張麗，徐海欽，王子文，王福忠，張濤

(河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000)

0 引 言

無人駕駛技術(shù)已成為車輛發(fā)展的新趨勢。為了推動國內(nèi)無人駕駛技術(shù)發(fā)展，全國大學(xué)生智能汽車競賽[1-3]應(yīng)運而生。在往屆比賽中，最為經(jīng)典的項目就是四輪組的競速項目。在智能車控制系統(tǒng)中，賽事所允許使用的攝像頭與控制器性能有限，采集到的圖像無法有效濾除由光照和失真所帶來的錯誤信息，使圖像處理的結(jié)果影響車輛的行駛路線[4-6]，從而間接影響比賽成績。通常，車輛轉(zhuǎn)向時沖出賽道有兩個原因：一是比賽限定了舵機(jī)型號致使其性能受到局限，無法正常轉(zhuǎn)向；二是車速和轉(zhuǎn)向無法有效關(guān)聯(lián)并進(jìn)行控制[7]。

為了有效提高智能車車速，本文結(jié)合智能車電機(jī)控制特點，采用灰度攝像頭進(jìn)行圖像處理與路徑識別，通過逆透視變換[8-10]得到理想賽道圖像，與速度環(huán)構(gòu)成串級控制；利用編碼器進(jìn)行測速，由陀螺儀檢測車身姿態(tài)在特殊元素處及時降低速度，使車輛在高速行進(jìn)的同時保持穩(wěn)定；最后通過人工蜂群算法[11-12]整定出最適控制器參數(shù)，利用PID控制器[13-14]對電機(jī)轉(zhuǎn)速進(jìn)行串級[15]閉環(huán)控制，使車輛以最優(yōu)狀態(tài)和最短時間完成比賽。

1 智能車控制系統(tǒng)結(jié)構(gòu)

以全國大學(xué)生“恩智浦”杯智能汽車競賽指定參賽車?！┧纪圔型車模為研究對象。經(jīng)過設(shè)計改裝后，該車模的參數(shù)為：車長285 mm，車寬180 mm，車高400 mm，質(zhì)量約1 kg。智能車硬件控制系統(tǒng)結(jié)構(gòu)如圖1所示。系統(tǒng)采用恩智浦公司提供的微處理器作為核心主控芯片，利用多路電源對各個模塊獨立供電，矩陣按鍵用于發(fā)車初始化設(shè)置。采用CMOS攝像頭感知車體與路面的相對位置信息，通過對競賽賽道圖像提取、識別和處理，實現(xiàn)循跡功能。此外，車輛還裝有姿態(tài)檢測陀螺儀和編碼器，這些傳感器配合使用，能夠準(zhǔn)確檢測出車輛狀態(tài)并對電機(jī)和舵機(jī)進(jìn)行控制，使車輛始終處于設(shè)定狀態(tài)運行。藍(lán)牙模塊和OLED用于顯示車輛采集到的信息，使數(shù)據(jù)可視化。

圖1 智能車控制系統(tǒng)結(jié)構(gòu)圖

2 控制策略設(shè)計

智能車車速控制的方法已經(jīng)被研究多年，應(yīng)用最為廣泛的就是通過圖像識別行車路徑，控制舵機(jī)轉(zhuǎn)向?qū)崿F(xiàn)循跡，再通過位置式PID對后輪電機(jī)實現(xiàn)速度的閉環(huán)控制[16]。但是，這種方向開環(huán)與速度閉環(huán)的控制在車輛速度較低時效果較好，而速度一旦過快，就會出現(xiàn)轉(zhuǎn)向不及時或者速度出現(xiàn)超調(diào)或滯后調(diào)節(jié)，導(dǎo)致車輛無法繼續(xù)按照攝像頭所得圖像的規(guī)劃路徑繼續(xù)行駛，從而導(dǎo)致完成比賽時間過長，甚至沖出賽道無法正常完成比賽。目前，在智能車四輪組競速中，由于賽道類型多樣且復(fù)雜(圖2)，比賽中車速控制十分關(guān)鍵，已成為影響比賽成績的決定性因素。為此，本文采用車輛轉(zhuǎn)向與速度調(diào)節(jié)相關(guān)聯(lián)的方式，對速度調(diào)節(jié)使用蜂群算法[17-18]整定PID參數(shù)，實現(xiàn)電機(jī)轉(zhuǎn)速的最優(yōu)控制，并進(jìn)一步縮短比賽時間。

