基于計算機視覺技術(shù)的車輛遠程控制技術(shù)研究

李 虎，楊威文

(1.廣西壯族自治區(qū)人民醫(yī)院，南寧 530022;2.北京郵電大學(xué) 計算機學(xué)院，北京 100876)

0 引言

由于履帶行走系統(tǒng)的觸地壓力較小、上坡能力強以及牽引力較大，因而備受不平坦地面作業(yè)車輛的青睞，裝載機、挖掘機等常以履帶行走系統(tǒng)作為基本裝置[1]。履帶車輛工作環(huán)境常比較惡劣，經(jīng)常伴有噪音以及灰塵等，可能對操作人員的生命健康安全構(gòu)成威脅，因此對履帶車輛的車輛狀態(tài)進行實時監(jiān)控，實現(xiàn)履帶車輛的遠程控制成為亟不可待的需求[2-3]。然而，在對履帶車輛進行監(jiān)控的過程中會涉及到大量車輛狀態(tài)以及路況信息，因而要求車輛遠程控制系統(tǒng)具有較高的數(shù)據(jù)處理能力。近年來，全球互聯(lián)網(wǎng)信息技術(shù)飛速發(fā)展，各種智能算法交織出現(xiàn)，這使數(shù)據(jù)收集和傳輸?shù)乃俣鹊搅艘粋€空前的高度，這為履帶車輛狀態(tài)信息的實時采集、提升施工效率、降低事故發(fā)生率帶來機遇。本次研究在充分利用計算機視覺技術(shù)的基礎(chǔ)上，選取模糊PID控制算法建立基于履帶車輛的遠程控制系統(tǒng)，文中對系統(tǒng)功能、軟硬件設(shè)計等進行了詳細介紹。本次研究的創(chuàng)新之處就在于將計算機視覺技術(shù)與模糊PID控制算法進行結(jié)合，有效提高了車輛遠程控制系統(tǒng)的效率。

1 車輛遠程控制系統(tǒng)構(gòu)成與計算機視覺技術(shù)

隨著計算機網(wǎng)絡(luò)技術(shù)的進步和發(fā)展，結(jié)合各種先進技術(shù)和智能算法對車輛遠程控制系統(tǒng)進行研究已成為自動化控制領(lǐng)域的一個重點研究方向。車輛遠程控制系統(tǒng)的開發(fā)利用不僅可以保障車輛的安全運行，對車輛的潛在故障進行預(yù)測，還能有效避免人體和危險環(huán)境進行直接接觸，減少交通事故的發(fā)生。因此，對車輛遠程控制系統(tǒng)進行深入研究具有一定的美好前景。履帶車輛的遠程控制系統(tǒng)主要由兩部分組成，分別是遠程監(jiān)控系統(tǒng)與遠程調(diào)整系統(tǒng)[4]。遠程監(jiān)控系統(tǒng)的存在主要是為了實現(xiàn)對履帶車輛運行狀態(tài)的實時監(jiān)測，首先通過物聯(lián)網(wǎng)技術(shù)對車輛狀態(tài)信息進行實時采集，采集的車輛信息主要包括燃油油位、輪胎壓力以及車輛行駛速度等。然后利用互聯(lián)網(wǎng)技術(shù)將采集所得的車輛信息傳送至監(jiān)控中心，監(jiān)控中心則通過電腦或者手機終端對車輛狀態(tài)信息進行查看，實現(xiàn)對車輛的實時監(jiān)測[5-6]。遠程調(diào)整系統(tǒng)則主要負責(zé)對車速以及方向等進行調(diào)控，當下常用的遠程調(diào)整主要是通過局域網(wǎng)和互聯(lián)網(wǎng)實現(xiàn)的，這種基于信息技術(shù)的遠程調(diào)控可以有效提高對履帶車輛的控制效率[7-8]。

