《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 可編程邏輯 > 設(shè)計(jì)應(yīng)用 > 智能車路徑識別與控制性能提高方法研究及實(shí)現(xiàn)
智能車路徑識別與控制性能提高方法研究及實(shí)現(xiàn)
2016年電子技術(shù)應(yīng)用第1期
劉 濤,呂 勇,劉立雙
北京信息科技大學(xué) 儀器科學(xué)與光電工程學(xué)院,北京100192
摘要: 為提高智能車路徑識別的準(zhǔn)確性、實(shí)時(shí)性和魯棒性,采用“圖像采集—圖像處理”交叉執(zhí)行的方式,同時(shí)在圖像處理階段采用跟蹤邊緣檢測算法,并將模糊控制算法和PID算法進(jìn)行整合。整體實(shí)驗(yàn)結(jié)果表明,智能車的速度提高了33.3%,準(zhǔn)確率提高了35.7%。本研究中的智能車系統(tǒng)可發(fā)展應(yīng)用于現(xiàn)代汽車的輔助駕駛系統(tǒng),提高智能交通的安全性。
中圖分類號: TP391.8
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2016.01.014
中文引用格式: 劉濤,呂勇,劉立雙. 智能車路徑識別與控制性能提高方法研究及實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用,2016,42(1):54-57.
英文引用格式: Liu Tao,Lv Yong,Liu Lishuang. Research and implementation on path recognition and control performance improvement methods of smart car[J].Application of Electronic Technique,2016,42(1):54-57.
Research and implementation on path recognition and control performance improvement methods of smart car
Liu Tao,Lv Yong,Liu Lishuang
School of Instrument Science and Optoelectronic Engineering, Beijing Information Science & Technology University,Beijing 100192,China
Abstract: In order to enhance the accuracy, real-time and robustness of the smart car, we use “Image acquisition-Image processing” method while manipulate images by tracking edge detection algorithm, and we combine the fuzzy control algorithm and PID algorithm. The experimental results show that the speed is increased by 33.3% and the accuracy is increased by 35.7%. In this study, the intelligent car system can be widely used in modern automotive driver assistance systems, and improve security in intelligent traffic.
Key words : smart car;image acquisition;image processing;track recognition;fuzzy control

0 引言

    對于智能車整體而言,其路徑識別和控制系統(tǒng)是智能車運(yùn)行過程的核心部分,路徑識別的準(zhǔn)確性和實(shí)時(shí)性,以及控制系統(tǒng)的靈敏性和魯棒性是影響智能車運(yùn)行效果的關(guān)鍵因素[1-2]。

    目前,從智能車路徑識別技術(shù)來看,通常采用“圖像采集圖像處理”順序執(zhí)行的方式來實(shí)現(xiàn)[3-4],因此,在圖像采集階段,圖像處理單元將處于空閑,從而造成圖像處理單元的資源浪費(fèi);而在圖像處理階段,由于待處理的圖像數(shù)據(jù)較多,導(dǎo)致圖像處理單元在單位時(shí)間內(nèi)的處理負(fù)荷較大,從而處理速度過慢,進(jìn)而引起下游控制單元數(shù)據(jù)處理滯后的問題,而導(dǎo)致智能車路徑識別的準(zhǔn)確性及實(shí)時(shí)性較差,最終導(dǎo)致智能車的運(yùn)行速度慢、靈活性差。

    從智能車控制系統(tǒng)技術(shù)來看,由于智能車具有非常復(fù)雜的非線性動力系統(tǒng),難以建立精確的數(shù)學(xué)模型[5]。因此,如果采用傳統(tǒng)的PID控制算法對智能車進(jìn)行控制,雖然響應(yīng)速度較快,精度也較高,但是容易造成智能車控制發(fā)生階梯式跳躍變化和路徑變化反應(yīng)不靈敏等問題,且易產(chǎn)生超調(diào)和振蕩現(xiàn)象,導(dǎo)致智能車控制系統(tǒng)靈敏性和魯棒性較差[6-7]。

    針對上述問題,在智能車路徑識別處理和控制系統(tǒng)兩方面進(jìn)行了優(yōu)化。

    首先,在路徑識別處理方面,將“圖像采集—圖像處理”交叉執(zhí)行,在圖像采集的時(shí)間間隙中進(jìn)行圖像處理,而無需等到所有圖像采集完成再進(jìn)行圖像處理,能夠保障圖像處理的實(shí)時(shí)性,且在圖像處理階段采用跟蹤邊緣算法,能夠提高圖像處理的效率,從而保障路徑識別的準(zhǔn)確性和實(shí)時(shí)性。其次,在智能車控制方面,采用模糊控制器和傳統(tǒng)PID控制相結(jié)合的控制策略,既使智能車控制系統(tǒng)具有模糊控制的靈活性和適應(yīng)性強(qiáng)的優(yōu)點(diǎn),又具有PID控制精度高響應(yīng)快的優(yōu)勢,最終提高了智能車控制系統(tǒng)的靈敏性和魯棒性。

