一种基于参数自动优化的控制算法的智能车及其控制方法

摘要

本发明公开了一种基于参数自动优化的控制算法的智能车及其控制方法。包括：智能车本体、安装在智能车本体内的单片机，以及与单片机相连的速度检测模块、摄像头模块、蓝牙模块、电机驱动模块、舵机驱动模块和OLED显示模块；所述的速度检测模块用于检测轮胎的转速，所述的摄像头模块安装在智能车本体上并用于采集车体前方的赛道信息；所述的电机驱动模块与智能车本体上的电机相连，所述的舵机驱动模块与智能车本体上的舵机相连，单片机包括PID模糊控制模块和遗传算法优化模块。

说明书

技术领域

本发明涉及飞思卡尔智能车竞赛专用智能车领域，尤其涉及一种基于参数自动优化的控制算法的智能车及其控制方法。

背景技术

智能小车作为现代的新发明，是以后的发展方向，他可以按照预先设定的模式在一个环境里自动的运作，不需要人为的管理，在军事上，智能车可以代替人类完成在危险地带排雷、侦察等差事；在工业上，智能车可以代替人类完成设备检测、搬运货物等任务；在农业机械上，智能车可以代替人类完成喷洒农药、收割作业、中耕除草等工作；在科研方面，智能车可以代替人类完成设备检测、搬运货物等任务。智能车辆已经可以实现通过自身所搭载的传感器来感知车辆外部环境信息和自身状态信息，能够实时显示时间、速度、里程，具有自动寻迹、寻光、避障功能，可程控行驶速度、准确定位停车，远程传输图像等功能。现有的智能车辆一般集中运用了自动控制、多传感器信息融合、导航技术、无线通信技术以及人工智能等高新技术，是高精尖技术的综合体。现智能小车的控制方面，一般采用在路径识别的基础上,针对速度控制和舵机控制先是采用PID算法控制。

PID控制算法：智能车控制系统的设计主要在于根据传感器检测到的路径信息来对小车进行控制，也就是对智能车的转向进行控制，良好的控制才能提高车子的平均速度，增加智能车的稳定性，因此要对小车的行驶方向进行控制算法研究，目前在智能小车的路径控制中最常见的就是模糊PID算法。按偏差的比例、积分和微分进行控制的调节器称为PID调节器，它是连续系统中技术成熟，应用最为广泛的一种调节器，结构简单，算法上易于实现。

遗传算法：遗传算法是一种随机性的全局寻优技术，它是解决非线性优化问题的常用方法，由于它并不依赖于所研究问题的具体领域，而且鲁棒性较好，与其他优化算法相比，他具有：智能性、适应性高、并行性、鲁棒性、非定向性、整体优化的优点。我们要研究的智能车学习算法是，在智能车运动的过程中，记录下智能车运动的相关数据，并通过智能算法寻找相关参数的优化方案。使小车再次行驶在在同样的赛道环境下，能够运行于更快更稳定的状态下。且这种参数值的优化工作具有传承性，即所有车辆中最佳的参数组合可以自动被加载至新车，可以借鉴遗传算法的内容，基于遗传算法的智能小车模糊控制系统具有道路检测和跟随功能。

发明内容

本发明的目的是克服现有技术的不足，提供了一种基于参数自动优化的控制算法的智能车及其控制方法。

本发明的技术方案如下：

一种基于参数自动优化的控制算法的智能车包括：智能车本体、安装在智能车本体内的单片机，以及与单片机相连的速度检测模块、摄像头模块、蓝牙模块、电机驱动模块、舵机驱动模块和OLED显示模块；所述的速度检测模块用于检测轮胎的转速，所述的摄像头模块安装在智能车本体上并用于采集车体前方的赛道信息；所述的电机驱动模块与智能车本体上的电机相连，所述的舵机驱动模块与智能车本体上的舵机相连，单片机包括PID模糊控制模块和遗传算法优化模块。

