楊 東，胡春華，水存洋，周國平

(南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇 南京 210037)

智能小車是一種擁有感知能力的機器人，可以按照人為設(shè)定的模式自動的運行，而不依賴人為管理。智能小車不僅能夠?qū)崿F(xiàn)循跡、避障等功能，還可以實現(xiàn)定點停車，遠程數(shù)據(jù)傳輸?shù)裙δ堋τ诋?dāng)前機器人的軌跡跟蹤問題，期望輸出的時變性是此類運動控制的難點所在，因此需要合理的控制策略。對于這類控制策略，國內(nèi)外都進行了較為系統(tǒng)的研究。B.d’Andrea Nov-el［1］等在分析非線性機器人的結(jié)構(gòu)與其反饋線性化的關(guān)系的基礎(chǔ)上，利用微分平坦的概念，通過引入動態(tài)反饋，以得到滿足指數(shù)收斂的存在奇異點的局部跟蹤控制律。Back－Stepping 控制方法適用于嚴格反饋控制系統(tǒng)，控制器的構(gòu)造依據(jù)李雅普諾夫函數(shù)，實現(xiàn)積分環(huán)節(jié)串聯(lián)的各子系統(tǒng)逐級穩(wěn)定。自適應(yīng)控制［2］在受控參數(shù)發(fā)生變化的系統(tǒng)中不需要系統(tǒng)動力學(xué)模型信息，而只需通過及時地辨識、學(xué)習(xí)和調(diào)整控制律，自適應(yīng)地調(diào)整控制器增益。自適應(yīng)方法的缺點是實現(xiàn)復(fù)雜，難于滿足不確定性機器人控制的實時性要求，在參數(shù)不確定的情況下，自適應(yīng)控制也很難保證系統(tǒng)的穩(wěn)定性。近年來，人工智能技術(shù)有了較大的進步，智能控制的系統(tǒng)設(shè)計中不再依賴于數(shù)學(xué)模型，不僅擺脫了非線性的束縛，同進也為不確定性機器人軌跡控制提供了新的手段，具有廣闊的應(yīng)用前景。在軌跡跟蹤控制問題上，主要應(yīng)用的是模糊控制［3，4］和神經(jīng)網(wǎng)絡(luò)控制［5］。模糊控制不依賴對象的數(shù)學(xué)模型，通過人為專家控制經(jīng)驗來解決系統(tǒng)中動態(tài)特性的非線性和不確定因素，具有較強的魯棒性。

本文以智能小車為研究對象，搭建了硬件系統(tǒng)，針對控制要求設(shè)計了一種二維模糊控制器，實現(xiàn)智能車快速、精確地循跡控制。

1 硬件電路的設(shè)計

本設(shè)計主要通過指定路徑尋找物體并搬回原地。智能搬運小車的控制系統(tǒng)使用的芯片是32 位單片機STM32F103ZET6 作為核心控制單元。智能搬運小車使用紅外傳感器采集路徑的信號，將信號傳到單片機進行判別處理，然后對電機和舵機進行控制，完成對小車行進方向以及速度的控制。這個智能搬運小車的循跡系統(tǒng)主要是由以下幾個部分組成:核心控制單元模塊、傳感器模塊、電機驅(qū)動模塊。

在電機驅(qū)動模塊中，輪式小車四輪各用一個直流減速電機驅(qū)動，通過調(diào)制占空比控制兩側(cè)輪子的轉(zhuǎn)速。在車體前部分別裝有9 對反射式紅外傳感器，當(dāng)小車偏左側(cè)傳感器檢測到黑線時，表明小車車頭向右邊偏移，這時主控芯片通過單片機控制左輪電機減速，右輪電機加速，車體向左修正。同理當(dāng)小車偏右側(cè)傳感器檢測到黑線時，主控芯片通過單片機控制右輪電機減速，左輪電機加速，車體向右修正。當(dāng)黑線在車體正中，中間的傳感器檢測到黑線時，小車直行。其循跡流程如圖1 所示。