無人駕駛技術(shù)一直是車輛遠程控制系統(tǒng)研發(fā)中的一個研究重點，其研究內(nèi)容主要在于對周圍復(fù)雜環(huán)境的識別、對重要信息的提取，以及對自動控制算法的編輯等，計算機視覺技術(shù)的研究開發(fā)也是其研究內(nèi)容的一個重要部分。計算機視覺技術(shù)是一種利用計算機模擬人類視覺過程、感知環(huán)境的先進技術(shù)，其本質(zhì)主要在于對環(huán)境信息進行收集，以及對獲取圖像進行處理，比如計算機視覺技術(shù)利用攝像機對實際路況信息進行采集，通過對道路圖像進行分析，篩選出有用的導(dǎo)航信息，從而實現(xiàn)對車輛運行的控制[9-10]。計算機視覺技術(shù)以其經(jīng)濟性、自主性、實時性以及適用性受到了廣大信息技術(shù)利用者的青睞，被廣泛應(yīng)用于各大領(lǐng)域[11-12]。例如利用計算機視覺技術(shù)對工人的作業(yè)安全進行監(jiān)測，監(jiān)測系統(tǒng)利用模板匹配算法將攝像機采集的工人作業(yè)圖片與現(xiàn)有規(guī)章制度進行匹配計算，當出現(xiàn)不規(guī)范作業(yè)行為時，及時對工人進行提醒，有效避免安全事故的發(fā)生。

2 履帶行走系統(tǒng)跟隨基本理論

2.1 履帶行走系統(tǒng)跟隨原理

履帶行走系統(tǒng)主要是基于履帶行走裝置獲取導(dǎo)航的預(yù)設(shè)路線，控制導(dǎo)航的轉(zhuǎn)向和走向在預(yù)設(shè)范圍之內(nèi)。履帶行走跟隨裝置在履帶行走系統(tǒng)中的運行首先是通過計算機視覺技術(shù)獲取車輛的航向信息。然后通過對圖像分析處理得到履帶行走系統(tǒng)的航線擬合曲線。最后通過計算其形心角度與擬合曲線之間偏差的方式，來得到履帶行走系統(tǒng)的航向角偏差，同樣的方法也可得到其與擬合曲線間的距離偏差,其路徑跟隨原理如圖1所示。

圖1 履帶行走系統(tǒng)路徑跟隨原理

履帶一般都呈軸對稱分布，因此可以在直接控制一組履帶的基礎(chǔ)上實現(xiàn)轉(zhuǎn)向。履帶行走系統(tǒng)在進行轉(zhuǎn)向操作時，履帶會受到地面摩擦力的作用。當履帶車輛在直線行駛過程中突然轉(zhuǎn)彎或者當履帶車輛處于啟動狀態(tài)時，可以認為其運行系統(tǒng)處在動態(tài)過程中，可以得到其相應(yīng)的轉(zhuǎn)向動力分析方程，參見公式(1):

(1)

其中：FR1=FR2=mgfg/2為滾動摩擦阻力，系統(tǒng)質(zhì)量用m表示，其轉(zhuǎn)動慣量則用J0表示，轉(zhuǎn)動阻力矩用M代表，在不考慮履帶車輛滑移與滑轉(zhuǎn)的情況下，可以利用公式(2)實現(xiàn)對履帶行走系統(tǒng)轉(zhuǎn)動阻力矩的求解。

(2)

式中，nk表示履帶張力指數(shù)；最大轉(zhuǎn)向阻力系數(shù)用μmax表示，并設(shè)置其取值范圍為0.2～0.5，此外履帶車輛的自有轉(zhuǎn)彎半徑用Rk表示。