本发明还公开了所述的智能车的舵机控制方法：

1)摄像头模块采集车体前方的赛道图像并发送给单片机，摄像头传输回来的图像为行数为m、列数为n的像素点集合，对于给定的行m_k，扫描两条赛道边界线所处列数n_k1和n_k2，计算出赛道中心线所处的列位置并与摄像头采集到的图像的中线所处的列数n/2相比较，计算出当前智能车位置的中心偏差

2)将中心偏差E值进行模糊化处理，得到模糊变量e，即对E值进行分段，每相邻的8个E数值对应一个模糊等级，模糊等级作为模糊化的输出e；

3)给定一个模糊关系矩阵，在模糊关系矩阵中找到模糊变量e所对应的模糊输出量u；

4)将模糊输出量u精确化，即利用表达式计算出PID三个参数的值，作为PID模糊控制模块的输出量U，计算表达式如下：

P值：

ServoPIDP＝(ServoPIDPMat[e]*(8-ServoPFuzzyDegree)+ServoPIDPMat[e+1]*ServoPFuzzyDegree)/8 I值：

ServoPIDI＝0

D值：

ServoPIDD＝ServoPIDDMat[e]

其中，ServoPIDP表示模糊控制模块输出的PID的P值，ServoPIDD表示模糊控制模块输出的PID的D值，ServoPIDPMat[]为P值对应的模糊关系矩阵，ServoPIDDMat[]为D值对应的模糊关系矩阵；ServoPFuzzyDegree为E除以8后的余数；

5)输出量U经遗传算法优化模块优化后作为单片机的输出用于控制舵机驱动模块。

所述的遗传算法模块优化的过程为：

1)选取适应度函数：其中ω₁ω₂ω₃为对应变量的系数，且满足ω₁+ω₂+ω₃＝3，t为当前时刻，u(t)为PID的输出值，t_u代表上升沿时间；e(t)为t时刻的模糊变量e；

2)选择适应值的比例作为选择标准，得到每一个个体的入选概率P_i(a_i)；

对于给定的个体数为n的种群{a₁,a₂,…a_n}，个体的适应度为y(a_i)，其中i＝1,2,...n，其入选概率表示为：

在选择的过程中，按照选择概率的大小选择个体进入种群；

3)基于遗传算法的PID控制的优化PID控制参数表达式为：

KP＝(1-α₁)KP₀+α₁PIDKP

KI＝(1-α₂)KI₀+α₂PIDKI

KD＝(1-α₃)KD₀+α₃PIDKD

其中，KP、KI、KD为优化后的PID控制参数，KP₀、KI₀、KD₀为给定的PID初始值，PIDKP、PIDKI、PIDKD为PID模糊控制模块输出的控制参数，α₁、α₂、α₃为比例因子；

4)产生初始种群：随机产生关于α₁,α₂,α₃的初始种群，

5)进行选择、交叉、变异步骤，得到新的群体组合；

6)终止条件：判断是否满足终止条件，若达到条件，则输出最优解，否则转向步骤5)，直到输出最优解为止。

本发明还公开了一种所述的智能车的电机控制方法：

1)摄像头模块采集车体前方的赛道图像并发送给单片机，摄像头传输回来的图像为行数为m,列数为n的像素点集合，对于给定的行m_k，可扫描两条赛道边界线所处列数n_k1和n_k2，计算出赛道中心线所处的列位置并与摄像头采集到的图像的中线所处的列数n/2相比较，计算出当前智能车位置的中心偏差

2)将中心偏差E值进行模糊化处理，得到模糊变量e：即对E值进行分段，每相邻的8个E数值对应一个模糊等级，模糊等级作为模糊化的输出e；

3)给定一个模糊关系矩阵，在模糊关系矩阵中找到模糊变量e所对应的模糊输出量u；

4)将模糊输出量u精确化，即利用表达式计算出控制电机的PWM波的输入值，表达式为：

PWM＝SpeedTargetMat[e]

