基于模糊控制的金屬檢測導(dǎo)航智能車轉(zhuǎn)向系統(tǒng)研究

龐川川

(安徽財經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院，安徽 蚌埠 233030)

基于模糊控制的金屬檢測導(dǎo)航智能車轉(zhuǎn)向系統(tǒng)研究

龐川川

(安徽財經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院，安徽 蚌埠 233030)

提出了LCR檢測方案作為金屬檢測導(dǎo)航智能車的道路識別方式，在此基礎(chǔ)上，列舉了小車在高速情況下通過連續(xù)急彎的三種轉(zhuǎn)向方案，并實驗驗證了小車對于每種轉(zhuǎn)向方案的動態(tài)效果。構(gòu)建了自適應(yīng)模糊PD控制器，以偏差和變差作為模糊輸入，采用最大隸屬度原則調(diào)整控制規(guī)則，進而實現(xiàn)了以金屬檢測為導(dǎo)航的智能車轉(zhuǎn)向自適應(yīng)系統(tǒng)設(shè)計。

金屬檢測；線圈排布；雙路作差；偏差修正；模糊PD控制

智能車是一個集環(huán)境感知、決策規(guī)劃、多等級輔助識別等功能于一體的綜合系統(tǒng)。[1] 93-97轉(zhuǎn)向系統(tǒng)在智能車控制系統(tǒng)中是非常重要的組成部分，傳感器識別賽道后，送入控制器進行分析得出偏差，然后執(zhí)行器響應(yīng)偏差。通常在設(shè)計轉(zhuǎn)向系統(tǒng)時，可以把該系統(tǒng)描述成一個關(guān)于輸入?yún)?shù)，過程狀態(tài)變量，輸出參數(shù)的數(shù)學(xué)模型，[2]618-621對模型進行分析優(yōu)化后可以得到最優(yōu)的設(shè)置參數(shù)。

以金屬檢測為導(dǎo)航的AGV小車相對于其他導(dǎo)航方式具有成本低、對環(huán)境要求低、易更改路線等優(yōu)點，是目前得到較多研究的導(dǎo)航技術(shù)之一。在金屬檢測傳感器LDC1000采集有限數(shù)據(jù)的情況下，轉(zhuǎn)向算法的設(shè)計對于小車的靈敏性和抗干攏性非常重要，文獻一提出將偏差的二次項作為比例部分控制舵機偏轉(zhuǎn)，[3]63-64可以提高小車的過彎性能，但是不適用于以金屬檢測為導(dǎo)航的智能車轉(zhuǎn)向系統(tǒng)。

1 LCR金屬檢測方案

傳統(tǒng)的金屬檢測循跡小車通常采用單路或雙路線圈導(dǎo)航，利用線圈相對中線的偏差來控制小車方向。經(jīng)實驗驗證，此方案主要適用于區(qū)域內(nèi)自動探測和定位不同的金屬物體，[4]63-66如探測硬幣、掃雷等，不適用于對抗干擾性和靈敏度要求較高的競速系統(tǒng)。LCR金屬檢測方案在原方案的基礎(chǔ)上，加入中路線圈，三路線圈的排布遵循“干擾最少、范圍最廣”的原則，既要減少線圈之間的互感，又要保證小車的檢測范圍最大。

圖1 線圈排布

該方案將賽道劃分為3個區(qū)間范圍：區(qū)間A：[-30°,30°]，區(qū)間B:[-180°,-30°]，區(qū)間C：[30°,180°]。在A區(qū)間范圍內(nèi)，偏轉(zhuǎn)角與小車偏離中線程度呈線性響應(yīng)，小車在直道不會出現(xiàn)“搖頭”現(xiàn)象。在BC區(qū)間范圍內(nèi)，將小車偏轉(zhuǎn)角置最大，小車可以順利通過彎道。轉(zhuǎn)向算法具體如下：首先通過初始標定采集賽道情況。分別標定左路位于鋁膜正上方時，左路最大值、右路最小值；右路位于鋁膜正上方時，左路最小值、右路最大值；兩路線圈沿鋁膜平行放置時，左路中值、右路中值、中路中值；以5ms控制周期對LDC1000傳感器輸出的數(shù)字量進行滑動平均濾波，再進行歸一化處理，歸一范圍是0～100. sensor_to_one[i]=(float)(AD_valu[i]-min_v[i])/(float)(max_v[i]-min_v[i]);時刻記錄左右兩路線圈的數(shù)值，當左路線圈或右路線圈的數(shù)值小于丟線閾值時，即將丟線標志位置為True，再結(jié)合中路傳感器的數(shù)值，當中路傳感器數(shù)值小于偏轉(zhuǎn)閾值時，可判定小車偏轉(zhuǎn)角度較大，做丟線處理。根據(jù)丟線標志位將偏差置于最大，不丟線情況下，舵機根據(jù)左右線圈差值線性偏轉(zhuǎn)。

