基于树莓派摄像头的双轮循迹平衡车设计

，，，，

(中南民族大学 计算机科学学院，武汉 430074)

引 言

本文所设计的控制系统主要包括平衡与运动控制系统、位置获取与分析系统两个子系统。平衡与运动控制系统以STM32F103单片机为核心处理器，通过姿态传感器MPU6050监测车身所处的俯仰状态和状态变化率，经过PID算法调节，保证小车在按照指令前行的情况下保持平衡；树莓派和摄像头组合充当平衡车的眼睛以获取位置信息。该设计旨在实现双轮小车在直立平衡的状态下，根据树莓派传回的不同数据沿着黑色赛道行驶，以实现自主循迹的功能。在自主循迹的前提下亦可发展无人传输物品，以减少人力的使用。通过对该系统的介绍，重点讲述小车循迹控制算法的实现。

1 双轮平衡车国内外研究现状

1986年，日本电通大学的山滕一雄(Kazuo Yamafuji)教授提出基于倒立摆模型设计自平衡模型的概念，并设计制造了一个两轮共轴、重心在上的自平衡模型。

近十几年来，在双轮自平衡模型的研究上，国内外众多专家和爱好者们取得了一系列的成果，推动了自平衡技术的发展和成熟[1]。2002年，美国Lego公司设计了一款两轮自平衡传感式机器人，简称 Legway[2]；2005年，美国Southern Methodist University的David P.Anderson教授设计了一款双轮移动机器模型，取名nBot[3]；2007年，深圳固高科技有限公司研制了一款用于教育教学示范的自平衡模型，即GBOT1001机器人[4]；2008年，美国Tiger电子公司和日本Sega玩具公司联合推出了AMP[5](Automated Musical Personality)两轮自平衡机器人。

作为科学实验仪器的自平衡模型的涌现，推动两轮机器人学以及相关学科的研究和发展，同时也启发了人们向载人运动方向发展的思路。两轮载人自平衡车具有占地面积小、运动灵活敏捷的特点，由此提供了一种新式交通工具的设计概念。

Segway[6]是第一个推出载人自平衡车品牌并成功推入市场的公司，其由美国著名发明家Dean Kamen 创立，2003年首次推出第一代Segway概念型自平衡车；2005年，中国科学技术大学自动化系和力学系多位教授、博士和研究生研制了自平衡两轮电动代步车Free Mover[7]；2008年，日本的丰田公司(TOYOTA)推出了一款两轮个人交通工具Winglet[8]；2014年小米科技公司投资ninebot，开始致力于解决5公里或10公里内的短途交通问题；2015年4 月ninebot收购Segway公司，成为全球最大的平衡车公司，同年10月19日，ninebot迷你九号平衡车作为小米生态链公司的一个新领域产品，正式发布。

2 系统整体设计

所设计的双轮小车主要由两大部分组成：第一部分为硬件设计，第二部分为软件设计。其中核心板模块、姿态检测模块、电机驱动板模块、Raspberry Pi高清摄像头板模块和Raspberry Pi3等组成了系统的硬件部分；姿态检测算法、PID算法、通信方案的程序设计、小车循迹控制算法构成了系统的软件部分。小车平衡与控制系统设计过程中涉及的直立行走任务分解、车模直立控制、车模速度控制等借鉴了参考文献[9]。系统的整体框图如图1所示。

图1 系统整体框图

3 双轮平衡车硬件组成

3.1 平衡车车架

平衡车车架由两台42步进电机(含步进电机支架、联轴器)、橡胶轮胎、亚力克载物台、12 V锂电池等组成，12 V锂电池采用DC头作为输出接口，方便电源的插拔。

3.2 核心板模块

核心板模块的主控制器芯片为STM32F103VCT6，其包括板载MCU的基本电路、晶振电路、复位电路、LDO电路、MicroUSB接口，至少支持2路硬件UART、预留8路硬件PWM、支持2路I2C、1路硬件SPI、8路模拟输入；包含8路外部中断；电平标准采用3.3 V。

3.3 姿态检测模块

姿态检测模块主控制器芯片为MPU6050，包含I2C接口、板载LDO电路，其工作电源电压为3.3 V。MPU6050整合了3 轴陀螺仪、3 轴加速计，并含可藉由第二个I2C端口连接其他厂商加速器、磁力传感器或其他传感器的数位运动处理(Digital Motion Processor，DMP)硬件加速引擎，由主要I2C端口以单一数据流的形式向应用端输出完整的9轴融合演算技术InvenSense 的运动处理资料库，可处理运动感测的复杂数据。

3.4 电机驱动板

步进电机驱动模块采用DRV8825方案，其为TI公司生产的一种高电压、大电流步进电机驱动芯片，可实现大电流、快速响应的双极步进电机驱动。DRV8825可以驱动一个两相四线的步进电机，也可以驱动两个直流有刷电机，输入电压为8.2～45 V，最大电流为1.7 A，可以承受2.5 A的瞬间电压，可通过PWM输入来驱动。

3.5 Raspberry Pi高清摄像头板

Raspberry Pi高清 (HD) 摄像头板可连接至 Raspberry Pi，可以创建高清视频和静止摄影。它利用 Sony 的 IMX219PQ 图像传感器提供高速视频成像和高灵敏度。Raspberry Pi 摄像头模块可减少图像污染，如固定模式噪声和拖尾效应。 它还具有自动控制功能，如曝光控制、白平衡和亮度检测。

