微雪官网产品资料
立即注册 找回密码

QQ登录

只需一步,快速开始

微雪课堂

搜索
微雪课堂 首页 智能车 查看内容

树莓派智能车AlphaBot教程5:红外循迹

2017-5-3 11:06| 发布者: kaloha| 查看: 7612| 评论: 1|原作者: 微雪电子

摘要: 循迹从来都是智能小车中一个重要的功能。有红外循迹,摄像头循迹,电磁循迹,激光循迹等。 常见红外循迹的有两路,三路,四路,五路怎么七路,九路循迹。多少路表示传感器的数量。又分为数字输出型和模拟输出型,比 ...
循迹从来都是智能小车中一个重要的功能。有红外循迹,摄像头循迹,电磁循迹,激光循迹等。
常见红外循迹的有两路,三路,四路,五路怎么七路,九路循迹。多少路表示传感器的数量。
又分为数字输出型和模拟输出型,比较常用的是数字输出型。即每个传感器只能输出高低电平,检测该点,是否有黑线,不能判断黑线的远近。而模拟输出型输出的是模拟量通过模拟电压可以反映出黑线的远近,结合PID算法。模拟输出循迹效果更好。


以上为循迹传感器部分的原理图,IR1~IR5端为模拟输出,模拟量输出和距离,物体颜色有关。红外反射越强(白色)时,输出越大,红外放射越弱(黑色),输出越小。探测器离黑色线越近输出越小,由此可以通过输出模拟量判断黑线的距离远近。数值越小的传感器离黑线越近。而数字型输出则将输出的模拟值经过比较器得到数字量。由此可知通过5路模拟输出获得相对五路数字输出更高的精度。

而模拟输出循迹算法根据复杂,下面详细讲一下算法部分。算法可以分为3部分。
算法分析

第一部分:归一化校准

相同的颜色,距离,不同的探测器输出会有所不同,而且不同环境输出的模拟量范围也不一样。如果采用10AD采集。理论上输出范围会在0~1023之间。但是实际上输出最小Min会大于0,最大值Max会比1023小。由此为了减少传感器自身以及环境的影响,作归一化处理,归一化处理实际上就是将Min~Max的数值范围转为 0~1范围线性转换如下:
y=(x-Min)/(Max-Min)
(其中x为探测器输出值,y为转换后的值,MaxMin分别为输出的最大值和最小值)
为了数据处理方便可以将数据放大1000倍。则
y=(x-Min)*1000/(Max-Min)
转换后数据范围为0~1000.其中1000表示探测器远离黑线,0表示探测器在黑线正中。
其中Min Max的值有程序开始中多次采集传感器的值获得,并保存起来,采集过程中不断移动小车,使得采集到的最大最小值更加接近实际情况。

第二部分:加权平均

将五个探测器输出数据通过归一化处理后,得到五个反应探测器离黑线相对距离的数据。为了尽可能准确地确定路线的中心线。通过加权平均的方式将这5个数值转变成一个数值。公式如下:
y = (0 * value0 + 1000 * value1 + 2000 * value2 + 3000 * value3 +4000 * value4)
/(value0 + value1 + value2 + value3 + value4)
其中0 ,1000,2000,3000,4000分别为从左到右5个探测器的权,value0~value4为探测器归一化后的数据。则经过出后的数值范围为0~4000。代表黑线的位置。例如2000则表示黑线在模块的正中间。0表示在黑线在模块的最左侧,4000表示黑线在最右侧。
为了使模块探测的精度更高,对模块的高度和黑线有所要求。黑线应该等于或略小于探测器的距离(16mm)。高度为黑线在两个传感器正中间时,两个传感器都能够刚好探测到为宜。

第三部分:PID控制
由第二部分可得到黑线的位置,为了使小车一直沿着黑线走,则必须保证黑线在小车正下方,此时加权平均后的输出应该为2000.为了使小车走的更加平滑,减少左右摇摆。采用位置式PID控制。关于PID算法网上有很多介绍,此处不再详细讲解,只是大概介绍一下。
PID是指通过比例(P),积分(I),微分(D)对误差进行反馈调节。主要算法如下:
proportional = position - 2000;
derivative = proportional - last_proportional;
integral += proportional;
last_proportional = proportional;
power_difference = proportional*Kp + integral*Ki + derivative*Kd;
其中:
比例项(proportional)为当前的位置(Position)减去目标位置(2000),表示位置误差,正数表示偏右,负数表示偏左。
积分项(integral)数据为每次误差的总和,绝对值越大,表示误差累积值越大,表示小车越偏越远了。
微分项(derivative )为当前误差和上次误差的差值,反映小车的响应速度,数值越大,响应速度越快。
调节Kp,Ki,kd三个参数可获得最佳性能。先调节Kp参数,Ki,Kd设为0,不断调整Kp值使得小车可以循线,然后调节Ki,Kd,参数可以设小一点,或者为零。
例如我们的目标是使黑线能在正中间,则加权平均后的输出数据为2000.
示例程序分析
下面结合AlphaBot2智能小车讲解一下循迹程序。这里以Arduino的程序作为示例,首先程序中用到TRSensors库,主要包含TRSensors.cppTRSensors.h两个文件。
TRSensors.cpp主要包含下面这几个函数
TRSensors();
void AnalogRead(unsigned int *sensor_values);
void calibrate();
void readCalibrated(unsigned int *sensor_values);
int readLine(unsigned int *sensor_values, unsigned char white_line = 0);
其中TRSensors()为初始化函数,初始化相应的管脚,已经申请内存用作存储各个传感器的Max,Min值。
AnalogRead()函数为读取五路探测器的模拟值,AlphaBot2是通过TLC1543 AD芯片进行AD转换,而非arduino芯片的AD管脚。如果将Tracker Sensor接到arduinoA0~A4管脚需修改此函数。
calibrate()函数为校准函数,通过多次采集数据,确定MaxMin值。故校准阶段时,小车需在黑线中紧贴地面左右摇晃。确保取得的Max,Min准确。

readCalibrated()函数为归一化校准,对应原理的第一部分,通过归一化线性转换,将数据转为0~1000范围内,其中1000表示探测器远离黑线,0表示探测器在黑线正中。主程序中通过控制小车左右旋转通过采集100次数据校准。

readLine()函数为读取循迹线的位置,对应原理中的第二部分。通过加权平均算出寻迹线的位置。数值范围为0~40000表示在黑线在模块的最左侧,4000表示黑线在最右侧。


原理中第三部分在循迹主程序Infrared_Line_Tracking.ino中实现,主要代码如下。

通过readline()函数读取寻迹线的位置,然后算出比例项proportional,微分项derivative
此处只用了PD算法,没有积分项,而非PID。可以修改对应的PD参数,使性能更佳。


最后一步就是通过PID算得的修改项power_difference去调节小车左右轮的PWM值,实现小车沿着寻迹线运动。
树莓派的程序和arduino类似,这里不再详细分析。

157

顶一下

刚表态过的朋友 (157 人)

相关阅读

发表评论

最新评论

引用 游客 2017-6-27 17:33
你的这个加权平均值是不是存在问题啊 ,没看懂

查看全部评论(1)

智能车

微雪官网|产品资料|手机版|小黑屋|微雪课堂. ( 粤ICP备05067009号  

GMT+8, 2019-5-23 05:25 , Processed in 0.068816 second(s), 26 queries .

Powered by Discuz! X3.2 © 2001-2013 Comsenz Inc & Style Design

返回顶部