圖1 小車循跡流程

由硬件設(shè)計中光電管在電路板中的布局可知光電管的具體坐標(biāo)值，當(dāng)某個光電管檢測到了黑線時，得到了黑線距離小車中心軸線的偏離值d，示意圖如圖2 所示。

圖2 小車偏差示意圖

由偏離值可以得出方向偏差:

得出夾角:

θ 的大小反應(yīng)了小車前方道路與當(dāng)前位置的方向關(guān)系，其值越大表明當(dāng)前小車將要轉(zhuǎn)的角度越大，“+”號代表小車向右轉(zhuǎn)，“一”號代表小車向左轉(zhuǎn)。因此，小車在道路上行駛時，它與黑色路徑線的相對位置可由小車的方向偏差和偏差率來描述，這兩個參數(shù)可以作為算法的輸入量，為小車的轉(zhuǎn)角提供依據(jù)。

2 二維模糊控制器的設(shè)計

模糊控制可以不需要建立精確的數(shù)學(xué)模型，而可以依據(jù)人們的經(jīng)驗建立模糊控制規(guī)則來控制系統(tǒng)。根據(jù)輸入變量的個數(shù)，模糊控制器可以分為一維、二維和三維模糊控制器。

一維模糊控制器控制的系統(tǒng)誤差較大，易產(chǎn)生震蕩，小車速度不穩(wěn)定;三維模糊控制器設(shè)計復(fù)雜，造成不必要的浪費，綜合一維和三維控制器的缺點，本文設(shè)計一款二維模糊控制器實現(xiàn)小車的循跡控制［6］。

當(dāng)不同傳感器在黑色引導(dǎo)線上時，也就表征了偏離軌道信息。不同傳感器與黑色引導(dǎo)線位置的偏差和賽道的曲率成正比，并且黑色引導(dǎo)線位置偏差的計算量比賽道曲率的計算量大很多。因而將偏離中心線的偏差和偏差變化率作為模糊控制器的輸入量，模糊控制器的輸出量選擇為小車轉(zhuǎn)向角θ 和車速V。

紅外傳感器檢測到黑線在正中間時，判斷當(dāng)前賽道為直線，小車在保證穩(wěn)定的情況下加速前進;紅外傳感器檢測到黑線在兩旁時，判斷當(dāng)前賽道為彎道，小車迅速減速前進，以免沖出跑道，因此對控制的響應(yīng)時間和控制精度的要求非常嚴格。采用模糊控制小車，不需要建立確定的數(shù)學(xué)模型就能有效地控制小車的轉(zhuǎn)向角和速度。控制系統(tǒng)結(jié)構(gòu)框圖如圖3 所示。選擇小車相對于黑線的偏移角E 和偏移變化率EC作為模糊控制器的輸入變量，轉(zhuǎn)向角θ 和速度V 為模糊控制器的輸出變量。

在輸入語言變量E 和EC 的論域中，取語言值:偏差角左偏超過40°，我們設(shè)定為“NB”(嚴重偏左)、左偏在20°，設(shè)定為“NS”(較為偏左)、沒有偏差角，我們設(shè)定為“Z”(無偏移)、偏差角右偏20°，設(shè)定為“PS”(較為偏右)、右偏超過40°，我們設(shè)定為“PB”(嚴重偏右)。同樣，在輸出語言變量θ 和V 的論域中，取語言值:“LB”表示左輪比右輪速度轉(zhuǎn)速慢很多、“LS”表示左輪速度比右輪速度轉(zhuǎn)速略慢、“Z”表示左輪等于右輪速度、“RS”表示右輪速度比左輪速度轉(zhuǎn)速略慢、“RB”表示右輪比左輪速度轉(zhuǎn)速慢很多;設(shè)定隸屬函數(shù)分布為三角分布［7］，如圖4 所示。很容易看出，在幾個離散的論域點，隸屬度只有0、0.5 和1 三種，直觀而且容易實現(xiàn)。