其中，PWM表示电机的PWM的输入值，SpeedTargetMat[]为电机的模糊关系矩阵；

5)单片机根据计算出的输入值通过电机驱动模块控制电机。

智能车的控制系统由方向控制系统和速度控制系统组成，速度控制系统通过对电机驱动的控制使智能车维持恒定速度运行，而方向控制系统用于维持智能车的稳定性和运行中的流畅性，采用基于遗传算法的模糊控制的策略，输出PWM波形控制舵机。

本发明与现有技术相比的有益效果是：

基于参数自动优化的PID控制，解决了模糊PID的调节过程复杂，且精度要求高，耗费大量的人力和时间成本的问题；打破了手动调节模糊变参数的局面，使智能车控制进入一个新的阶段。

附图说明

图1为本发明基于参数自动优化的控制算法的智能车的结构示意图；

图2为遗传算法模块优化的过程示意图；

图3为舵机控制框架图：

图4为电机控制框架图。

具体实施方式

如图1-4所示，一种基于参数自动优化的控制算法的智能车包括：智能车本体、安装在智能车本体内的单片机，以及与单片机相连的速度检测模块、摄像头模块、蓝牙模块、电机驱动模块、舵机驱动模块和OLED显示模块；所述的速度检测模块用于检测轮胎的转速，所述的摄像头模块安装在智能车本体上并用于采集车体前方的赛道信息；所述的电机驱动模块与智能车本体上的电机相连，所述的舵机驱动模块与智能车本体上的舵机相连，单片机包括PID模糊控制模块和遗传算法优化模块。

采用龙邱的单片机MK60DN512ZVLQ10作为单片机，采用单电机、单舵机的形式，使用OV7620摄像头，让智能车在既定的的赛道上运行。智能车运行的过程中，通过摄像头采集赛道的图像，并且将采集到的信号传入MK60单片机中，通过基于遗传算法的模糊PID控制，输出PWM波控制舵机和电机，从而控制智能车的运动速度和转向。

智能车的摄像头采集赛道的信息，单片机通过比较摄像头采集图像的中线与赛道中线的差值来计算位置误差，将位置误差作为方向控制系统的输入值。

在本例中，模糊算法的应用即用于优化速舵机PID控制中的模糊关系矩阵，减小其对专业人员的经验的依赖性。

电机的模糊控制：

1)摄像头模块采集车体前方的赛道图像并发送给单片机，摄像头传输回来的图像为行数为m,列数为n的像素点集合。对于给定的行m_k，可扫描两条赛道边界线所处列数n_k1和n_k2，计算出赛道中心线所处的列位置并与摄像头采集到的图像的中线所处的列数n/2相比较，计算出当前智能车位置的中心偏差

2)将中心偏差E值进行模糊化处理，得到模糊变量e；即对E值进行分段，每相邻的8个E数值对应一个模糊等级，模糊等级作为模糊化的输出e。具体分段如下：

E∈[0,8),e＝0

E∈[8,16),e＝1

E∈[16,24),e＝2

……

E∈[64,72),e＝8

E∈[72,+∞),e＝9

3)给定一个模糊关系矩阵，在模糊关系矩阵中找到模糊变量e所对应的模糊输出量u。本例中选取的模糊矩阵为:

SpeedTargetMat[]＝[1600,1600,1550,1500,1450,1400,1350,1300]

4)将模糊输出量u精确化，即利用表达式计算出控制电机的PWM波的输入值。表达式为：

PWM＝SpeedTargetMat[e]

其中，PWM表示电机的PWM的输入值，SpeedTargetMat[]为电机的模糊关系矩阵。

5)单片机根据计算出的输入值通过电机驱动模块控制电机。

舵机的模糊PID控制：

1)摄像头模块采集车体前方的赛道图像并发送给单片机，摄像头传输回来的图像为行数为m,列数为n的像素点集合。对于给定的行m_k，可扫描两条赛道边界线所处列数n_k1和n_k2，计算出赛道中心线所处的列位置并与摄像头采集到的图像的中线所处的列数n/2相比较，计算出当前智能车位置的中心偏差