圖2 方案1偏差曲線

此方案對雙路線圈導(dǎo)航策略作了進一步的優(yōu)化，低速情況下小車在直道行駛具有較好的穩(wěn)定性和抗干擾性，解決了原有方案的丟線問題，但是實驗發(fā)現(xiàn)，當小車高速通過曲率半徑較大的連續(xù)急彎時，系統(tǒng)易出現(xiàn)振蕩，且響應(yīng)靈敏度較差。

2 檢測最大值修正偏差

采用LCR導(dǎo)航方案，結(jié)合“中路輔助判別，雙路作差”算法，小車實現(xiàn)了“永不丟線”。但是小車在應(yīng)對連續(xù)急彎時，系統(tǒng)較不穩(wěn)定。當小車車速較高時，應(yīng)選擇較遠處的點求取偏差，等效于時間上提前入彎，小車利用前輪轉(zhuǎn)向帶來的向心力并結(jié)合小車入彎前的固有慣性達到快速轉(zhuǎn)彎的目的。[5]130-134所以小車在通過連續(xù)急彎時，需提前對賽道進行預(yù)判，并用算法修正偏差曲線替代原有嚴重丟線的數(shù)據(jù)。

通過記錄三路傳感器的最大值，判斷小車偏離中線的程度。當偏離中線較大時，采用曲線修正。即當誤差較小的時候，輸出值很小，誤差變大的時候，輸出值變化得很快。具體做法如下：分別讀取L(左路線圈)，C(中路線圈)，R(右路線圈)的值，將三路線圈中的最大值記為M。

1) 當M=C時，會有以下三種情況：L>R，說明小車輕微右偏；L

2) 當M=L時，說明小車此時偏離中線較嚴重，右丟線。

3) 當M=R時，說明小車此時偏離中線較嚴重，左丟線。

圖3 右丟線 圖4 正常行駛 圖5 左丟線

對于第1種情況，即偏差為[-60°,60°]時，系統(tǒng)采取線性響應(yīng)，偏差為正常差值或為正常差值的倍數(shù)。第2種情況，即當偏差較大時，即可判定小車丟線較為嚴重，此時小車通過彎道產(chǎn)生較強的系統(tǒng)延時，對于連續(xù)的急彎道，滯后性很強。對于此種情況，將偏差根據(jù)兩路線圈中的最大值，修正為一個較大值D_valueTemp，并比較此較大值與偏差的大小，一旦當D_valueTemp小于偏差時，計算出D_valueTemp與偏差的殘差，當D_valueTemp減去殘差小于偏差時，將偏差置成D_valueTemp減殘差。即用左路或者右路的數(shù)值來擬合偏差。

chazhi=±(int16)((1/(float)(AD[1 | 2]+a))*13000-c)

此處a、c的值可根據(jù)小車的響應(yīng)情況動態(tài)設(shè)定，擬合的最好狀態(tài)就是將原有曲線補成一個平滑的曲線，此時在小車靜止狀態(tài)下對小車進行標定，其偏差曲線平滑度較好。但是實驗發(fā)現(xiàn)，靜態(tài)的偏差曲線不適用于小車動態(tài)行駛，小車實際運行較好的曲線，是當偏差較大時將其偏差置于一個極大值。偏差曲線如圖所示，橫坐標是傳感器采集回來的賽道中心線相對于賽車中心的偏移量，縱坐標表示轉(zhuǎn)角大小。

圖6 方案2偏差曲線

通過檢測最大值修正偏差，提高了舵機轉(zhuǎn)向的靈敏性，對于彎道曲率半徑較小的賽道具有較強的自適應(yīng)能力，但是減弱了小車的抗干擾性，使其穩(wěn)定性降低，在直道行駛中，一個微小干擾的引入即對系統(tǒng)造成很大的影響。

