【树莓派小车绕桩实验报告】

电导没过
树莓烧过
小车爱过

一、实验目的：

综合运用本学期学习的内容，实现小车完整地在“8”字形跑道上巡线行驶
在保证小车不撞墙、不撞箱、不走错跑道的三大前提下，尽可能地跑出更多的圈数

二、实验原理：

1. PID自动控制：

此部分已在之前的实验报告中详细说明，这里对此做简单描述。
PID调节是一种闭环控制的方式，基于反馈调节实现（示意图见下）。在本实验中，使用PID控制的方式，是输⼊偏差量（速度），计算出调整量（占空⽐），实现对速度的控制。在编程实现时，为了方便调整参数，将PID写成一个对象，用两个实例来控制左右轮。通过给左右轮设定对应的数值使之达到相同的速度，使得左右轮速度接近，就可以跑出近似的直线。同时，根据偏差量的大小对“弯”进行判定，再以其偏移量计算出左右轮的调整的占空比，从而实现转弯避障与绕桩。
从实操来讲，对小车的PID控制就是利用三个参数Kp,Ki,Kd，来调整三个对应因素对调整量的影响。
但是在之前的避障实验中，因为线路的简易，我们并未使用严格理论意义上的PID控制。但在此次实验任务中，线路变得较为复杂，转弯幅度陡升，再以此前改变固定的占空比的方法将很难做到转弯和直行的两全。基于此，我们决定保留固定占空比的一部分代码，对某些越界的偏移量进行PID调控，使其沿线行驶。

2. 黑线处理技术（二值化）：

每个图像的像素通常对应于二维空间中一个特定的位置，并且有一个或者多个与那个点相关的采样值组成数值。灰度图像,图像中每个像素可以由0(黑)到255(白)的亮度值表示，0-255之间表示不同的灰度级。
二值图像即为每个像素只有两个可能值的数字图像。将大于某个临界灰度值的像素灰度设为灰度极大值(黑），小于这个值的为灰度极小值（白），从而实现二值化。对于小车的摄像头而言，黑线指引应二值化为黑，白毯跑道应二值化为白。

3. 像数转换

对于小车而言，在二值化黑线与地毯后，如何对得到的图像进行处理并最终形成反馈修正小车的轨迹，实现沿线。小车在跑道上时，二值化后黑线产生的黑色像素居中间位置，地毯产生的白色像素居两边位置。当小车发生偏离跑道或弯道出现的情况时，黑色中心像素会偏向小车偏离的反方向或转弯的正方向，恰好这两种情况小车都需要往黑像素偏移方向偏转。根据像素偏移的量，进行一些公式的处理，再通过pid作用于小车左右电机，实现寻线控制。

三、问题分析与方案解决：

1. 对实验目的分析：

任务：小车从赛道起点线出发，通过程序自动驾驶，到达终点线，期间不允许撞到障碍物和跑错跑道。
赛道分析：

赛道为一条形如“8”字的黑线跑道，在“8”的两“圆”中央位置各有两个纸箱，整体跑道为一张白色的地毯，在跑道两边为两面墙。
在直行后，共有4个角度相近（120度左右）的弯道，而在过了弯道后，小车将面临“X”分叉路口的选择

2. 可能存在问题及解决方法与思考

1.赛道方面：

转弯幅度过大：

最简单的想法就是把占空比调大，来适应转弯幅度。
但需要注意的是，这里的“大”是相对而言的，如果直行速度本身就很快，那么即使转弯的占空比也很大，也很难去纠正小车。
实际情况也是如此，当我们将直行占空比设为40，而转弯占空比设为±20时，小车能较好的转过弯道；但直行占空比设为60，而转弯占空比设为±30时，便会出现转弯困难甚至撞墙的情况。

交叉错道：

与前者思路相同，我们可以把速度加上去，这样其实当小车反应过来时已经过了交叉路口了。同样地，也可以在某个反应函数里加延时。
“牵一发而动全生”速度不能无止境大下去，在考虑转弯合理的情况下我们可控的最大占空比是65（±30），仍然会出现因摆动幅度过大而走错道的情况。
加延时的困难就在于我们只能从数值上去设置调节的范围，但实际情况是在弯处，小车的偏移量都会有差别，且大部分值和弯道时一样，也就是说对其的修正同样作用于弯道，撞墙便在所难免了。
我们的可行做法是占空比修正以减法为主，即当偏移量较大时，一只轮子减占空比实现转弯。这样就保证了转弯时速度较慢，直行时速度较快以冲击交叉口。