2)将中心偏差E值进行模糊化处理，得到模糊变量e；即对E值进行分段，每相邻的8个E数值对应一个模糊等级，模糊等级作为模糊化的输出e，具体分段如下：

E∈[0,8),e＝0

E∈[8,16),e＝1

E∈[16,24),e＝2

……

E∈[64,72),e＝8

E∈[72,+∞),e＝9

3)给定一个模糊关系矩阵，在模糊关系矩阵中找到模糊变量e所对应的模糊输出量u。本例中，模糊关系矩阵为：

SeveroPIDPMat[10]＝[35,37,40,41,45,49,52,56,54,51]

SeveroPIDIMat[10]＝[0,0,0,0,0,0,0,0,0,0]

SeveroPIDPMat[10]＝[20,20,21,22,24,25,25,24,25,20]

4)将模糊输出量u精确化，即利用表达式计算出PID三个参数的值，作为PID模糊控制模块的输出量U。计算表达式如下：

P值：

ServoPIDP＝(ServoPIDPMat[e]*(8-ServoPFuzzyDegree)+ServoPIDPMat[e+1]*ServoPFuzzyDegree)/8I值：

ServoPIDI＝0

D值：

ServoPIDD＝ServoPIDDMat[e]

其中，ServoPIDP表示模糊控制模块输出的PID的P值，ServoPIDD表示模糊控制模块输出的PID的D值，ServoPIDPMat[]为P值对应的模糊关系矩阵，ServoPIDDMat[]为D值对应的模糊关系矩阵；ServoPFuzzyDegree为E除以8后的余数。

5)输出量U经遗传算法优化模块优化后作为单片机的输出用于控制舵机驱动模块。

遗传算法优化过程：

1)以舵机的控制为例，本发明中可以选取适应度函数：其中ω₁ω₂ω₃为对应变量的系数，且满足ω₁+ω₂+ω₃＝3，t为当前时刻，u(t)为PID控制器的输出值，t_u代表上升沿时间。

2)在本发明中，可选择适应值的比例作为选择标准，得到每一个个体的入选概率。对于给定的个体数为n的种群{a₁,a₂,...a_n}，个体的适应度为y(a_i)(i＝1,2,...n)，则其入选概率可以表示为：在选择的过程中，按照选择概率的大小来选择个体进入种群；取种群的大小n＝50,进化代数为100，交叉概率Pc＝0.8，变异概率P_m＝0.01，ω₁＝1.495，ω₂＝0.005，ω₃＝1.5

3)基于遗传算法的PID控制的优化PID控制参数表达式为：

KP＝(1-α₁)KP₀+α₁PIDKP

KI＝(1-α₂)KI₀+α₂PIDKI

KD＝(1-α₃)KD₀+α₃PIDKD

其中，KP、KI、KD为优化后的PID控制参数，KP₀、KI₀、KD₀为给定的PID初始值，PIDKP、PIDKI、PIDKD为模糊控制器输出的PID控制参数，α₁、α₂、α₃为比例因子。

4)产生初始种群：随机产生n＝50的初始种群，例如种群中的一组个体可以表示为{α₁,α₂,α₃}＝{0.3,0.4,0.5}；

5)选择：根据初始种群的适应度计算出其遗传概率，根据概率来筛选下一代种群；

6)交叉：交叉就是将不同的个体之间的组成部分重新组合，得到新的下一代种群的过程。例：个体1：A₁＝{0.3,0.4,0.5},个体2：A₂＝{0.5,0.6,0.2}，经过交叉后其产生的新一代个体可能为：A₁⁽²⁾＝{0.3,0.6,0.2}和A₂⁽²⁾＝{0.5,0.4,0.5}；

7)变异：通过小概率在种群中引入不属于该种群的因子。例A₁＝{0.3,0.4,0.5}变异后可产生A₁⁽³⁾＝{0.9,0.4,0.5}的子代个体；

8)终止条件：判断有无经过100次遗传，若有，则结束，输出种群，若无，则返回5)进行下一轮迭代。