圖2 賽道元素示意圖

基于圖2的賽道元素，本文以智能車不沖出賽道且穩(wěn)定運動為前提，完成賽道各個元素的識別，實現(xiàn)直道加速、彎道減速的動態(tài)速度控制目標(biāo)。智能車在行駛過程中的姿態(tài)和速度均需要檢測，具體控制策略流程設(shè)計如圖3所示。

控制過程如下：

(1)采用灰度攝像頭對賽道進(jìn)行圖像識別，得到圖像信息之后，根據(jù)圖像灰度分布直方圖確定動態(tài)閾值參數(shù)，減小光照強度對于圖像的干擾，再利用逆透視變換將圖像轉(zhuǎn)變?yōu)楦┮晥D，然后進(jìn)行賽道邊界線提取，獲得車輛準(zhǔn)確位置，與主控制環(huán)速度環(huán)構(gòu)成串級控制。

(2)正確獲得車輛位置及運行狀態(tài)后，由PD控制器控制舵機(jī)轉(zhuǎn)向，PI控制器控制電機(jī)轉(zhuǎn)速，舵機(jī)的轉(zhuǎn)向系數(shù)與當(dāng)前電機(jī)轉(zhuǎn)速呈正相關(guān)關(guān)系，即車速越高轉(zhuǎn)向系數(shù)越大。

(3)對電機(jī)進(jìn)行速度閉環(huán)與方向開環(huán)串級控制，速度環(huán)的PI控制器參數(shù)由人工蜂群算法進(jìn)行動態(tài)整定，保證車輛無論是在直道加速還是在彎道減速，都能夠穩(wěn)定沿車道中線運動。

3 算法實現(xiàn)

3.1 動態(tài)閾值設(shè)置

在車輛行駛過程中，光照強弱以及地面藍(lán)布反光，都可能使固定閾值的圖像傳感器無法準(zhǔn)確獲得賽道信息，故采用灰度攝像頭，采集到的圖像含有256個灰度級，信息豐富，根據(jù)灰度直方圖的灰度級分布確定閾值。圖4為灰度攝像頭采集到的原始圖像與處理后的二值化圖像，圖5為原始圖像灰度分布直方圖。直方圖的橫坐標(biāo)是0～255個灰度值，縱坐標(biāo)是對應(yīng)灰度在一幀完整圖像中出現(xiàn)的概率。其概率P(Sk)計算式為

(1)

式中:Sk為灰度級數(shù);nk為該幀圖像灰度級為Sk的像素點個數(shù);n為該幀圖像像素點的總數(shù)。

從圖5可明顯看出，攝像頭接收到的圖像灰度值在80～120分布較多，可以判斷為白色賽道，灰度值更低的區(qū)域則為黑色邊界和界外藍(lán)布，灰

圖4 灰度圖像與二值化圖像

圖5 圖像灰度分布直方圖

度值更高的區(qū)域則是由于賽道不同程度反光所造成的亮度過高。根據(jù)這幅圖像,選擇灰度值120作為此時的攝像頭閾值，從而解決反光問題。

3.2 逆透視圖像處理

為了更好地獲得圖像信息，采用逆透視變換法對圖像進(jìn)行處理，使圖像按照透視旋轉(zhuǎn)定律變換，將其矯正成正投影形式，這樣得到的圖像有效信息要遠(yuǎn)大于變換之前的原圖像。具體過程如下。

首先，確定攝像頭參數(shù)。采用實測方法得到智能車攝像頭參數(shù)，其中仰角θ為23°；中心高度H為37 cm；視點到視平面距離d為87 cm。

其次，求世界坐標(biāo)PW。設(shè)攝像頭圖像坐標(biāo)為PG=(x，y，z，1)，并由世界坐標(biāo)與圖像坐標(biāo)的關(guān)系建立矩陣方程，

(2)

將圖像坐標(biāo)代入式(2)，求得世界坐標(biāo)的矩陣，即

(3)

(4)

