x,y,z三轴的位置就已基本确定，安装陀螺仪（我们使用的是icm20602模块——一个六轴陀螺仪加速度模块，包含加速度计和陀螺仪，它能够获得车模在空间直角坐标系内关于车模自身x,y,z三轴的角速度，以及其加速度在x,y,z三周上的分量）时应尽量保证陀螺仪模块的三个坐标轴与车模的三个坐标轴重合，于是放到车轴中心，就可以使陀螺仪采集到的左右或者前后不同方向的数据具有对称性。 其次，为了最大限度地减少陀螺仪随车模振动引起的电信号误差，将陀螺仪安装的位置尽可能地放低。

以直立为例，对车的基本控制主要分成姿态&速度控制、转向控制，三轮车转向部分也可做参考。

1、获取姿态数据 先搭好车的结构后，找到机械平衡点，使用开源库获取icm20602陀螺仪数据（这里使用SPI总线方式，速度快），这样就可以获得车模在空间直角坐标系内关于车模自身 x,y,z 三轴的角速度，以及其加速度在x,y,z三轴上的分量。

2、角度归一化 加速度计通过求反正切算出的车模倾角只是一个与车模角度一一对应的特征值，为了与车模的实际姿态关联，需要将车模躺倒时与静态平衡点状态下加速度计的数据划分为0~90°的区间。 （1）首先将车模放倒，测出此时加速度计Z轴的数据，记为ACCZ_Horizonal; （2）然后将车模手扶至静态平衡点测出此时加速度计Z轴的数据，记为ACCZ_vertical,于是我们可以计算得加速度计角度归一化的比例:

3、互补滤波 一般陀螺仪输出的信号往往包含有各种噪声，直接获得的角度值不能直接使用，所以必须要滤波。 虽然理论上来说卡尔曼滤波效果应该更好，但是代码比较麻烦，而且原理不太容易理解。于是在获取直立车模角度时我们选用一阶互补滤波的方式，该方式相较于卡尔曼滤波虽然精度不足，但存在代码简洁，计算速度快，占用内存少等特点。

互补滤波器的基本结构如下：

假设两个测量信号B(s),A(s)都包含了实际信号θ (s)以及噪声。在信号A(s)中的噪声主要分布在高频，而在信号B(s)中的噪声主要分布在低频。H(s)代表着低通滤波器，那么对应的1−H(s)就是互补的高通滤波器。它们分别提取)A(s),B(s)中的低频和高频成分，然后叠加在一起。其基本原理如图所示：

互补滤波器就是根据传感器特性不同，使信号通过不同的滤波器，然后再整合得到整个频带的信号，在陀螺仪的问题上：

互补滤波选择了切换的频率点，将两者结合，就将陀螺仪和加速度计的优点融合起来，得到在高频和低频都较好的信号，即高通和低通的频率。

从程序角度来说：互补滤波就是由上一次解出的角度，结合加速度计和陀螺仪数据的置信程度融合出一个新的角度， 主要调节的参数有：加速度计和陀螺仪计的比例，以及采样周期。

实际一阶互补代码部分：

滤波的效果（红：滤波后、蓝：滤波前）： 由数据处理得到可用的角度之后，就是最重要的PID控制了。

在调试过程中我们发现，对于陀螺仪加速度计而言，其加速度计的响应远不如陀螺仪模块敏感。后者能在车模绕轮轴发生轻微扰动时返回较大的数值。在单独使用传统的单环角度环调试车模时，我们发现车模姿态较软，不够稳定，抗干扰能力较差。 为了提高姿态控制对扰动的相应灵敏度，我们决定使用串级PID的控制方案。

就比如角速度是波动很明显的量，增加角速度环这样一个内环控制器，串级PID就可以很好的抑制内环的角速度值的干扰。像这样对于干扰，内环控制器首先进行“粗调”，外环控制器再进一步“细调”，就可以使得适应性稳定性都很好。

于是，在姿态调整与直线速度控制模块，我们引入三个控制闭环：

速度环->直立角度环->陀螺仪俯仰角速度环->电机前进pwm

具体思路而言，我画了一张流程图： 这张图表示的就是：首先需要设定一个期望速度，速度环的输出值作为直立环的输入，然后直立环的输出作为直立内环（即角速度环）的输入，最后内环输出值输送给电机驱动函数，然后直接控制电机即可。 值得注意的是，由于串级PID中，直立环是主要调节器，速度控制的思路是以角度来换取速度，例如当小车快向前倒下的时候，这个时候为了使小车角度回正，小车需要向前加速；同时这个的时候，直立环会使得车轮转速加快，然后导致速度输入大于速度期望，也就是速度环偏差为正，为了使速度回正，就需要“以退为进”，需要将速度环设计为正反馈。

（注：以上代码的陀螺仪角速度内环写的是位置式pi，理论上改成增量式pi可能会更好，但是当时用位置式调起来感觉也没啥问题就没管，有时间的小伙伴可以试试改成增量式的~）

控制部分的总流程图： 各环之间逻辑关系代码实现

我们的摄像头使用的是MT9V034总钻风灰度摄像头，先通过摄像头采集获得原始的灰度图像，获得到二维的灰度图像数组，数组里内各元素的数值代表了每个相应位置上像素点的灰度值，范围是0-255，数值越大，代表这个点越白，越小代表越黑。

获取原始图像数据后，需要将白色的赛道部分和非白的赛道外的区域区分开来，进而得到赛道的边界信息，去先使用大津法求取划分赛道和非赛道图像之间的阈值，再根据该阈值进行二值化。

常规开源的大津法存在需要执行上万次的嵌套循环，速度比较缓慢。故对原有代码做以下算法结构上的优化：

如果需要完整代码工程可咨询以下链接（链接如果了挂掉可以私戳~），尊重他人劳作，白嫖党勿进😎（doge）： 第十六届智能车双车组国奖（两轮直立平衡车软件工程） 第十七届智能车多车编队组国家级一等奖（摄像头头车软件工程）

最后附上自己制作的一个小总结视频~ https://www.bilibili.com/video/BV1wB4y1G7Ca/?spm_id_from=333.999.0.0 从大一弃赛到国赛第一（线上）——以此片纪念我的三年智能车生涯

（如有相关问题敬请指出~）