2.2 圖像處理原理

計算機視覺技術(shù)需要通過攝像機處理獲取環(huán)境數(shù)據(jù)，由于要對航線進行精準識別并預(yù)判其偏差大小，因而需要對獲取圖像進行預(yù)處理，常見的處理方法有圖像二值化、邊緣檢測等。在視覺跟隨的控制過程中，通過攝像機采集道路信息，同時利用Labview軟件對獲取的道路圖像進行處理，由于外界干擾因子的存在，例如采集圖像中可能含有噪聲，需用濾波對其進行處理。若要實現(xiàn)圖像的二值化，則需要對圖像做進一步處理，將其轉(zhuǎn)變?yōu)槎M制形式的灰度圖片，并對其像素值進行設(shè)定，位于0～255之間，同時以差異化的跟蹤軌跡線以及像素信息，對二值化閾值進行差異化設(shè)置。因為圖像二值化過程中存在路面干擾因素，因而需要根據(jù)航線軌跡像素的寬度差異化，對二值化后的像素矩陣進行遍歷，識別出導(dǎo)航線與干擾因子，經(jīng)過仔細篩選后即可得到清晰的路標信息。圖像邊緣檢測主要是根據(jù)對圖像灰度值間歇性的判斷，在灰度化圖像出現(xiàn)灰度值驟變處對其進行檢測，導(dǎo)致圖像灰度值跳變的原因主要有四方面，分別是材料性質(zhì)、物體顏色的差異性、曲面位置以及光照的差異性、物體與背景的較大差異以及物體與自身影子的鮮明對比。只要存在差異性的地方，均可能導(dǎo)致圖像的灰度值跳變。

2.3 模糊PID控制

在人工智能控制范圍內(nèi)，最為常見的控制方法主要是人工神經(jīng)網(wǎng)絡(luò)控制以及PID控制等，各智能算法間通過協(xié)作可實現(xiàn)更高效率的運行控制，比如模糊神經(jīng)網(wǎng)絡(luò)控制、變論域控制以及模糊PID控制等[13-14]。鑒于履帶行走車輛的本質(zhì)屬性，此次研究利用模糊PID控制方法實現(xiàn)對履帶車輛行駛過程中各鉸接點偏轉(zhuǎn)角度、履帶行駛速度等技術(shù)指標進行實時控制，從而實現(xiàn)履帶車輛的路徑跟蹤以及遠程控制。模糊PID控制是PID控制與模糊控制的結(jié)合體，其基本結(jié)構(gòu)包括基本二維模糊控制器和普通PID控制器，控制原理可以參見圖2。

圖2 模糊PID控制機理圖

模糊控制器的處理過程包含模糊推理、控制參數(shù)模糊化以及去模糊化三個過程[15]。模糊推理根據(jù)模糊控制規(guī)則對控制過程進行推理判斷；控制參數(shù)模糊化則利用相關(guān)方法實現(xiàn)具體值的模糊化；去模糊化利用模糊參數(shù)對模糊度進行計算，以獲取程序的精確輸出值，達到精確控制執(zhí)行機構(gòu)的效果。模糊PID控制的應(yīng)用范圍較廣，其控制器主要由微積分控制器以及比例控制器組成。微分控制器通過對輸入誤差進行微分處理，實現(xiàn)系統(tǒng)的穩(wěn)定，同時達到降低系統(tǒng)超調(diào)量以及動態(tài)改善控制系統(tǒng)的效果。積分控制器則通過增益KP對控制器的輸入誤差進行積分處理，以完成對放映系統(tǒng)誤差的調(diào)節(jié)任務(wù)。積分控制器則對輸入誤差進行處理，通過不斷消除系統(tǒng)誤差的方式逐步提高系統(tǒng)的調(diào)節(jié)精度。PID控制器的數(shù)學(xué)模型參照下式。

(3)

式中，e(t)為PID控制器的輸入型誤差，r(t)作為設(shè)定值，c(t)為系統(tǒng)的實際輸出誤差，系統(tǒng)的比例增益用KP表示，Ti與Td分別表示微積分時間常數(shù)。

