基于CortexM4的光电智能车路径识别最优化研究
2014-08-08 13:19施鹤远彭凯申正卫李楠李尹王击
计算技术与自动化 2014年2期
施鹤远+彭凯+申正卫+李楠+李尹+王击
收稿日期：2014-04-02
基金项目：中南大学本科生自由探索计划项目(Z12029);中南大学大学生创新训练计划项目(CL12294)
作者简介：施鹤远（1993—），男，湖南安乡人，学士生，研究方向：电气自动化。
文章编号：1003-6199(2014)02-0112-03
摘 要：研究基于Cortex-M4芯片的智能车路径识别最优化方案，选用光电传感器作为路径识别的传感器，结合路径识别算法和控制算法对智能车的坡道、速度和停车位等进行优化配置。制作的小型光电智能汽车，通过增加传感器和改进算法实现了路径识别，使小车循着赛道轨迹行进，在遇到坡道、障碍时能够自动作出响应。实际运行结果验证了所做研究的有效性。
关键词：CortexM4;光电智能汽车;路径识别
中图分类号：TP273+.2文献标识码：A
Study on Path Identification Optimization of Photoelectric Intelligent Vehicle Based on CortexM4
SHI Heyuan,PENG Kai,SHENZhengwei,LINan,LIYin,WANGJi
(School of Information Science and Engineering, Central South University, Changsha,Hunan 410075, China)
Abstract:The paper studies the optimization scheme of the intelligent vehicle path identification based on CortexM4, adopts photoelectric sensor for path recognition, combined with the path recognition algorithm and control algorithm of the intelligent vehicle ramp, speed and parking space allocation. A small photoelectric intelligent car was produced, by increasing the sensor and the improved algorithm to achieve the path identification, the car on the track path, in the face of the ramp, obstacles to automatically respond. The actual results validate the research efficiency.
Key words:CortexM4;photoelectric intelligent vehicle;path identification
1 引 言
智能汽车是主要依靠车内以计算机系统为主的智能驾驶仪来实现无人驾驶的汽车。无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物。目前国内对于无人驾驶车辆主要有三大系统支撑：环境感知系统，定位导航系统，控制系统。智能汽车自主通过程序实现驾驶，给人们的出行安全带来更大的保障。其技术涵盖智能控制、模式识别等学科前沿的热点研究领域，研究与应用具有巨大的理论和现实意义。20世纪70年代开始，美国、英国、德国等发达国家开始进行无人驾驶汽车的研究，目前在可行性和实用化方面都取得了突破性的进展。美国在无人驾驶技术上应该是全球走得最远的国家，他们在2004年、2005年就已经举办过智能车挑战赛。我国从上世纪80年代开始着手无人驾驶汽车的研制开发，虽与国外相比还有一些距离，但目前也取得了阶段性成果。
