文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.01.014
中文引用格式: 劉濤,呂勇,劉立雙. 智能車路徑識(shí)別與控制性能提高方法研究及實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用,2016,42(1):54-57.
英文引用格式: Liu Tao,Lv Yong,Liu Lishuang. Research and implementation on path recognition and control performance improvement methods of smart car[J].Application of Electronic Technique,2016,42(1):54-57.
0 引言
對(duì)于智能車整體而言,其路徑識(shí)別和控制系統(tǒng)是智能車運(yùn)行過程的核心部分,路徑識(shí)別的準(zhǔn)確性和實(shí)時(shí)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(shí)別技術(shù)來(lái)看,通常采用“圖像采集—圖像處理”順序執(zhí)行的方式來(lái)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(shí)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(shí)別的準(zhǔn)確性及實(shí)時(shí)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(lái)看,由于智能車具有非常復(fù)雜的非線性動(dòng)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(duì)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(duì)上述問題,在智能車路徑識(shí)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(shí)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(shí)間間隙中進(jìn)行圖像處理,而無(wú)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(shí)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(shí)別的準(zhǔn)確性和實(shí)時(shí)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(shì),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(shí)別處理
在智能車路徑識(shí)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(huì)導(dǎo)致智能車在圖像采集階段CPU會(huì)有兩部分時(shí)間處于空閑時(shí)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(shí)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(gè)單元塊分別采集,當(dāng)完成任一個(gè)單元塊的采集時(shí),則觸發(fā)圖像處理單元在空閑時(shí)間對(duì)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(shí)間為例,對(duì)兩種圖像采集處理方式進(jìn)行了比對(duì)。從占用時(shí)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(duì)圖像處理單元的空閑時(shí)間利用率,且圖像處理單元利用空閑時(shí)間對(duì)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(shí)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(shí)別的實(shí)時(shí)性,提高智能車的運(yùn)行速度和靈活性。
除了在路徑識(shí)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(cè)算法,較傳統(tǒng)邊緣檢測(cè)算法[9],不會(huì)對(duì)圖像單元中每個(gè)像素點(diǎn)進(jìn)行比較運(yùn)算,從而無(wú)需對(duì)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?yàn)橹悄苘囂峁?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(cè)算法流程圖。
為了驗(yàn)證在圖像處理算法上的優(yōu)勢(shì),分別采用跟蹤邊緣檢測(cè)算法和傳統(tǒng)邊緣檢測(cè)算法對(duì)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(cè)算法的處理結(jié)果,圖2(c)為跟蹤邊緣檢測(cè)算法的處理結(jié)果。
可以看出,跟蹤邊緣檢測(cè)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(cè)算法,本研究采用的跟蹤邊緣檢測(cè)算法還具有較高的數(shù)據(jù)處理速度。表2對(duì)兩種算法的數(shù)據(jù)處理時(shí)間進(jìn)行了比較。
從表2中可以看出,跟蹤邊緣檢測(cè)算法的數(shù)據(jù)處理速度是傳統(tǒng)的邊緣檢測(cè)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(shí)性。
2 模糊自適應(yīng)PID控制器設(shè)計(jì)
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(cè)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(duì)PID控制器的3個(gè)參數(shù)(Kp、Ki和Kd)進(jìn)行調(diào)整,并將該三個(gè)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(yǔ)言變量為E,ec的語(yǔ)言變量為EC,兩者的論域都為{-3,-2,-1,0,1,2,3},相應(yīng)的語(yǔ)言值為{NB,NM,NS,ZO,PS,PM,PB};輸出參數(shù)Kp、Ki和Kd的語(yǔ)言變量分別為KP、KI和KD,論域都為{0,1,2,3},相應(yīng)的語(yǔ)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(gè)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(yàn)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(duì)模糊自適應(yīng)PID控制器的設(shè)計(jì)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??梢钥闯觯:赃m應(yīng)PID控制器具有超調(diào)量小、響應(yīng)時(shí)間短的優(yōu)點(diǎn)。
3 整體實(shí)驗(yàn)對(duì)比及分析
為了驗(yàn)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(duì)智能車的性能進(jìn)行了測(cè)試,經(jīng)過20次對(duì)比實(shí)驗(yàn),得到智能車跑完全程的時(shí)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(duì)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(duì)比較連續(xù),不出現(xiàn)突變現(xiàn)象,運(yùn)行軌跡相對(duì)平滑、穩(wěn)定。
同時(shí)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(cè)試環(huán)境等因素的整體非線性疊加影響,而非簡(jiǎn)單的線性比例關(guān)系。
4 結(jié)束語(yǔ)
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(cè)算法,較傳統(tǒng)邊緣檢測(cè)算法,既具有對(duì)外界聲進(jìn)行濾除的作用,又能夠?qū)D像處理時(shí)間提高2.34倍,從而在保障智能車路徑識(shí)別準(zhǔn)確性的同時(shí)還保障智能車數(shù)據(jù)處理的高效性和實(shí)時(shí)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(shí)間也相對(duì)減少,同時(shí)響應(yīng)速度也提高了近5倍。
最后對(duì)整體性能進(jìn)行了實(shí)際驗(yàn)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(guó)胤,陳喬松,王進(jìn).智能車技術(shù)探討[J].計(jì)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(shí)別的智能車系統(tǒng)設(shè)計(jì)[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(dòng)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(jì)及實(shí)現(xiàn)[J].吉林大學(xué)學(xué)報(bào)(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(píng)述[J].化工自動(dòng)化及儀表,1995(2):3-8.