2.摄像头被干扰：

对于目标而言，我们当然希望小车可以只看见下方或者说前下方的黑线，但实际情况是，小车还会“看见”箱子、自己的影子甚至是墙上的瓷砖。（注：此处定义的看见是指小车将其或将其部分二值化为黑色）
对于影子这种灰度偏白的情况，我们可以通过调整阈值，将其规避掉。但遗憾的是，由于前二者颜色过深，这一方法对箱子和瓷砖并没有太大的作用。先分析瓷砖，其实瓷砖的位置固定且位于下方，在保证巡线正常的情况下将摄像头的角度调高可以解决这一问题；同时，在小车偏移跑道到看到瓷砖中间会有一段空白期，如果可以加一个search函数让小车处于“空白”的位置时原地转弯去寻找附近黑线的位置，也可以解决这一问题。
再说箱子，其实箱子的存在不一定是坏处，因为其所处的位置恰好与偏转方向相同，如果能合理处理小车行进速度与箱子位置之间的关系，比如我在识别到箱子后进行处理，这之间有一段延时，如果这段延时过去，小车刚好行至转弯处，化危为机，岂不美哉。
在后期的实验中我们发现，其实只要解决严格巡线的问题，这两个问题会迎刃而解。

3.偏移跑道的修正

这一方法思路与前面的search函数相同，但search函数会耽误较多时间，如果可以就当前跑道而言，做具体的修正或许会更有效。
在多次实验中，我们发现偏离跑道的原因主要是小车直行速度过快，当到弯道时由于惯性，即使有减速处理，还是会偏离出跑道。而且我们发现，其实小车在检测到弯道时，就会给出一个修正的偏移量，而当它看不见线时，只要让其contiune，它就会沿着这一弧度画圆，并最终回到另一边的跑道上。

四、实验设计与实操分析：

1. 基于上面的方案分析，给出算法设计：

# coding:utf-8
import RPi.GPIO as GPIO
import time
import cv2
import numpy as np
#前期准备部分#限制较大值
def sign(x):if x > 0:return 1.0else:return -1.0# 定义引脚
EA, I2, I1, EB, I4, I3 = (13, 19, 26, 16, 20, 21)
FREQUENCY = 50# 设置GPIO口
GPIO.setmode(GPIO.BCM)# 设置GPIO口为输出
GPIO.setup([EA, I2, I1, EB, I4, I3], GPIO.OUT)
GPIO.output([EA, I2, EB, I3], GPIO.LOW)
GPIO.output([I1, I4], GPIO.HIGH)pwma = GPIO.PWM(EA, FREQUENCY)
pwmb = GPIO.PWM(EB, FREQUENCY)# pwm波初始化
pwma.start(0)
pwmb.start(0)# center定义
center_now = 320# 打开摄像头，图像尺寸640*480（长*高），opencv存储值为480*640（行*列）
cap = cv2.VideoCapture(0)# PID 定义和初始化三个error和adjust数据
error = [0.0] * 3
adjust = [0.0] * 3# PID 参数配置、目标值、左右轮基准占空比和占空比偏差范围（根据实际情况调整）
kp = 1.3
ki = 0.5
kd = 0.2
target = 320
lspeed = 60
rspeed = 60
control = 35
ret, frame = cap.read()#前期准备完毕，节省时间
print("准备完毕！按下Enter启动！")
input()try:while True:ret, frame = cap.read()# 转化为灰度图gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 大津法二值化ret, dst = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY)# 膨胀，白区域变大dst = cv2.dilate(dst, None, iterations=2)cv2.imshow("镜头画面", dst)# 单看第400行的像素值scolor = dst[400]# 找到black色的像素点个数black_count = np.sum(color == 0)# 防止black_count=0的报错if black_count == 0:continueelse:black_index = np.where(color == 0)# 找到黑色像素的中心点位置center_now = (black_index[0][black_count - 1] + black_index[0][0]) / 2# 计算出center_now与标准中心点的偏移量direction = center_now - 320print("偏差值：", direction)# 更新PID误差error[0] = error[1]error[1] = error[2]error[2] = center_now - target# 更新PID输出（增量式PID表达式）adjust[0] = adjust[1]adjust[1] = adjust[2]adjust[2] = adjust[1] \+ kp * (error[2] - error[1]) \+ ki * error[2] \+ kd * (error[2] - 2 * error[1] + error[0]);print(adjust[2])# 饱和输出限制在control绝对值之内if abs(adjust[2]) > control:adjust[2] = sign(adjust[2]) * control# print(adjust[2])# 执行PID# 右转if adjust[2] > 20:pwma.ChangeDutyCycle(rspeed - adjust[2])pwmb.ChangeDutyCycle(lspeed)# 左转elif adjust[2] < -20:pwma.ChangeDutyCycle(rspeed)pwmb.ChangeDutyCycle(lspeed + adjust[2])else:pwma.ChangeDutyCycle(rspeed)pwmb.ChangeDutyCycle(lspeed)if cv2.waitKey(1) & 0xFF == ord('q'):break
except KeyboardInterrupt:print("结束！")pass
# 释放清理cap.release()
cv2.destroyAllWindows()
pwma.stop()
pwmb.stop()
GPIO.cleanup()