由教育部高等学校自动化专业教学指导委员会主办的飞思卡尔杯全国大学生智能车竞赛，已列入教育部主办的全国五大竞赛之一，涵盖了控制、电子、电气、传感技术、计算机、模式识别、机械等多个学科的专业知识，极具挑战性。竞赛使用Freescale半导体公司的微控制器作为核心控制模块，通过增加电源管理模块、路径识别模块、车速检测模块、电机驱动电路、舵机转向控制及编写相应软件，制作一部能够自主识别路线的智能车，并在专门设计的跑道上自动识别道路行驶［1］。
目前能够用于智能车路径识别的传感器主要有光电传感器和CCD/CMOS传感器，光电寻迹方案的优点是物理结构简单、信号处理速度快，但是前瞻距离有限；摄像头方案的优点是能更早感知前方路径信息，但是信号数据处理较为复杂。由于路径识别在整个控制系统中占重要地位，而且路径识别的精确程度与传感器的选择和数量有直接联系，因此本文针对光电传感系统，讨论路径识别解决方案。
2 系统设计方案
智能车硬件系统如图 1所示，主要包括控制核心(CortexM4)、电源模块、路径识别模块、车速检测模块、电机驱动电路、舵机转向控制模块。
图1 智能车系统结构
控制芯片选用基于CortexM4高速内核的低功耗处理器，它可以内嵌实时操作系统，和传统的控制方式相比，外设资源更丰富，可满足各类传感器通讯需求，性能更好。CortexM4内核还带有单精度浮点运算单元(FPU)，数据处理能力更强。整车利用CortexM4作为核心控制单元，利用车体前方的光电传感器作为路径识别的传感器，经MCU的I/O处理，控制车体的运动，同时内部模块发出两路PWM波，驱动直流电机对车体进行加减速控制和驱动伺服电机对车体进行转向控制，完成转向、前进、制动等功能，使智能车在赛道上能自主行使。
光电传感器用于检测路面信息，其原理是由发射管发射一定波长的激光，经地面反射到接收管。发射管发射的激光具有一定的方向性，当激光照射到白色表面上时会有较大的反射，如果距离的取值合适，接收管可接收到反射回的激光，再利用红外接收管的电气特性，在电路中处理激光的接收信息；如果反射表面为黑色，大部分红外光会被表面吸收，接收管就难以收到激光。这样，就可以利用红外收发管组成的光电传感器检测赛道黑线，实现智能车的路径识别。由于采用这种机理，实际的比赛或者测试中同样需要对赛道进行合理设计。
计算技术与自动化2014年6月
第33卷第2期施鹤远等：基于CortexM4的光电智能车路径识别最优化研究
3 路径识别算法设计
3.1 跑道设计
跑道的设计应模拟现实世界。在尽量不改变现实世界中公路的前提下，增加智能车所必须的各种标志，要能够完成车子直道不跑偏、弯道能够顺利转、能根据限速信息限速、在交叉口可以自主选择道路等要求。例如采用将跑道抽象为白色，跑道两边粘贴黑色胶带标志跑道边缘，在需要限速的跑道中央连续贴若干不同宽度的黑胶带，交叉口提前引出黑线，十字交叉口全部空白等的设计方法。
3.2 跑道识别
主控模块需能根据激光模块撒到跑道上的点所接收到的状态值判断出跑道的类型，识别跑道类型是主控模块给定各执行机构控制量的依据。跑道类型包括直道、弯道、十字交叉口、普通交叉口、坡道、限速段、停车位等。
将激光分射在赛道两边，同时获取赛道两边的信息。后排传感器有18个发射单元，6个接收单元，我们使用的是1对3的策略。由于激光点间距2CM，故将18个点分为两组，每组9点，使其中5个点在赛道白板上，余下4个点在黑线外面或黑线上。分布示意图见图 2。
赛道位置获取方案［2］~［4］：首先得到前排激光模块接收到的路面信息的18位数据，0代表白色，1代表黑色。通过分阶段穷举算法得到道路偏转方向及偏转角度。具体算法是：
1）将18位数据分为2个9位数据，分别代表左侧信息和右侧信息；
2）再将左侧9位数据3个3位数据，分别穷举3位数据可能的状态。考虑到在道路上的情况，每个点依次有1、2、4种穷举状态。因此9位数据一共需要7*3=21次穷举即可列举尽所有道路信息，列举过程中赋予相应左侧偏差值；
右侧9位数据列举过程类似步骤②，并赋予相应右侧偏差值。
图2 激光点分布图
3.3 其它模式识别与控制
坡道：主控模块需能根据激光模块测到前方的点所接收到的状态值判断出前方一定范围内是否坡道。在程序中设置有标志位，若标志位为1，则转入坡道程序进行处理。