圖3 速度控制系統(tǒng)結(jié)構(gòu)框圖

圖4 E、EC 隸屬函數(shù)

接著，我們根據(jù)輸入及輸出物理量數(shù)目及所需的控制精度設(shè)定模糊規(guī)則。根據(jù)小車自身的運行特性及人類的控制經(jīng)驗寫出模糊控制器的隸屬度函數(shù)的離散化表格和模糊規(guī)則表格，如表1 和表2 所示。

表1 隸屬度函數(shù)的離散化表格

表2 模糊規(guī)則表

模糊量的清晰化方法有很多種，主要有最大隸屬度法、加權(quán)平均法(重心法)和中位數(shù)法。這里采用重心法對模糊量進行清晰化。模糊輸出為權(quán)值，對輸出模糊子集對應(yīng)的模糊單點集值求加權(quán)平均。采用下式確定控制輸出:

式中，Uu為各個輸出模糊子集對應(yīng)的模糊單點集的值;Ui為輸出對該子集的隸屬度;n 為輸出模糊子集數(shù)［8］。

3 實驗結(jié)果分析

通過對智能車長時間的調(diào)試，在一組穩(wěn)定的控制器參數(shù)和相同的20 m 的不同路況賽道下，測得采用普通PID 控制和模糊控制的誤差，數(shù)據(jù)如表3～表5 所示。

表3 小車在直線軌道上的誤差對比

表4 小車在蛇形彎道上的行駛情況

表5 小車在90°直角彎道上的行駛情況

數(shù)據(jù)表明，二級模糊控制器與普通PID 控制器相比，彎道角度越大，模糊控制器對轉(zhuǎn)角的糾正越明顯。同時在三種路況下，速度上也分別有11.2%、10.2%、10.5%的提升。小車行駛平穩(wěn)可靠，可以達到預(yù)期的效果。

4 結(jié)論

本文主要對智能小車的循跡控制進行了設(shè)計。小車利用紅外傳感器對道路信息進行采集并分析，經(jīng)過二維模糊器的分析處理，實現(xiàn)小車的自循跡跟蹤。不同路況的實驗數(shù)據(jù)表明，二維模糊控制器在有效糾正軌道偏差的同時，保證了小車的快速度行進。

［1］B'dAndrea-Novel.G.Campion，Control of Nonholonomic Wheeled Mobile Robots by State Feedb-ack Linearization［J］.The International Journal of Robotics Research，1995，14(6):543－559.

［2］李勝，馬國梁，胡維禮.一類不確定非完整移動機器人的時變自適應(yīng)鎮(zhèn)定［J］.機器人，2005，27(1):10－13.

［3］Lin C T，Lee C S.Neural-Network-Based Fuzzy Logic Control and Design System［J］.IEEET Ransactions on Computer，1991，40(12):1320－1329.

［4］Fierro R，Lewis F L.Control of Nonholonomic Mobile Robot Using Neural netwok［J］.IEEE Transactions on Neural Networks，1998，9(4):589－599.

［5］Lin C T，George C S.Reinforcement Structure/Parameter Learning for Neural-network-based Fuzzy Logic Control Systems［J］.IEEE Transactions on Fuzzy System，1994，2(1):72－84.

［6］李以農(nóng)，鄭玲，譙艷娟.汽車縱向動力學(xué)系統(tǒng)的模糊-PID 控制［J］.中國機械工程，2006，17(1):99－103.

［7］寧慧慧，余紅英.基于紅外光電傳感器的智能車兩輪差速轉(zhuǎn)向模糊控制［J］.工業(yè)控制計算機，2010，23(1):94－95.

［8］黃杰，秦補技.基于模糊控制的智能循跡小車的設(shè)計［J］.中國科技信息，2010(20):148－149.