3 履帶車輛遠程控制系統(tǒng)設(shè)計

3.1 硬件設(shè)計

履帶車輛遠程控制系統(tǒng)主要由檢測、主動控制以及視覺自動跟隨三部分組成?；诨ヂ?lián)網(wǎng)技術(shù)的遠程監(jiān)控部分主要功能是實現(xiàn)對履帶車輛運行狀態(tài)參數(shù)的時刻監(jiān)測，利用物聯(lián)網(wǎng)技術(shù)完成對車輛狀態(tài)信息的采集，接著施加機載電腦的作用，完成車輛狀態(tài)參數(shù)實時傳輸，傳輸終點是系統(tǒng)的監(jiān)控中心，系統(tǒng)監(jiān)控中心通過智能終端即可實現(xiàn)車輛狀態(tài)參數(shù)的及時查看，進而對車輛的路況、速度、自身傾角等運行狀態(tài)進行實時監(jiān)控，當遇到障礙物時通過遠程終端對車輛進行調(diào)控，避免安全事故發(fā)生。而自動視覺跟隨則通過對履帶車輛的航行線路進行調(diào)控，實現(xiàn)履帶車輛的安全行進。系統(tǒng)主要的硬件設(shè)施包括傳感器、GPS定位儀、cRIO9030下位機、監(jiān)控中心、攝像頭、履帶車輛以及輸入輸出板卡等，詳細的系統(tǒng)結(jié)構(gòu)設(shè)計參加下圖。

圖3 履帶車輛遠程控制系統(tǒng)結(jié)構(gòu)圖

3.2 軟件設(shè)計

履帶車輛遠程控制系統(tǒng)對車輛數(shù)據(jù)進行處理運算的主要工具為Labview軟件，Labview軟件可利用可視化G語言實現(xiàn)視覺跟隨的代碼編寫。履帶車輛遠程控制系統(tǒng)軟件設(shè)計主要是對主動控制過程、視覺跟隨過程的圖像處理、車輛狀態(tài)信息采集等程序進行算法設(shè)計。Labview軟件可以在機載電腦以及下位機cRIO9030環(huán)境下存儲，從而實現(xiàn)車輛狀態(tài)監(jiān)測與車輛控制的雙駕馬車。利用機載電腦上的總程序?qū)χ鲃涌刂瞥绦?、視覺跟隨程序以及車輛狀態(tài)監(jiān)測程序進行調(diào)控?？偝绦蚯懊姘鍎t通過Labview實現(xiàn)控制前面板的網(wǎng)頁內(nèi)嵌，進而遠程控制中心通過對Labview的web服務(wù)器的訪問即可實現(xiàn)對前面板的控制。履帶車輛狀態(tài)監(jiān)測程序利用Labview的下位機對卡通道數(shù)據(jù)進行讀取，Labview通過GPS獲取車輛位置信息，同時對各傳感器數(shù)據(jù)進行處理，并將處理后的結(jié)果反饋給機載電腦，監(jiān)控中心通過機載電腦即可獲取車輛狀態(tài)信息。根據(jù)履帶車輛遠程控制系統(tǒng)的采控數(shù)據(jù)，Labview設(shè)計包括路面圖像顯示表、車輛航向以及串口選擇下拉框等。下位機主程序編程面板結(jié)構(gòu)利用狀態(tài)機模型實現(xiàn)上述編程過程，狀態(tài)機模型包含3個過程，分別是順序結(jié)構(gòu)、While循環(huán)以及事件結(jié)構(gòu)。其中順序結(jié)構(gòu)主要對串口、前面板創(chuàng)建等進行設(shè)置，串口配置過程決定VISA資源名稱、數(shù)據(jù)比特、終止符狀態(tài)等參數(shù)；前面板創(chuàng)建過程涉及到遠程控制指示燈狀態(tài)的設(shè)定，使得程序LED指示燈嚴格受遠程控制指令控制。While循環(huán)涉及到嵌套事件結(jié)構(gòu)，事件結(jié)構(gòu)分支則主要包含路面信息采集與遠程控制。在視覺跟隨控制程序中，利用Labview程序完成對車輛路況信息的調(diào)用，取得路況圖像需要用濾波進行處理，以消除噪聲等外界干擾，然后對圖片進行灰度、二值化處理，進而得到二值化圖片矩陣，最后通過最小二乘法對履帶車輛進行標志線擬合，使得履帶車輛按照預(yù)定航線行駛，履帶車輛的遠程控制系統(tǒng)整體框架如圖4所示。