限速：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断出跑道是否限速，如有，则根据限速值降速行驶，否则自动选择适当的速度行驶。
停车位：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断前方是否有停车标志位，如有，则迅速停车。
转弯：主控模块根据激光模块所接收到的跑道状态的偏差来控制转向舵机的控制值以决定前轮转角转角大小，同时给电机控制部分适当的减速，达到转弯的最优路径，使车辆不会冲出跑道，从而使车子在跑道上始终以最优路径行驶。
其中主要是采用智能模糊控制［5~8］。根据获取的赛道信息数据分析有4种情况：①左右信息均非白；②左右信息全白；③左侧信息全白，右侧不为全白；④右侧信息全白，左侧不为全白。
模糊变量选择如下：
1)偏差E为|Br-Bl|，偏差变化率ΔE=|Br-Bl|-|PreBr-PreBl|；
2)偏差E为前20次E的平均值，偏差变化率ΔE为前20次ΔE的平均值；
3)偏差E为Br，偏差变化率ΔE=Br-PreBr；
4)偏差E为Bl，偏差变化率ΔE=Bl-PreBl。
速度：主控模块根据激光模块接收到的跑道类型以及摇头舵机当前转角与理想转角的偏差来控制当前所需的速度，采用PID算法，并能做到加速及时、减速迅速、需要匀速行驶时速度变化在较小范围内。
定位导航：主控模块在识别到十字交叉口时需能根据激光采集赛道信息，当接收管全能接收到信号时，十字弯标志位置位。在识别起跑线是主要采用跳变法，当下排左右两侧同时出现1次以上的跳变（由白到黑或由黑到白）时，便将起跑线标志位置位。
4 实验结果
搭建模拟现实环境的高逼真赛道和硬件稳定、机械精简安全的高性能智能汽车模型，智能汽车能高速稳定安全的运行完整个赛道，并顺利完成蔽障、停车等功能。硬件方面设计好控制电路PCB板并交付工厂加工制作，同时留有一定的余量。传感器的调试需要考虑前瞻性和精确度，方便采集和接收赛道信息，使用IAR System出品的编译器IAR以及硬件程序下载器——JTAG来开发智能小车的软件系统，并通过程序改动来控制小车的运行情况。基于此，开发了一套适合智能汽车运行的最优化的路径识别控制方案，通过调试和改良，具有很高的可移植性和兼容性。
5 结 语
基于Cortex-M4的光电智能车路径识别是近些年来重要的研究方向。本文基于课题Z12029和CL12294，介绍了该研究的概念、方法和应用领域，提出了路径识别的新型研究，接着，阐述了该研究的主要内容和研究方法。该研究使用飞思卡尔32位微处理器做主控芯片，处理速度快且较为准确，通过激光采集赛道信息转变为电压信号，稳定性较好，接受信息量大。同时位置控制算法使用分段综合模糊化采集信息对相关的研究有一定的指导性，跳变法的使用是该研究的一个亮点，对于任何传感器都是适用的，基于此识别起停跑线出错率减少。此外速度控制主要采用PD控制算法，能有效消除抖动，并预测下一步的动作。实际运行结果验证了所做研究的有效性。
参考文献
［1］ 卓晴, 黄开胜, 邵贝贝. 学做智能车［M］. 北京: 北京航空航天大学出版社, 2007.
［2］ 吴斌华, 黄卫华, 程磊, 杨明. 基于路径识别的智能车系统设计［J］. 电子技术应用. 2007,(3)：80-82.
［3］ 曾星星. 基于摄像头的路径识别智能车控制系统设计［J］. 湖北汽车工业学院学报,2008,(6)：72-76.
［4］ 熊凯, 邵明明, 卢红海. 中南大学比亚迪双鱼座2012技术报告［R］. 2012.
［5］ 罗强, 徐文城, 刘尧. 基于激光传感器的智能车路径识别系统设计［J］.电气自动化,2012,(5):88-90.
［6］ 王击, 罗安, 蔡自兴. 智能控制在时滞系统中的算法研究［J］. 基础自动化,2001,8(6):4-6.
［7］ 杨凯峰, 王击, 彭辉, 基于fuzzyTech智能小车神经模糊控制器的实现［J］. 西北农林科技大学学报:自然科学版,2012,40(12):230-234.