2.对上面的代码，对其中重点加以分析：

预加载：
input()后再try

通过python3的标准输入流函数，需要读取用户的输入指令再进行小车运行的循环操作，从而实现预加载准备事项，降低耗损时间。

越界情况的处理：
if black_count == 0：
continue

在具体实验中，时常会出现跳出黑线的情况，这时在代码层面的表现就是black_count=0。而对于一个固定的跑道而言，我们能否让小车当出现这种情况时，做一些适应性的变化，只要再次”看到“就好办了。
正如之前所提到的那样，如果小车在转弯处出现越界，那么我们其实所做的只是让它沿着之前的弧度画圆，这样又会回到跑道的另一端继续开始寻线。

防抖：
if abs(adjust[2]) > control:

当偏移量经过pid处理后，但我们知道速度的调整不可能就是这个值。一来本身占空比最大为100，二来速度变化过大很容易偏转幅度过大而循线不稳。
if adjust[2] > 20:
同时，我们也并不是所有的偏移量都要去修正。当偏移量控制在某个较小的值时，我们不去修正，保证两轮的速度恒定，使小车前进更加稳定。

3.测试后的想法：

在测试中，最大的问题就是X路口的分叉识别。即使我们将速度加了上去，还是在最后第4圈开始的时候发生了错位。
现在再回头看，可以尝试一下用超声波来对小车所处位置进行分析。小车在转弯和X路口时都会出现较大的偏移量，我们可以单独对这两种情况进行处理。小车在X路口时处于墙的中间，故测距会有较大值；而在8的两端处，小车左右分别是墙和箱子，测距会有一个较小值。所以，当小车发现偏移量较大且测距也较大时，不去pid修正即可。
但还需要注意的是，当时我们之所以在第一次实验就放弃了超声波，是因为小车在获取了速度再进行处理延时会非常糟糕，我也不知道是不是我代码写的非常糟糕。所以还是那句话，理想很丰满，实操很打脸。

五、课程总结与个人思考：

关于课程

在最后的实际中测试中，第一次跑到了三圈并作为最终成绩进行了记录。但后续两次为了弥补第一次的不足进行了一些参数和处理上的改动，反而效果没有第一次的好。
第二次测试视频链接：https://www.bilibili.com/video/BV18f4y1t7Wr?p=3
当时拿到任务的时候，真的是满脑子的问号，这是我们在两周或是四周里面能完成的吗。最后我们不仅完成了这一任务，甚至可以说是超乎预料的圆满。
根据具体场景来写代码，再在实操中修改参数、增加参数，这都是我们在纯理论课中无法体会到的。
同时也希望来年的电导课可以增加一些测试的跑道，毕竟一堆人挤两个白毯跑道确实体验不太好。对循迹还好，但对选用超声波的同学无疑是一个巨大的挑战。