圖4 履帶車輛的遠程控制系統(tǒng)框架

3.3 系統(tǒng)實現(xiàn)

履帶車輛遠程控制是通過監(jiān)控中心實現(xiàn)的，Labview軟件自帶Web服務(wù)器，其服務(wù)器傳輸方式分為顯示器式、快照式以及內(nèi)嵌式3種。顯示器式要求以動態(tài)圖像的形式顯示前面板的圖像，且以秒為頻次進行刷新；快照式則是在互聯(lián)網(wǎng)控制端只對連接靜態(tài)圖像進行顯示；內(nèi)嵌式則是指將前面板內(nèi)嵌至Web服務(wù)器,利用控制終端對服務(wù)器進行訪問以打開前面板，進而起到控制前面板的作用。此處對履帶車輛總程序的設(shè)計采用內(nèi)嵌式。只要控制中心輸入對應(yīng)服務(wù)器的前面板，就可以快速轉(zhuǎn)至履帶車輛控制程序的前面板，實現(xiàn)對履帶車輛的遠程控制，其網(wǎng)絡(luò)遠程車輛控制流程如圖5所示。

圖5 互聯(lián)網(wǎng)遠程控制流程示意圖

4 實驗結(jié)果與分析

4.1 虛擬機創(chuàng)建及系統(tǒng)建設(shè)

為了對履帶車輛遠程控制系統(tǒng)的有效性進行驗證，此次研究基于虛擬樣機技術(shù)對履帶車輛遠程控制系統(tǒng)進行仿真分析。在SolidWorks上建立履帶車輛的三維行走模型，并詳細設(shè)計該模型的相關(guān)參數(shù)，車輛的行走裝置主要包括導(dǎo)向輪、履帶架、支重輪、拖鏈輪以及驅(qū)動輪等，將三維模型保存為x_t格式，并將其導(dǎo)入至相應(yīng)的低速履帶模型中。在低速履帶模型中，可以對履帶鏈條以及底盤接觸參數(shù)等進行自定義設(shè)計。按照設(shè)定好的裝置參數(shù)對驅(qū)動輪、導(dǎo)向輪、支重輪以及履帶板等進行創(chuàng)建。

履帶車輛在實際行駛過程主要產(chǎn)生兩個誤差，分別為航向誤差以及距離誤差，將該兩項誤差以自變量的方式輸入控制系統(tǒng)中，利用模糊控制器對其進行模糊推理，推理完成后輸出三項控制參數(shù)，分別是微積分控制參數(shù)KD/KI以及比例系數(shù)KP。PID控制器通過調(diào)整這三項系數(shù)完成對系統(tǒng)誤差的調(diào)節(jié)，其中積分控制調(diào)節(jié)穩(wěn)態(tài)誤差，比例系數(shù)調(diào)節(jié)系統(tǒng)精度，微分控制調(diào)節(jié)超調(diào)或震蕩。模糊PID控制系統(tǒng)的原理參見圖6所示。

圖6 模糊PID控制原理圖

4.2 直線行駛作業(yè)分析

直線行駛情況下，設(shè)置好履帶車輛的初始位置、航向誤差，初始速度以及最大速度等相關(guān)參數(shù)，同時對PID控制器的微積分參數(shù)以及比例參數(shù)等進行調(diào)整，通過反復(fù)的仿真測試，以實現(xiàn)較好的遠程控制效果。BP神經(jīng)網(wǎng)絡(luò)算法利用三層式結(jié)構(gòu)對實際駕駛進行訓(xùn)練，訓(xùn)練好之后，建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)控制模塊，并對步長、時長等參數(shù)進行設(shè)置，相應(yīng)設(shè)置完成后進行仿真測試。得到的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)、PID控制系統(tǒng)以及模糊PID控制系統(tǒng)的履帶車輛模擬效果如圖7所示。