［8］ 游佳, 王击. 基于嵌入式系统的智能寻迹机器人设计［J］. 微计算机信息(嵌入式与SOC), 2009,25(8/2):176-177.
将激光分射在赛道两边，同时获取赛道两边的信息。后排传感器有18个发射单元，6个接收单元，我们使用的是1对3的策略。由于激光点间距2CM，故将18个点分为两组，每组9点，使其中5个点在赛道白板上，余下4个点在黑线外面或黑线上。分布示意图见图 2。
赛道位置获取方案［2］~［4］：首先得到前排激光模块接收到的路面信息的18位数据，0代表白色，1代表黑色。通过分阶段穷举算法得到道路偏转方向及偏转角度。具体算法是：
1）将18位数据分为2个9位数据，分别代表左侧信息和右侧信息；
2）再将左侧9位数据3个3位数据，分别穷举3位数据可能的状态。考虑到在道路上的情况，每个点依次有1、2、4种穷举状态。因此9位数据一共需要7*3=21次穷举即可列举尽所有道路信息，列举过程中赋予相应左侧偏差值；
右侧9位数据列举过程类似步骤②，并赋予相应右侧偏差值。
图2 激光点分布图
3.3 其它模式识别与控制
坡道：主控模块需能根据激光模块测到前方的点所接收到的状态值判断出前方一定范围内是否坡道。在程序中设置有标志位，若标志位为1，则转入坡道程序进行处理。
限速：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断出跑道是否限速，如有，则根据限速值降速行驶，否则自动选择适当的速度行驶。
停车位：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断前方是否有停车标志位，如有，则迅速停车。
转弯：主控模块根据激光模块所接收到的跑道状态的偏差来控制转向舵机的控制值以决定前轮转角转角大小，同时给电机控制部分适当的减速，达到转弯的最优路径，使车辆不会冲出跑道，从而使车子在跑道上始终以最优路径行驶。
其中主要是采用智能模糊控制［5~8］。根据获取的赛道信息数据分析有4种情况：①左右信息均非白；②左右信息全白；③左侧信息全白，右侧不为全白；④右侧信息全白，左侧不为全白。
模糊变量选择如下：
1)偏差E为|Br-Bl|，偏差变化率ΔE=|Br-Bl|-|PreBr-PreBl|；
2)偏差E为前20次E的平均值，偏差变化率ΔE为前20次ΔE的平均值；
3)偏差E为Br，偏差变化率ΔE=Br-PreBr；
4)偏差E为Bl，偏差变化率ΔE=Bl-PreBl。
速度：主控模块根据激光模块接收到的跑道类型以及摇头舵机当前转角与理想转角的偏差来控制当前所需的速度，采用PID算法，并能做到加速及时、减速迅速、需要匀速行驶时速度变化在较小范围内。
定位导航：主控模块在识别到十字交叉口时需能根据激光采集赛道信息，当接收管全能接收到信号时，十字弯标志位置位。在识别起跑线是主要采用跳变法，当下排左右两侧同时出现1次以上的跳变（由白到黑或由黑到白）时，便将起跑线标志位置位。
4 实验结果
搭建模拟现实环境的高逼真赛道和硬件稳定、机械精简安全的高性能智能汽车模型，智能汽车能高速稳定安全的运行完整个赛道，并顺利完成蔽障、停车等功能。硬件方面设计好控制电路PCB板并交付工厂加工制作，同时留有一定的余量。传感器的调试需要考虑前瞻性和精确度，方便采集和接收赛道信息，使用IAR System出品的编译器IAR以及硬件程序下载器——JTAG来开发智能小车的软件系统，并通过程序改动来控制小车的运行情况。基于此，开发了一套适合智能汽车运行的最优化的路径识别控制方案，通过调试和改良，具有很高的可移植性和兼容性。
5 结 语
基于Cortex-M4的光电智能车路径识别是近些年来重要的研究方向。本文基于课题Z12029和CL12294，介绍了该研究的概念、方法和应用领域，提出了路径识别的新型研究，接着，阐述了该研究的主要内容和研究方法。该研究使用飞思卡尔32位微处理器做主控芯片，处理速度快且较为准确，通过激光采集赛道信息转变为电压信号，稳定性较好，接受信息量大。同时位置控制算法使用分段综合模糊化采集信息对相关的研究有一定的指导性，跳变法的使用是该研究的一个亮点，对于任何传感器都是适用的，基于此识别起停跑线出错率减少。此外速度控制主要采用PD控制算法，能有效消除抖动，并预测下一步的动作。实际运行结果验证了所做研究的有效性。
参考文献
［1］ 卓晴, 黄开胜, 邵贝贝. 学做智能车［M］. 北京: 北京航空航天大学出版社, 2007.