3 模糊PD控制

小車轉(zhuǎn)向系統(tǒng)是一個非線性過程，用精確的數(shù)學(xué)模型對其進行描述是非常繁重的任務(wù)。所以在原有方案基礎(chǔ)上引入模糊控制器，模糊控制將過程變量引入控制回路是靜態(tài)非線性的，使得小車在轉(zhuǎn)向過程中穩(wěn)定性更好。

傳統(tǒng)PID控制在直道行駛過程中，容易因超調(diào)產(chǎn)生振蕩，且一組固定不變的PID參數(shù)無法適應(yīng)變量眾多，干擾眾多的轉(zhuǎn)向系統(tǒng)。[6]166-171模糊

PID控制相較于傳統(tǒng)PID控制算法具有較好的穩(wěn)定性和實時性，可以在轉(zhuǎn)向時根據(jù)偏差和變差的值基于專家知識及時修改參數(shù)。由于舵機需要轉(zhuǎn)向及時，積分項用來消除穩(wěn)態(tài)誤差，但對于系統(tǒng)有很強的滯后性，所以在轉(zhuǎn)向系統(tǒng)中不引入積分項，采用模糊PD控制算法。

模糊控制器的基本結(jié)構(gòu)通常由4個部分組成：模糊化接口、規(guī)則庫、模糊推理、清晰化接口。[7]51-53本文通過定義量化因子將輸入語言變量的論域從實際的連續(xù)域轉(zhuǎn)換到離散的有限整數(shù)域。對于輸出變量未使用量化因子，直接將傳統(tǒng)PD參數(shù)的動態(tài)效果應(yīng)用到該模糊控制系統(tǒng)中去。

該模糊控制系統(tǒng)輸入為偏差e，變差ec,輸出為kp,kd，是一個雙輸入輸出的模糊控制系統(tǒng)。規(guī)范化的偏差模糊集為{NS,NM,NB,ZO,PS,PM,PB},偏差e的論域為[-3,+3],變差ec的論域為[-0.3,+0.3]，kp的論域為[0,+18],kd的論域[0,+20]，其中輸出變量的論域由傳統(tǒng)PD控制器大致確定，然后根據(jù)小車運行效果動態(tài)整定。

通常模糊控制的規(guī)則基于控制類型和實際經(jīng)驗：當偏差e較大時，需要給出正的控制量，進一步的，如果變差ec為PB,PM，其偏差為正較大且仍有加大的趨勢，所以加大反向控制輸出量kp設(shè)置為NB.對于其他組合也可總結(jié)出類似的規(guī)律。根據(jù)文獻8，“FSW方法通過設(shè)定值權(quán)系數(shù)方法上改進的模糊邏輯調(diào)整權(quán)系數(shù)法，具有很好的跟蹤設(shè)定值，減少符合擾動的性能，能實現(xiàn)最優(yōu)整定”。[8]325-328最終規(guī)則表如下所示：

Rulei:If e is Ai and ecis Bi then kp=f1(Ai,Bi)and kd=f2(Ai,Bi); i=1,2,3,…,n

表1 模糊規(guī)則表

表2 模糊規(guī)則表

該模糊控制器隸屬度函數(shù)兩側(cè)為梯形隸屬函數(shù)，中間為三角形隸屬函數(shù)。一般來講隸屬函數(shù)的選擇對控制效果影響不大，主要的影響因素是每個模糊子集的寬度選擇。[9]10-14

圖7 規(guī)則的三維曲面顯示

采用最大隸屬度原則，將推理得到的模糊子集轉(zhuǎn)換為精確值，以得到最終的舵機偏轉(zhuǎn)角度的論域先在PD算法控制下得出一個較為優(yōu)化的區(qū)間范圍，實際參數(shù)的設(shè)置還要根據(jù)小車的實際情況和賽道的摩擦力大小確定。

4 實驗結(jié)果與分析

實驗賽道全長為17.5m,采用寬度為50cm的PVC耐磨塑膠地板材料制作，賽道元素為小s彎道、大s彎道、連續(xù)急彎等元素。感應(yīng)金屬使用寬度5cm、厚度0.1cm的鋁膜，兩道鋁膜鋪設(shè)在賽道中央，間距為0.5cm。測試小車為飛思卡爾大學(xué)生競賽車模-模型車A，其尺寸為27*16*8cm,有較好的調(diào)零裝置，可自由組裝。[10]45-49舵機采用S3010型號通用伺服器，當供電為6.0V時，其動作速度為0.16+0.02[sec/60度]，反應(yīng)速度快，轉(zhuǎn)向靈敏。