圖7 履帶車輛的距離偏差和航向偏差

由圖7可知，在對履帶車輛進行遠程控制的過程中，PID履帶車輛遠程控制系統(tǒng)存在調(diào)節(jié)震蕩大、調(diào)節(jié)周期過長以及控制回復(fù)率慢等問題，與其他兩種算法相比，對偏差范圍進行調(diào)整的需要時間過長；然而BP神經(jīng)網(wǎng)絡(luò)履帶車輛遠程控制系統(tǒng)僅在啟動階段響應(yīng)時間較長，其余時間相對較短，因而綜合看來控制效果更好?；谀：齈ID控制算法的履帶車輛遠程控制系統(tǒng)回復(fù)率較高、波動幅度較小且車輛的轉(zhuǎn)向穩(wěn)定，因而同前兩種智能算法相比，其對車輛的遠程控制性能最好。

4.3 曲線行駛作業(yè)分析

曲線行駛情況下，對履帶的初始位置、航向角誤差，初始速度以及最大速度等進行設(shè)置，設(shè)置完成后進行3種算法的仿真測試。得到的履帶車輛運行參數(shù)變化情況如下圖所示，此處選取具有代表性的PID控制算法、模糊PID控制算法、BP神經(jīng)網(wǎng)絡(luò)算法進行對比分析，各自的運行參數(shù)變化情況如圖8所示。

由圖8可知，3種智能算法都能使履帶車輛按照預(yù)設(shè)航線行駛，但由前4米的行駛軌跡可看出，PID控制算法與神經(jīng)網(wǎng)絡(luò)算法的回復(fù)效率均較低，模糊PID控制算法收斂速度較快，能夠促使履帶車輛快速按照導(dǎo)航線行駛，由此可知，模糊PID控制算法對履帶車輛的控制精度較高。

圖8 各智能算法下履帶車輛的運行參數(shù)變化

5 結(jié)束語

在對車輛遠程控制技術(shù)的研究中，最為關(guān)鍵的是對智能算法進行選取。本次研究在充分利用計算機視覺技術(shù)的基礎(chǔ)上，利用模糊PID控制算法構(gòu)建了基于履帶車輛的遠程控制系統(tǒng)，對車輛狀態(tài)信息等進行實時監(jiān)測，以提升履帶車輛的安全性。為了驗證該系統(tǒng)的有效性，利用虛擬樣機配置好相應(yīng)的參數(shù)進行實驗。實驗結(jié)果表明，直線行駛作業(yè)下，基于PID算法的車輛遠程控制系統(tǒng)會出現(xiàn)調(diào)節(jié)震蕩大、調(diào)節(jié)周期長等問題，與其他兩種算法相比，對偏差范圍進行調(diào)整的需要時間過長；基于神經(jīng)網(wǎng)絡(luò)算法的車輛遠程控制系統(tǒng)在啟動時的響應(yīng)時間過長；而基于模糊PID控制算法的車輛遠程控制系統(tǒng)回復(fù)率較高、且波動幅度較小。在曲線行駛作業(yè)下，其他幾種智能算法回復(fù)效率較低，模糊PID控制算法收斂迅速，能夠促使履帶車輛按照導(dǎo)航線快速行駛。綜上可知，此次研究構(gòu)建的基于計算機視覺技術(shù)的模糊PID車輛遠程控制系統(tǒng)性能較強。盡管本次研究可以為車輛遠程控制提供一定的方法參考，但是該研究中仍存在實驗數(shù)據(jù)較少，實驗精度不夠高的問題。