［2］ 吴斌华, 黄卫华, 程磊, 杨明. 基于路径识别的智能车系统设计［J］. 电子技术应用. 2007,(3)：80-82.
［3］ 曾星星. 基于摄像头的路径识别智能车控制系统设计［J］. 湖北汽车工业学院学报,2008,(6)：72-76.
［4］ 熊凯, 邵明明, 卢红海. 中南大学比亚迪双鱼座2012技术报告［R］. 2012.
［5］ 罗强, 徐文城, 刘尧. 基于激光传感器的智能车路径识别系统设计［J］.电气自动化,2012,(5):88-90.
［6］ 王击, 罗安, 蔡自兴. 智能控制在时滞系统中的算法研究［J］. 基础自动化,2001,8(6):4-6.
［7］ 杨凯峰, 王击, 彭辉, 基于fuzzyTech智能小车神经模糊控制器的实现［J］. 西北农林科技大学学报:自然科学版,2012,40(12):230-234.
［8］ 游佳, 王击. 基于嵌入式系统的智能寻迹机器人设计［J］. 微计算机信息(嵌入式与SOC), 2009,25(8/2):176-177.
将激光分射在赛道两边，同时获取赛道两边的信息。后排传感器有18个发射单元，6个接收单元，我们使用的是1对3的策略。由于激光点间距2CM，故将18个点分为两组，每组9点，使其中5个点在赛道白板上，余下4个点在黑线外面或黑线上。分布示意图见图 2。
赛道位置获取方案［2］~［4］：首先得到前排激光模块接收到的路面信息的18位数据，0代表白色，1代表黑色。通过分阶段穷举算法得到道路偏转方向及偏转角度。具体算法是：
1）将18位数据分为2个9位数据，分别代表左侧信息和右侧信息；
2）再将左侧9位数据3个3位数据，分别穷举3位数据可能的状态。考虑到在道路上的情况，每个点依次有1、2、4种穷举状态。因此9位数据一共需要7*3=21次穷举即可列举尽所有道路信息，列举过程中赋予相应左侧偏差值；
右侧9位数据列举过程类似步骤②，并赋予相应右侧偏差值。
图2 激光点分布图
3.3 其它模式识别与控制
坡道：主控模块需能根据激光模块测到前方的点所接收到的状态值判断出前方一定范围内是否坡道。在程序中设置有标志位，若标志位为1，则转入坡道程序进行处理。
限速：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断出跑道是否限速，如有，则根据限速值降速行驶，否则自动选择适当的速度行驶。
停车位：主控模块需能根据激光模块测到跑道中央的点所接收到的状态值判断前方是否有停车标志位，如有，则迅速停车。
转弯：主控模块根据激光模块所接收到的跑道状态的偏差来控制转向舵机的控制值以决定前轮转角转角大小，同时给电机控制部分适当的减速，达到转弯的最优路径，使车辆不会冲出跑道，从而使车子在跑道上始终以最优路径行驶。
其中主要是采用智能模糊控制［5~8］。根据获取的赛道信息数据分析有4种情况：①左右信息均非白；②左右信息全白；③左侧信息全白，右侧不为全白；④右侧信息全白，左侧不为全白。
模糊变量选择如下：
1)偏差E为|Br-Bl|，偏差变化率ΔE=|Br-Bl|-|PreBr-PreBl|；
2)偏差E为前20次E的平均值，偏差变化率ΔE为前20次ΔE的平均值；