實驗分別比較了采用三種轉(zhuǎn)向方案下的實驗數(shù)據(jù)，用藍牙對數(shù)據(jù)進行采集觀察小車的運動狀態(tài)，用秒表記錄小車在三種開環(huán)占空比Ⅰ=%17,Ⅱ=%30,Ⅲ=%50控制等級下所用的時間，每種等級試驗12次，計算其速度，并求其均值和方差。在試驗過程中，由于環(huán)境變量相同(賽道狀態(tài)、外部干擾)，所以可不計入系統(tǒng)比較。

表3 三種方案的均值和方差

比較三種方案的速度均值顯示，方案三相較于其他兩種方案，在相同開環(huán)占空比下，小車的速度更快；在低速情況下，方案一小車穩(wěn)定性最好，高速情況下，方案三小車穩(wěn)定性最好?？偟膩碚f，模糊控制對于以金屬檢測為導(dǎo)航的智能車的轉(zhuǎn)向有較好的效果。如圖為采用方案三速度等級為III時，用藍牙記錄小車運行時的偏差曲線圖，曲線平滑度較好，說明小車隊賽道的自適應(yīng)性較強，轉(zhuǎn)彎效果較好。

圖8 小車運動偏差曲線

結(jié)語

本文分析了三種不同的轉(zhuǎn)向控制方案，比較了各種算法的優(yōu)缺點，將以金屬檢測為導(dǎo)航的智能車從普通轉(zhuǎn)向策略轉(zhuǎn)變到模糊PD控制算法，通過實驗驗證了模糊控制對于復(fù)雜轉(zhuǎn)向系統(tǒng)的優(yōu)越性。但是由于此實驗三個速度等級均是開環(huán)占空比，速度環(huán)未采用閉環(huán)控制，沒有將方向環(huán)與速度環(huán)進行很好地融合，所以還需要進一步的實驗研究。

[1]王榮本，李冰，等.世界智能車輛研究概述[J].公路交通科技，2001,18(5)： .

[2]潘陽，馮能蓮,等.電動助力轉(zhuǎn)向系統(tǒng)模型預(yù)測控制策略的研究[C].2015年中國汽車工程學(xué)會年會論文集,2015.

[3]張明琦，余善恩，劉國華.二次函數(shù)PD算法在智能轉(zhuǎn)向車中的應(yīng)用[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報，2015,31(03).

[4]李艷紅，李自成，孫仕琪.基于STM32單片機的金屬物體探測定位器系統(tǒng)的設(shè)計與實現(xiàn)[J].儀器技術(shù)與傳感器，2016(4).

[5]魏玉虎，石琛宇，姜建釗，常華.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).

[6]王述彥，師宇，馮忠緒.基于模糊PID控制器的控制方法研究[J].機械科學(xué)與技術(shù),2001:30(1).

[7]劉素芹，劉新平,等.PID與模糊控制算法的比較及其改進[J].控制工程，2003:10(1) .

[8]宋筱玲，潘學(xué)軍.模糊規(guī)則調(diào)整微分作用的PID控制方法[J].儀器儀表學(xué)報，2004,25(3).

[9]竇國偉，馬海濤，馬先萌.基于模糊控制算法的增量式電動車能量分配策略[J].新能源汽車，2012(3).

[10]朱昌平，李永強，單鳴雷.飛思卡爾智能車常見技術(shù)問題與解決方案[J].實驗室研究與探索，2012(04).

Class No.:TP273 Document Mark：A

(責(zé)任編輯：蔡雪嵐)

steering system based on fuzzy control of Metal detection car

Pang Chuanchuan

(Anhui University of Finance and Economics, Bengbu, Anhui 233030，China)

The LCR scheme is proposed as the method of road identification for the detection of intelligent car, On this basis, three high speed of steering schemes are listed, .And using experiment verified the dynamic effect of each way The adaptive fuzzy PD controller is constructed, With the deviation and variation as the fuzzy input, the control rule is adjusted by the maximum membership principle. It is achieved by metal detection for the navigation of Adaptive steering system.

Metal detection; Coil configuration; Two-way difference; Deviation correction; Fuzzy PD

龐川川，安徽財經(jīng)大學(xué)電子信息工程系本科學(xué)生。研究方向：嵌入式系統(tǒng)與應(yīng)用。

2016年國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目(編號：201610378119)。

1672-6758(2017)04-0075-5

TP273

A