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。
pid控制器相关文章:pid控制器原理
评论