智能車科普作品

一、比賽簡介

目前 ，在企業(yè)生產(chǎn)技術(shù)不斷提高、對自動化技術(shù)要求不斷加深的環(huán)境下，智能車輛以及在智能車輛基礎(chǔ)上開發(fā)出來的產(chǎn)品已成為自動化物流運輸、柔性生產(chǎn)組織等系統(tǒng)的關(guān)鍵設(shè)備。智能車是一個集環(huán)境感知、規(guī)劃決策，自動行駛等功能于一體的綜合系統(tǒng)。它集中地運用了計算機、傳感、信息、通信、導(dǎo)航及自動控制等技術(shù)，是典型的高新技術(shù)綜合體。它具有道路障礙自動識別、自動報警、自動制動、自動保持安全距離、車速和巡航控制等功能，結(jié)合圖像識別和大數(shù)據(jù)等知識來實現(xiàn)一些特定功能，是現(xiàn)代人工智能發(fā)展中很重要的組成部分。

全國大學(xué)生智能車競賽是從 2006 開始，由教育部高等教育司委托高等學(xué)校自動化類教學(xué)指導(dǎo)委員會舉辦的旨在加強學(xué)生實踐、創(chuàng)新能力和培養(yǎng)團隊精神的一項創(chuàng)意性科技競賽，至今已經(jīng)成功舉辦了十八屆，2024年開展第十九屆全國大學(xué)生智能汽車競賽。全國大學(xué)生智能汽車競賽是在競賽組委會提供的統(tǒng)一汽車模型平臺上，使用英飛凌（Infineon）、宏晶公司（STC）、靈動微電子（MindMotion）、沁恒微電子（WCH）、恩智浦（NXP）等公司出品的微控制器作為車模的主要可編程主控制器，通過設(shè)計傳感器采集電路和電機驅(qū)動電路、編寫相應(yīng)算法程序及裝配模型車，制作一個能夠自主識別道路的模型汽車，按照規(guī)定路線行進，并且完成一些特定功能，以完成時間最短者為優(yōu)勝。

在全國大學(xué)生智能汽車競賽中，以智能汽車為研究背景的科技創(chuàng)意性制作，是一種具有探索性的工程實踐活動。該項比賽已列入教育部主辦的五大競賽之一。此項賽事涉及的專業(yè)主要有：控制、電子、圖像處理及計算機等，能極大地培養(yǎng)學(xué)生的動手能力及創(chuàng)新型思維，受到全國各大高校的重視。

其中“視覺組”組別具有更加復(fù)雜的機器視覺處理和模型車運動控制任務(wù)。

二、電控部分

1.底盤控制-麥克納姆輪的速度解算

上圖為該組別車模

該車模采用麥克納姆輪，麥克納姆輪是一種可以全向移動的全向輪，又叫麥輪，由輪轂和圍繞輪轂的輥子組成，麥輪輥子軸線和輪轂軸線夾角成45度。在輪轂的輪緣上斜向分布著許多小輪子，即輥子，故輪子可以橫向滑移。輥子是一種沒有動力的小滾子，小滾子的母線很特殊，當(dāng)輪子繞著固定的輪心軸轉(zhuǎn)動時，各個小滾子的包絡(luò)線為圓柱面，所以該輪子能夠連續(xù)的向前滾動。由四個這種輪加以組合，可以使機構(gòu)實現(xiàn)全方位移動的功能。麥克納姆輪根據(jù)鏡像關(guān)系分為A輪和B輪。

麥輪在車上的分布

此外麥克納姆輪還能實現(xiàn)原地自轉(zhuǎn)、前后軸自轉(zhuǎn)等運動。

最終四個輪子的速度解算如上圖所示

2.PID控制

得到每個麥輪的速度后，我們還需要讓電機達到目標速度的算法。

PID,就是“比例、積分、微分”，是一種常見的控制算法。在工程實際中，應(yīng)用最為廣泛的調(diào)節(jié)器控制規(guī)律為比例、積分、微分控制，簡稱PID控制。它以其結(jié)構(gòu)簡單、穩(wěn)定性好、工作可靠、調(diào)整方便而成為工業(yè)控制的主要技術(shù)之一。

PID分為增量式和位置式兩類。

使用串級PID將兩種類型都應(yīng)用上，用位置式PID做位置環(huán)，增量式PID做速度環(huán)，位置環(huán)作外環(huán)，速度環(huán)作內(nèi)環(huán)。

這樣才能比較理想的實現(xiàn)麥輪的控制從而實現(xiàn)底盤的全向移動。

3.慣性傳感器-IMU

IMU由三個單軸的加速度計和三個單軸的陀螺儀組成，加速度計檢測物體在載體坐標系統(tǒng)獨立三軸的加速度信號，而陀螺儀檢測載體相對于導(dǎo)航坐標系的角速度信號，對這些信號進行處理之后，便可解算出物體的姿態(tài)。

一般用四元數(shù)法結(jié)算姿態(tài)角,解算后的yaw pitch roll三個姿態(tài)角能夠輔助我們控制小車的底盤。

默認初始角度為[0,0,0],對應(yīng)四元數(shù) [1,0,0,0] ->上一步四元數(shù)估計重力向量,將n=[0,0,G] 帶入下式, 得到估算重力向量V。

