基于視覺的智能車轉向控制策略
圖10中, row_sure(出界點)用來選擇10個點中哪幾個點為可用點。average[1]為離車最近的點,隨著序號增大,離車越遠。在圖10的圖像平面中,計算偏差改為:
err=average[i]-mid (11)
式中, i P>
當小車車速很高時,選擇較遠處的點求取偏差,等效于時間上提前入彎。這樣由以上策略分析可知,只要入彎點合適,基本不用減速就可以直接入彎,還可以得到不錯的安全系數。當速度處于一個較低水平時可使用最近處的點,即average[1],這樣就保證車只有走到彎道處才會轉向,不會提前入彎,避免提前入彎帶來的沖出內道。
5 實驗數據
根據比賽要求,賽道中最小弧度半徑不小于0.5 m,在參考歷屆賽道的基礎上,筆者設計了如圖11的測試賽道,全長約38 m。實驗室測試成績?yōu)?8 s跑完全程,平均速度達到2 m/s。
圖12為90°彎道過彎圖,粗實線為引導線,虛線為賽車實際行駛路線。可以看出,小車實現了提前入彎,這是比較好的路徑,有效地節(jié)省了時間。
過彎速度的測量,由無線模塊每40 ms發(fā)回編碼器測得的速度脈沖,先由直道加速后入彎得到如表1所示的數據。
由表1可以明顯看出速度的變化,其中62為入彎速度,折合成標準速度為2.4 m/s;彎道速度為40,折合成標準速度為1.5 m/s,這個速度很接近平均速度。
圖13為360°彎道過彎圖,粗實線為引導線,虛線為小車實際的行駛路線??梢钥闯鰧崿F了提前入彎,后半程受舵機最大偏轉角的限制,無法繼續(xù)加大偏轉,造成有一些跑外道。
圖14為S過彎圖,粗實線為引導線,虛線為小車實際的行駛路線??梢钥闯?小車行駛路線已經很逼近直道了,由無線模塊每40 ms發(fā)回編碼器測得的速度脈沖,先由直道加速后入彎得到如表2所示的數據。
可以看出,S道的速度變化很小,同時彎道速度平均在1.5 m/s以上,很好地逼近了預期的路線。
本文根據轉向模型,通過分析過彎路徑與過彎速度之間的關系,得到了不同速度對應不同入彎路徑和入彎點的結論。利用這個結論,改變控制器偏差計算,達到動態(tài)地設置入彎點,快速入彎,盡量做到不減速或少減速,縮短彎道行駛時間,從而提高小車行駛速度的目的。該方法在其他智能車跟隨引導線的系統(tǒng)中同樣適用,由于其良好的超前預測性能,對于短暫的引導線丟失也可以很好地跟隨。
pid控制器相關文章:pid控制器原理
評論