基于视觉的智能车转向控制策略

图10中, row_sure（出界点）用来选择10个点中哪几个点为可用点。average[1]为离车最近的点，随着序号增大，离车越远。在图10的图像平面中，计算偏差改为：

err=average[i]-mid (11)

式中， i P>

当小车车速很高时，选择较远处的点求取偏差，等效于时间上提前入弯。这样由以上策略分析可知，只要入弯点合适，基本不用减速就可以直接入弯，还可以得到不错的安全系数。当速度处于一个较低水平时可使用最近处的点，即average[1],这样就保证车只有走到弯道处才会转向，不会提前入弯，避免提前入弯带来的冲出内道。

5 实验数据

根据比赛要求，赛道中最小弧度半径不小于0.5 m，在参考历届赛道的基础上，笔者设计了如图11的测试赛道，全长约38 m。实验室测试成绩为18 s跑完全程，平均速度达到2 m/s。

图12为90°弯道过弯图，粗实线为引导线，虚线为赛车实际行驶路线。可以看出,小车实现了提前入弯，这是比较好的路径，有效地节省了时间。

过弯速度的测量，由无线模块每40 ms发回编码器测得的速度脉冲，先由直道加速后入弯得到如表1所示的数据。

由表1可以明显看出速度的变化，其中62为入弯速度，折合成标准速度为2.4 m/s；弯道速度为40，折合成标准速度为1.5 m/s，这个速度很接近平均速度。

图13为360°弯道过弯图，粗实线为引导线，虚线为小车实际的行驶路线。可以看出实现了提前入弯，后半程受舵机最大偏转角的限制，无法继续加大偏转，造成有一些跑外道。

图14为S过弯图，粗实线为引导线，虚线为小车实际的行驶路线。可以看出,小车行驶路线已经很逼近直道了，由无线模块每40 ms发回编码器测得的速度脉冲，先由直道加速后入弯得到如表2所示的数据。

可以看出，S道的速度变化很小，同时弯道速度平均在1.5 m/s以上，很好地逼近了预期的路线。

本文根据转向模型，通过分析过弯路径与过弯速度之间的关系，得到了不同速度对应不同入弯路径和入弯点的结论。利用这个结论，改变控制器偏差计算，达到动态地设置入弯点，快速入弯，尽量做到不减速或少减速，缩短弯道行驶时间，从而提高小车行驶速度的目的。该方法在其他智能车跟随引导线的系统中同样适用，由于其良好的超前预测性能，对于短暂的引导线丢失也可以很好地跟随。