測量的重力向量與估算的重力向量差積求出向量間的誤差->將誤差PI后補償?shù)酵勇輧x->推出這一次的四元數(shù)->單位化->轉(zhuǎn)歐拉角

將四元數(shù)轉(zhuǎn)換到姿態(tài)矩陣

四元數(shù)與歐拉角的轉(zhuǎn)換

視覺部分

智能車競賽作為一項集創(chuàng)新性、實踐性與競爭性于一體的科技賽事，已經(jīng)成為全球范圍內(nèi)大學(xué)生展示其科技實力的重要平臺。智能視覺組，作為該競賽中最具挑戰(zhàn)性的部分之一，要求參賽團隊不僅要掌握機械設(shè)計和電子工程的知識，還需深入理解并應(yīng)用計算機視覺技術(shù)。本文將深入探討智能視覺組中的視覺技術(shù)，包括邊緣提取算法、目標檢測和圖像識別等關(guān)鍵技術(shù)。

（一）、智能視覺組的技術(shù)挑戰(zhàn)

智能視覺組的比賽要求參賽的智能車能夠通過視覺傳感器自主識別賽道環(huán)境，完成路徑規(guī)劃、障礙避讓、目標識別等多項復(fù)雜任務(wù)。這些任務(wù)的完成質(zhì)量直接關(guān)系到智能車的性能和比賽成績。

（二）、邊緣提取算法的原理與應(yīng)用

邊緣提取是計算機視覺中的一個核心問題，它涉及到從圖像中識別出亮度變化顯著的區(qū)域，這些區(qū)域往往是物體的邊界或輪廓。

1. 邊緣提取算法的分類

邊緣提取算法主要分為一階導(dǎo)數(shù)算子和二階導(dǎo)數(shù)算子兩大類。

一階導(dǎo)數(shù)算子：如Roberts、Sobel和Prewitt算子，通過計算圖像灰度的一階導(dǎo)數(shù)來尋找亮度變化的位置。

二階導(dǎo)數(shù)算子：如Laplacian算子，通過計算圖像灰度的二階導(dǎo)數(shù)來確定邊緣位置。

2. Canny邊緣檢測器

Canny算子是一種綜合考慮噪聲抵抗能力和邊緣定位準確性的算法，它包括以下步驟：

*高斯平滑：去除圖像噪聲，為邊緣檢測做準備。

*梯度計算：使用Sobel算子計算圖像的梯度。

*非極大值抑制：在梯度方向上進行處理，保留邊緣的局部最大值。

*雙閾值檢測：通過設(shè)置高低閾值，連接邊緣片段，形成完整的邊緣。

（三）、目標檢測與圖像識別的技術(shù)要點

目標檢測和圖像識別是智能視覺組中智能車實現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù)。

1. 目標檢測

目標檢測通常涉及以下步驟：

*候選區(qū)域生成：在圖像中生成可能包含目標的候選區(qū)域。

*特征提取：從候選區(qū)域中提取有助于目標識別的特征。

*分類器設(shè)計：使用機器學(xué)習(xí)方法對候選區(qū)域進行分類，確定是否包含目標。

2. 圖像識別

圖像識別技術(shù)使智能車能夠識別圖像中的具體物體，如數(shù)字、字母、特定圖案等。這通常涉及到：

*特征匹配：將提取的圖像特征與已知數(shù)據(jù)庫進行匹配。

*深度學(xué)習(xí)：利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型進行圖像分類。

3. 深度學(xué)習(xí)在視覺組的應(yīng)用

深度學(xué)習(xí)技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN），在圖像識別和目標檢測中展現(xiàn)出強大的性能。通過大量標注數(shù)據(jù)的訓(xùn)練，CNN能夠?qū)W習(xí)到圖像中復(fù)雜的特征表示，顯著提高智能車對賽道環(huán)境的理解能力。

（四）、智能視覺技術(shù)的未來發(fā)展

隨著技術(shù)的不斷進步，未來的智能車將更加智能化。計算機視覺技術(shù)，尤其是深度學(xué)習(xí)，將繼續(xù)推動智能車在感知、決策和執(zhí)行能力上的提升。智能車競賽不僅是技術(shù)的較量，更是創(chuàng)新思維和團隊協(xié)作能力的體現(xiàn)。

四、結(jié)語

智能視覺組的比賽是一次對參賽者科技綜合能力的全面考驗。通過深入理解和應(yīng)用邊緣提取算法、目標檢測和圖像識別等計算機視覺技術(shù)，參賽團隊能夠設(shè)計出性能卓越的智能車，為未來智能交通系統(tǒng)的發(fā)展貢獻力量。隨著人工智能技術(shù)的不斷進步，智能車競賽將更加精彩，智能視覺技術(shù)也將在更多領(lǐng)域得到應(yīng)用。

參考文獻

[1]王瑞敏,張成濤.基于視覺傳感器的智能小車設(shè)計與實踐

[2]洪一民,錢慶豐,章志飛.基于 STM32 的智能小車循跡避障 測距的設(shè)計 [J]. 物聯(lián)網(wǎng)技術(shù),2022,12(01):12-13+17.