3)偏差E为Br，偏差变化率ΔE=Br-PreBr；
4)偏差E为Bl，偏差变化率ΔE=Bl-PreBl。
速度：主控模块根据激光模块接收到的跑道类型以及摇头舵机当前转角与理想转角的偏差来控制当前所需的速度，采用PID算法，并能做到加速及时、减速迅速、需要匀速行驶时速度变化在较小范围内。
定位导航：主控模块在识别到十字交叉口时需能根据激光采集赛道信息，当接收管全能接收到信号时，十字弯标志位置位。在识别起跑线是主要采用跳变法，当下排左右两侧同时出现1次以上的跳变（由白到黑或由黑到白）时，便将起跑线标志位置位。
4 实验结果
搭建模拟现实环境的高逼真赛道和硬件稳定、机械精简安全的高性能智能汽车模型，智能汽车能高速稳定安全的运行完整个赛道，并顺利完成蔽障、停车等功能。硬件方面设计好控制电路PCB板并交付工厂加工制作，同时留有一定的余量。传感器的调试需要考虑前瞻性和精确度，方便采集和接收赛道信息，使用IAR System出品的编译器IAR以及硬件程序下载器——JTAG来开发智能小车的软件系统，并通过程序改动来控制小车的运行情况。基于此，开发了一套适合智能汽车运行的最优化的路径识别控制方案，通过调试和改良，具有很高的可移植性和兼容性。
5 结 语
基于Cortex-M4的光电智能车路径识别是近些年来重要的研究方向。本文基于课题Z12029和CL12294，介绍了该研究的概念、方法和应用领域，提出了路径识别的新型研究，接着，阐述了该研究的主要内容和研究方法。该研究使用飞思卡尔32位微处理器做主控芯片，处理速度快且较为准确，通过激光采集赛道信息转变为电压信号，稳定性较好，接受信息量大。同时位置控制算法使用分段综合模糊化采集信息对相关的研究有一定的指导性，跳变法的使用是该研究的一个亮点，对于任何传感器都是适用的，基于此识别起停跑线出错率减少。此外速度控制主要采用PD控制算法，能有效消除抖动，并预测下一步的动作。实际运行结果验证了所做研究的有效性。
参考文献
［1］ 卓晴, 黄开胜, 邵贝贝. 学做智能车［M］. 北京: 北京航空航天大学出版社, 2007.
［2］ 吴斌华, 黄卫华, 程磊, 杨明. 基于路径识别的智能车系统设计［J］. 电子技术应用. 2007,(3)：80-82.
［3］ 曾星星. 基于摄像头的路径识别智能车控制系统设计［J］. 湖北汽车工业学院学报,2008,(6)：72-76.
［4］ 熊凯, 邵明明, 卢红海. 中南大学比亚迪双鱼座2012技术报告［R］. 2012.
［5］ 罗强, 徐文城, 刘尧. 基于激光传感器的智能车路径识别系统设计［J］.电气自动化,2012,(5):88-90.
［6］ 王击, 罗安, 蔡自兴. 智能控制在时滞系统中的算法研究［J］. 基础自动化,2001,8(6):4-6.
［7］ 杨凯峰, 王击, 彭辉, 基于fuzzyTech智能小车神经模糊控制器的实现［J］. 西北农林科技大学学报:自然科学版,2012,40(12):230-234.
［8］ 游佳, 王击. 基于嵌入式系统的智能寻迹机器人设计［J］. 微计算机信息(嵌入式与SOC), 2009,25(8/2):176-177.