最后，處理圖像。由于所處理的賽道圖像是二維平面圖像，故圖像深度恒為0。根據(jù)式(4)，只要把二值化后的二維數(shù)組的橫縱坐標(biāo)代入，即可求得世界坐標(biāo)下的坐標(biāo)值，即變換后的俯視圖坐標(biāo)。實際比賽時，如果不對所采集的賽道圖像做處理，賽道圖像失真后將會影響智能車比賽成績。本文選取賽道中一個直角彎道進(jìn)行說明，根據(jù)式(4)，將攝像頭識別得到的失真圖像進(jìn)行逆透視變換，圖像變換前后的效果如圖6所示。對比圖6(a)～(c)可以看出，經(jīng)過逆透視變換后的圖像與與實際更加相符，更能反映出賽道的真實信息。

圖6 賽道圖像變換前后效果對比

3.3 蜂群PID參數(shù)整定

在速度的閉環(huán)控制中，采用PI控制器，將人工蜂群算法加入速度閉環(huán)控制系統(tǒng)[19]，最優(yōu)整定PI控制器的參數(shù)，步驟如下。

首先，通過試驗計算車輛的直流電機(jī)傳函，

G(s)=33.16/(1.87s+1)。

(5)

其次，用兩種不同的穩(wěn)定判據(jù)方式，勞斯穩(wěn)定判據(jù)和奈奎斯特穩(wěn)定判據(jù)，求得PI控制器參數(shù)的變化范圍表1，蜂群算法參數(shù)設(shè)置見表2。

表1 PI參數(shù)變化范圍

最后，對設(shè)置的兩組參數(shù)分別在兩種增益變化范圍內(nèi)進(jìn)行仿真實驗，結(jié)果如表3所示。

表2 蜂群參數(shù)設(shè)置

表3 參數(shù)整定結(jié)果

4 仿真與試驗

4.1 仿真測試

對圖像進(jìn)行閾值設(shè)置和透視變換后，就可以進(jìn)行圖像中心的推算。對賽道邊緣點進(jìn)行提取，通過邊沿數(shù)據(jù)推算中心，再加入折點求取判斷，計算出的中心點效果如圖7所示。

圖7 賽道中心推算效果圖

準(zhǔn)確計算出中線后，將每幅圖像的中線位置與速度PID的設(shè)定值相關(guān)聯(lián)構(gòu)成如圖8的二次曲線關(guān)系，具體函數(shù)關(guān)系如式(6)所示。

圖8 設(shè)定速度與轉(zhuǎn)向偏差曲線

Speed.SetValue=HighSpeed-(59-Control)^2×

(HighSpeed-LowSpeed)/2431，

(6)

式中:Speed.SetValue為設(shè)定速度;HighSpeed為最高速;LowSpeed為最低速;Control為中線位置。

智能車在行進(jìn)過程中，由于速度設(shè)定和車輛偏離賽道中線的偏差呈函數(shù)關(guān)系，故速度設(shè)定值也是處于不斷更改的狀態(tài)。同時考慮到階躍信號對于系統(tǒng)穩(wěn)定性的考驗較為嚴(yán)峻，故采用階躍信號模擬設(shè)定值的改變來仿真整定后的PI控制系統(tǒng)，結(jié)果如圖9所示。其中，傳統(tǒng)PID參數(shù)采用表3中的參數(shù)，該參數(shù)通過固定電機(jī)的傳函得出，而本文控制方式使用的參數(shù)范圍采用表2數(shù)值。

圖9 階躍響應(yīng)仿真曲線

從圖9可以看出，在勞斯判據(jù)和奈奎斯特判據(jù)下，蜂群PID均比傳統(tǒng)PID的超調(diào)量小，控制效果更好。再對比兩種判據(jù)下的響應(yīng)情況可知，基于勞斯判據(jù)下的蜂群PI控制器效果好于奈奎斯特判據(jù)下的蜂群PI控制器，超調(diào)量和調(diào)節(jié)時間均小于奈奎斯特判據(jù)下的蜂群PI控制器，且響應(yīng)快，故選取基于勞斯判據(jù)下的參數(shù)范圍作為整定結(jié)果在實際控制器[20]中使用。

在實際比賽中，由于賽道材質(zhì)和賽道元素的多樣化，導(dǎo)致車輛在不同位置時的傳函并不完全相同。在這種情況下，傳統(tǒng)的PID就無法很地好適應(yīng)不斷變化的傳函。但是，本文所采用的蜂群PID控制算法，參數(shù)是不斷變化并加以整定的，可以更好地克服由于傳遞函數(shù)改變而引起的擾動，適應(yīng)性比傳統(tǒng)PID更強。