1 路徑識別處理

    在智能車路徑識別處理過程中,考慮到處理速度的需求,通常在保證圖像信息足夠的情況下取用整幅圖像中的一部分[8],這種情況會導(dǎo)致智能車在圖像采集階段CPU會有兩部分時(shí)間處于空閑時(shí)間:未被選取的行間隔期和消隱期。因此,在本研究中將充分利用這兩部分時(shí)間進(jìn)行圖像處理,即采用“圖像采集—圖像處理”交叉執(zhí)行的方式。

    具體實(shí)施方法為:在圖像采集過程中,圖像采集單元是將圖像分為N個(gè)單元塊分別采集,當(dāng)完成任一個(gè)單元塊的采集時(shí),則觸發(fā)圖像處理單元在空閑時(shí)間對該單元塊進(jìn)行圖像處理。ck2-b1.gif

    表1以處理100幀圖像所占用的時(shí)間為例,對兩種圖像采集處理方式進(jìn)行了比對。從占用時(shí)間結(jié)果可以看出,本研究中采用的“圖像采集-圖像處理”交叉結(jié)構(gòu)的數(shù)據(jù)處理速度比傳統(tǒng)的“圖像采集-圖像處理”順序結(jié)構(gòu)的處理速度高15.5%。

    綜上所述,采用“圖像采集-圖像處理”交叉結(jié)構(gòu),能夠提高對圖像處理單元的空閑時(shí)間利用率,且圖像處理單元利用空閑時(shí)間對圖像單元塊進(jìn)行圖像處理,減少了圖像處理單元在單位時(shí)間內(nèi)的負(fù)荷,提高數(shù)據(jù)處理效率,在一定程度上解決了下游控制單元數(shù)據(jù)處理滯后的問題,從而能夠保障智能車路徑識別的實(shí)時(shí)性,提高智能車的運(yùn)行速度和靈活性。

    除了在路徑識別處理的執(zhí)行結(jié)構(gòu)上的優(yōu)化,本研究在圖像處理的算法上也進(jìn)行了優(yōu)化。采用跟蹤邊緣檢測算法,較傳統(tǒng)邊緣檢測算法[9],不會對圖像單元中每個(gè)像素點(diǎn)進(jìn)行比較運(yùn)算,從而無需對采集到的整幅圖像中所有的像素點(diǎn)進(jìn)行處理,因此,占用系統(tǒng)資源少,還可以排除外界噪聲干擾,進(jìn)而可以提高圖像處理單元的數(shù)據(jù)處理效率,并能夠?yàn)橹悄苘囂峁?zhǔn)確、可靠的行駛路徑。圖1所示為圖像處理中邊緣跟蹤檢測算法流程圖。

ck2-t1.gif

    為了驗(yàn)證在圖像處理算法上的優(yōu)勢,分別采用跟蹤邊緣檢測算法和傳統(tǒng)邊緣檢測算法對同一幅圖像進(jìn)行圖像處理。如圖2所示,圖2(a)為源圖像,圖2(b)為采用傳統(tǒng)邊緣檢測算法的處理結(jié)果,圖2(c)為跟蹤邊緣檢測算法的處理結(jié)果。

ck2-t2.gif

    可以看出,跟蹤邊緣檢測算法能夠有效排除外界噪聲的干擾,最終提供給智能車準(zhǔn)確的行駛路徑。

    除此之外,較傳統(tǒng)邊緣檢測算法,本研究采用的跟蹤邊緣檢測算法還具有較高的數(shù)據(jù)處理速度。表2對兩種算法的數(shù)據(jù)處理時(shí)間進(jìn)行了比較。

ck2-b2.gif

    從表2中可以看出,跟蹤邊緣檢測算法的數(shù)據(jù)處理速度是傳統(tǒng)的邊緣檢測算法的2.34倍,保證了智能車中數(shù)據(jù)處理的高效性和實(shí)時(shí)性。

2 模糊自適應(yīng)PID控制器設(shè)計(jì)

    在控制系統(tǒng)中,將模糊控制算法和傳統(tǒng)的PID算法相結(jié)合,以提高智能車控制系統(tǒng)的自適應(yīng)性和魯棒性。模糊自適應(yīng)PID控制器以誤差e(實(shí)際測量值與設(shè)定值之差)和誤差變化率ec作為輸入?yún)?shù),利用模糊控制規(guī)則對PID控制器的3個(gè)參數(shù)(Kp、Ki和Kd)進(jìn)行調(diào)整,并將該三個(gè)參數(shù)值作為輸出,以選取適合智能車當(dāng)前運(yùn)行狀態(tài)最佳參數(shù)值。圖3所示為智能車控制系統(tǒng)結(jié)構(gòu)示意圖。

ck2-t3.gif

    模糊自適應(yīng)PID控制器輸入變量e的語言變量為E,ec的語言變量為EC,兩者的論域都為{-3,-2,-1,0,1,2,3},相應(yīng)的語言值為{NB,NM,NS,ZO,PS,PM,PB};輸出參數(shù)Kp、Ki和Kd的語言變量分別為KP、KI和KD,論域都為{0,1,2,3},相應(yīng)的語言值為{ZO,PS,PM,PB}。輸入?yún)?shù)與輸出參數(shù)的隸屬度函數(shù)均采用三角函數(shù),圖4所示為基于上述參數(shù)值的隸屬函數(shù)圖。