3.6 Raspberry Pi3

Raspberry Pi型号 B 是信用卡大的计算机板，当添加了键盘、鼠标、显示屏、电源和已安装OS的 MicroSD卡时，可以启动和运行。它是基于微型 ARM的PC，可运行许多通常需要台式PC的应用(如电子表格、文字处理和游戏)，它还可播放高清视频。

4 软件设计

4.1 系统流程图

图2 程序流程图

双轮平衡车“跑”起来的过程如图 2所示。首先，初始化各个外设，主函数将一直在 while(1)循环执行。定时器中断每 10 ms 触发一次，从主函数跳到中断回调相应函数，完成数据采集、处理、控制整个过程(首先获取当前小车的姿态即倾角，然后读取树莓派传回的数据，处理完后，更新PID输出，完成电机控制)。执行完立刻返回到上次主函数执行的位置继续执行。

4.2 姿态检测算法

在双轮平衡车姿态检测系统中，MPU6050主要用于获取小车倾斜角和倾斜角的变化率[10]，其中加速度计可以精确计算车体静止时的角度；陀螺仪的输出值是旋转角速率，通过角速率对时间积分即可得到角度值，系统采用STM32F103单片机循环采样获取陀螺仪的角速率信息，对采样值进行累加实现积分功能来计算角度值，此方法存在累积误差，为获得可靠的车体倾角值，系统采用卡尔曼滤波对加速度计和陀螺仪的输出值进行融合。

4.3 PID算法

考虑到现在两轮平衡车均采用通过 MPU6050姿态传感器读取小车当前状态，当双轮平衡车的平衡状态被破坏时，系统采用PID控制算法[10]，通过整合车体角度、角速度和车体速度等参数值，输出PWM信号驱动电机，产生相应的力矩，使得车体保持动态平衡，其结构框图如图3所示。

图3 PID算法框图

4.4 通信方案的实现与程序设计

利用Raspberry Pi3处理摄像头采集信息，并将处理后的信息以字节形式通过串口传输到STM32F103VCT6。STM32F103VCT6将接收的信息分解成两部分，将字节的最高位作为方向，1表示右，0表示左，低七位表示为速度；停止信息分别为0xff和0x7f，运行期间Raspberry Pi3返回的低七位构成的数值大小范围为0～100，小车初始速度+数值大小×系数等于其中一个轮子的速度，另一个轮子的速度等于小车初始速度-数值大小×系数。

4.5 小车循迹控制

循迹是指小车在白色的纸(地板等)上循黑线行走，本文的循迹是采用摄像头采集图像并分析实线，即用摄像头拍摄白色纸上的黑色引导线，树莓派利用最小二乘法拟合路径[11]得到路径方向和位置，将转弯信息通过串口的方式传送给STM32主控制器，STM32F103VCT6将接收到的数据用于转换为轮子速度和方向的控制。以保证小车能正常沿着黑色引导线行驶。图4为行驶图，黑色为引导线，白色线条为切线，车会沿着切线方向行走如图5所示。

图4 小车行驶图

图5 摄像头拍摄的图片并作出切线

树莓派运行的是基于Debian的树莓派定制系统Raspbian OS，图像处理程序使用Python3.5编写，图像处理逻辑依赖OpenCV2、Numpy、Pyserial实现。

程序首先从摄像头获取图像，由于树莓派性能有限，但又要有较为精确的识别，最后采用160×90的分辨率，最后得到的帧率接近60 fps，保证了小车具有较高的反应速度。

程序再对图像进行隔行扫描，获取每行的路径边缘，取左右边界中心得到小车轨迹中心。最后以水平向右方向为y轴，竖直向下为x轴，建立坐标系，对得到的离散点使用最小二分法进行直线拟合，如图6所示。最小二分法拟合函数参数k、b的计算公式如下：

(1)

(2)

图6 树莓派返回数据生成的表

最后得到直线斜率k，再转换为弧度theta即为小车角度偏移，作为小车方向控制的主要参数。同时，取拟合的直线中点，计算到图像中心的距离dist，作为小车的距离偏移，于是得到小车的转弯结果为：

turn=k1×theta+k2×dist

turn的绝对值为转弯幅度，turn的正负代表转弯方向。最后将turn转化为8位，通过串口传输到STM32主控制器，然后进行相应的转弯控制。

小车循迹程序设计：

'''隔行扫描'''

def getBorder(self, th, row, find_step=2, confidence=2):

size =th.shape

left = 0

right = size[1]

black_count = 0

white_count = 0

black_overed = False

for i in range(0, size[1], find_step):

pixel =th[row][i]

if pixel == 0:

if notblack_overed:

left = i

black_overed = True

elif black_overed:

white_count += 1

if white_count >= confidence:

right =i-confidence*find_step

break

return (left, right)

'''计算最小二分法拟合函数参数k、b，判断轨迹起始、结束点 '''

def minCost(self, th, img):

sum_x2 = 0

sum_x = 0

sum_y = 0

sum_xy = 0

count = 0

size =th.shape

start_point = 0

end_point = size[0]

Xi = []

Yi = []

for i in range(start_point, end_point, 5):

border =self.getBorder(th, i)

l, r = border

if (l == 0 and r == size[1]) or (l == 0 and r == 0):

continue

x =i

y =int((l+r)/2)

Xi.append(x)

Yi.append(y)

Xi =np.array(Xi)

Yi =np.array(Yi)

Para =leastsq(leatsq_error, [1,20], args=(Xi,Yi))

k, b = Para[0]

center_x = int(sum(Xi)/len(Xi))

center_y = int(sum(Yi)/len(Yi))

center = (center_y, center_x)

theta = -math.atan(k)

distance = (center_y - size[1]/2)*200/size[1]

return (theta, distance)

结 语