4.2 試驗測試

試驗中，測試所用的智能車實物如圖10所示，測試環(huán)境賽道如圖11所示。測試賽道全長36 m，含有直道、S彎、環(huán)島等各種元素。測試選取兩種方案：一是賽道全程測試；二是賽道特殊元素測試。然后，將傳統(tǒng)控制方式與本文提出的速度圖像優(yōu)化關(guān)聯(lián)控制方式進(jìn)行對比。

圖10 智能車實物圖

圖11 實際測試賽道

4.2.1 賽道全程試驗

測試時，選取晴天(自然光照射)、陰天(自然光+燈光照射)和黑夜(燈光照射)3種環(huán)境，對不同控制方式下的車速各進(jìn)行150次測試，分別記錄每圈的平均速度、碾壓路肩的次數(shù)和停車的距離，求取150次的平均值作為數(shù)據(jù)采集的最終結(jié)果，如表4所示。

從表4中可以看出：(1)在相同測試環(huán)境下，傳統(tǒng)控制方法的平均車速均慢于本文控制方法的平均車速，在晴天約慢0.24 m/s，在陰天約慢0.25 m/s，在黑夜約慢0.18 m/s；(2)在相同控制方法下，對比不同賽道環(huán)境的平均車速發(fā)現(xiàn)，傳統(tǒng)控制方法在黑夜環(huán)境中的速度可達(dá)到2.65 m/s，但在晴天和陰天環(huán)境中的速度只有2.55 m/s和2.56 m/s，說明傳統(tǒng)方法下車速控制受環(huán)境影響較大，而本文控制方式的速度較為穩(wěn)定，在3種環(huán)境中的速度都在2.8 m/s左右；(3)在相同測試環(huán)境下，傳統(tǒng)控制方法控制的車輛仍然存在碾壓路肩的情況，而本文控制方法則不存在。在停車距離方面，本文控制方法的停車距離相對較長，但是在競賽過程中，停車距離不大于2 m即算作正常停車，該距離仍在正常范圍內(nèi)。

表4 賽道全程試驗結(jié)果

4.2.2 賽道特殊元素試驗

在賽道全程測試中，當(dāng)車輛經(jīng)過賽道特殊元素時，采集其瞬時速度，取平均值得到車輛通過特殊元素的速度，結(jié)果如表5所示。

從表5可以看出：(1)在相同測試環(huán)境下，智能車在通過特殊賽道元素時，采用本文控制方法下的車速快于采用傳統(tǒng)控制方法的下的車速；(2)在傳統(tǒng)方法控制下，智能車在晴天環(huán)境中通過賽道特殊元素的平均速度為2.1 m/s，在陰天和黑夜環(huán)境中的平均速度為2.2，2.4 m/s，波動較大。在本文方法控制下，智能車通過賽道特殊元素的平均速度2.6 m/s左右，相對比較穩(wěn)定。

表5 特殊元素試驗結(jié)果

綜上，通過分析賽道全程試驗數(shù)據(jù)和賽道特殊元素試驗數(shù)據(jù)可知：(1)本文控制方法的平均車速快于傳統(tǒng)控制方法的平均車速，且無碾壓路肩現(xiàn)象，說明本文控制方法能夠提高車速并且加強車輛的穩(wěn)定性；(2)在通過賽道特殊元素時，本文控制方法也能夠發(fā)揮良好的控制性能，使車速快于傳統(tǒng)控制方法的車速，并且更加穩(wěn)定；(3)在晴天、陰天和黑夜3種不同環(huán)境下的測試情況，說明了采用本文控制方法時，智能車的適應(yīng)性得到很大的提高。

5 結(jié) 論

(1)本文控制策略能夠在增強車輛穩(wěn)定性的基礎(chǔ)上，大大提高車速。在2018年智能車全國總決賽中，國家一等獎的平均速度為2.67 m/s[21]，而本控制策略下實驗室最快速度可達(dá)3.1 m/s，大幅提高了比賽成績。

(2)本文研究的智能車速控制方式，將逆透視變換和蜂群算法相結(jié)合，對采集圖像的閾值和失真做了進(jìn)一步處理，使采集的賽道信息更加準(zhǔn)確，增強了智能車對環(huán)境的適應(yīng)性。此外，該算法將有助于人類在無人駕駛領(lǐng)域中對車速的精準(zhǔn)控制。