ck2-t4.gif

    模糊自適應(yīng)PID控制器以控制規(guī)則作為模糊推理的依據(jù)[10]。PID參數(shù)值的選取必須考慮在不同情況下三個(gè)參數(shù)的作用以及相互關(guān)系。按以上原理并根據(jù)智能車的運(yùn)行特性和控制經(jīng)驗(yàn)建立輸入為E、EC,以及輸出為KP、KI和KD的多輸入多輸出的模糊規(guī)則,并在MATLAB中進(jìn)行仿真,得到如圖5所示的控制規(guī)則曲面圖。

ck2-t5.gif

    通過MATLAB提供的Simulink對模糊自適應(yīng)PID控制器的設(shè)計(jì)進(jìn)行仿真,并將其處理結(jié)果與傳統(tǒng)PID的處理結(jié)果進(jìn)行比較,其比較結(jié)果如圖6和表3所示。可以看出,模糊自適應(yīng)PID控制器具有超調(diào)量小、響應(yīng)時(shí)間短的優(yōu)點(diǎn)。

ck2-t6.gif

ck2-b3.gif

3 整體實(shí)驗(yàn)對比及分析

    為了驗(yàn)證最終效果,在相同路徑下,分別采用傳統(tǒng)方法和本研究的方法對智能車的性能進(jìn)行了測試,經(jīng)過20次對比實(shí)驗(yàn),得到智能車跑完全程的時(shí)間、平均速度及準(zhǔn)確率,如表4所示。

ck2-b4.gif

    從表4可以看出,應(yīng)用本文所取得的方法,能夠有效加快智能車響應(yīng)速度,提高準(zhǔn)確率,對智能車的整體性能的提升有顯著的作用,且在實(shí)際運(yùn)行中能使智能車轉(zhuǎn)向相對比較連續(xù),不出現(xiàn)突變現(xiàn)象,運(yùn)行軌跡相對平滑、穩(wěn)定。

    同時(shí)可見,車速受硬件響應(yīng)速度、圖像算法處理速度、車體結(jié)構(gòu)、測試環(huán)境等因素的整體非線性疊加影響,而非簡單的線性比例關(guān)系。

4 結(jié)束語

    本研究采用“圖像采集—圖像處理”交叉執(zhí)行的方式提高了智能車的數(shù)據(jù)處理速度,且在圖像處理階段采用跟蹤邊緣檢測算法,較傳統(tǒng)邊緣檢測算法,既具有對外界聲進(jìn)行濾除的作用,又能夠?qū)D像處理時(shí)間提高2.34倍,從而在保障智能車路徑識別準(zhǔn)確性的同時(shí)還保障智能車數(shù)據(jù)處理的高效性和實(shí)時(shí)性。

    而在智能車控制系統(tǒng)方面,將模糊控制算法和傳統(tǒng)的PID算法相結(jié)合,較傳統(tǒng)的PID算法,其超調(diào)量減少了近12倍,且收斂時(shí)間也相對減少,同時(shí)響應(yīng)速度也提高了近5倍。

    最后對整體性能進(jìn)行了實(shí)際驗(yàn)證比較,結(jié)果表明本研究取得的方法最終使智能車速度提高了33.3%,準(zhǔn)確率提高了35.7%。因此,采用本研究方法,能夠有效使智能車具有較好的靈活性、較高的自適應(yīng)性和魯棒性。

參考文獻(xiàn)

[1] 王國胤,陳喬松,王進(jìn).智能車技術(shù)探討[J].計(jì)算機(jī)科學(xué),2012(5):1-8.

[2] Md.NazmulHasan,S.M Didar-Al-Alam,Sikder Rezwanul Huq.Intelligent car control for a smart car[J].International Journal of Computer Applications,2011,143:15-19.

[3] HUANG Z Q.Design of smart car section PID control algorithm based on CCD camera[J].Electronic Design Engineering,2011,19(2).

[4] 吳斌華,黃衛(wèi)華,程磊,等.基于路徑識別的智能車系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用,2007(3):80-82.

[5] FRAICHARD T,GARNIER P.Fuzzy control to drive car-like vehicles[J].Robotics & Autonomous Systems,2001,34(1):1-22.

[6] 王威,楊平.智能PID控制方法的研究現(xiàn)狀及應(yīng)用展望[J].自動化儀表,2008(10):1-3.

[7] MARTINS F G,COELHO M A N.Application of feedforward artificial neural networks to improve process control of PID-based control algorithms[J].Computers & Chemical Engineering,2000,24:853-858.

[8] 李旭東,廖中浩,孟嬌.基于CMOS攝像頭的智能車控制系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J].吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),2013(4):414-418.

[9] 魏玉虎,石琛宇,姜建釗,等.基于視覺的智能車轉(zhuǎn)向控制策略[J].電子技術(shù)應(yīng)用,2009(1):130-134.

[10] 金曉明,榮岡,王驥程.模糊控制理論及其應(yīng)用評述[J].化工自動化及儀表,1995(2):3-8.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。