一些杂想

最近闹得沸沸扬扬的”特斯拉“事件就牵涉到了图像处理的知识，该车之所以会失灵主要是计算机视觉出处理出现了一些异常，把一些障碍识别错误。最后，特斯拉还是决定采用雷达来经行避障。
这其实和我们的课程非常吻合，分别对应了摄像头和超声波两种避障方案，但在主流选择上却恰好相反，我们大部分同学都是使用的摄像头，而汽车则大量使用的是雷达。其实还是讲到一个应用场景的问题，我们这里的模型很简单，有黑线当然摄像头更佳。
但在实际道路上，是没有黑线的，靠雷达其实对障碍的种类没有那么多的要求，”化繁为简“。而如今机器视觉的火爆，或许在提示我们，可能我们需要将雷达和摄像头结合来增加车的观感，从而实现真正意义上的无人驾驶。

pid实现小车巡线绕桩相关推荐

c语言巡线程序,小车巡线程序
ATmega16主芯片小车巡线程序,7个红外传感器 /*--------------------search line car v9 --------------------- 改用真正的PD算法可 ...
PID智能小车快速入门（一）
一.基本PID原理 1.什么是PID? PID控制器是一种线性控制器,通俗的来讲如人走直线一样,眼睛是观测器,下肢为执行器,当走偏了由眼睛观测得出当前位置和直线的偏差,由人脑根据偏差调整脚步回归直线的 ...
gazebo实现小车巡线
链接 https://zenanlin1999.github.io/2021/05/10/ROS%E5%BC%80%E5%8F%916%E2%80%94%E2%80%94opencv+ROS%E5%9 ...
巡线机器人 - PID控制 - 安卓设置
巡线机器人 - PID控制 - 安卓设置原文该项目的目的是构建具有PID控制的巡线机器人.我们还将使用Android设备轻松设置主要控制参数,以便更好,更快地进行调谐.项目中用到的舵机也可用MG9 ...
ARDUINO NANO 的 PID 循迹小车
[Arduino项目]使用 ARDUINO NANO 的 PID 循迹小车 -------------------------------------------------------------- ...
OpenMV：14巡线小车
文章目录追小球的小车巡线小车这个例子展示了在OpenMV Cam上使用get_regression()方法获得ROI的线性回归.使用这种方法,可以轻松让机器人跟踪所有指向相同大致方向的线. 本例 ...
基于STM32F103智能巡线小车
项目描述: 巡线小车是我作为新手入手的第一个项目,基本巡线功能是使用红外传感器循迹模块判断黑线的路径来确定转向方向,同时控制单片机配置PWM占空比波控制小车前进的L298N电机模块,实现前后退,左 ...
stm32 电磁巡线小车
stm32 电磁巡线小车一可实现功能使用陀螺仪,根据俯仰角变化在下坡后停车 . 通过三路电感,实现小车巡线,可循 s弯 ,d形弯,8字弯,环岛. 可在不同的地方巡线,有学习能力. 红外光电开关判 ...
Arduino案例实操 -- 智能巡防小车（三）Arduino IDE巡线小车编程
三.Arduino IDE巡线小车编程 3.1 Arduino开发环境下载免安装ZIP包下载IDE安装包 3.2 Arduino IDE 3.3 Blink项目实例打开内置案例进行程序上传 3 ...

pid实现小车巡线绕桩

【树莓派小车绕桩实验报告】

一、实验目的：

二、实验原理：

1. PID自动控制：

2. 黑线处理技术（二值化）：

3. 像数转换

三、问题分析与方案解决：

1. 对实验目的分析：

2. 可能存在问题及解决方法与思考

1.赛道方面：

2.摄像头被干扰：

3.偏移跑道的修正

四、实验设计与实操分析：

1. 基于上面的方案分析，给出算法设计：

2.对上面的代码，对其中重点加以分析：

3.测试后的想法：

五、课程总结与个人思考：

pid实现小车巡线绕桩相关推荐

最新文章

热门文章