飞思卡尔智能车----模糊PID算法通俗讲

在讲解模糊PID前，我们先要了解PID控制器的原理（本文主要介绍模糊PID的运用,对PID控制器的原理不做详细介绍）。PID控制器（比例-积分-微分控制器）是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。

1.1传统PID控制

传统PID控制器自出现以来，凭借其结构简单、稳定性好、工作可靠、调整方便等优点成为工业控制主要技术。当被控对象的结构和参数具有一定的不确定性，无法对其建立精确的模型时，采用PID控制技术尤为方便。PID控制原理简单、易于实现，但是其参数整定异常麻烦。对于小车的速度控制系统而言，由于其为时变非线性系统不同时刻需要选用不同的PID参数，采用传统的PID控制器，很难使整个运行过程具有较好的运行效果。

1.2模糊PID控制

模糊PID控制，即利用模糊逻辑并根据一定的模糊规则对PID的参数进行实时的优化，以克服传统PID参数无法实时调整PID参数的缺点。模糊PID控制包括模糊化，确定模糊规则，解模糊等组成部分。小车通过传感器采集赛道信息，确定当前距赛道中线的偏差E以及当前偏差和上次偏差的变化ec，根据给定的模糊规则进行模糊推理，最后对模糊参数进行解模糊，输出PID控制参数。

2.1模糊化

模糊控制器主要由三个模块组成：模糊化，模糊推理，清晰化。具体如下图所示。而我们将一步步讲解如何将模糊PID算法运用到智能车上。（最好用笔一步步自己写一遍！！！）

首先我们的智能车会采集到赛道的相关数据，例如摄像头车，其采集到的数据经过算法处理之后会得到与中线的偏差E，以及当前偏差和上次偏差的变化（差值）EC两个值（即此算法为2维输入，同理也可以是1维和3维，但2维更适合智能车）。例如此时车偏离中线的距离为150，而上一时刻偏离中线的距离为120，则E为150，EC为150 - 120 = 30。

其次我们要对这两个值进行模糊化。这里我们对E进行举例。摄像头车采集回来的E是有范围的，即与中线的偏差是在一个区间内可行的。在这里我们假设该区间为-240到240，即小车偏离中线的最大距离为240，正负即为左右。再假设中线偏差变化率的可行区间为-40到+40。

接着我们要对这两个值进行模糊化。我现在将E的区间（-240 到 240）分成8个部分，那么他们分别为-240 ~ -180，-180 ~ -120 ，-120 ~ -60，-60 ~ 0，0 ~ 60，60 ~ 120，120 ~ 180，180 ~ 240。然后我们把-180，-120，-60，0，60，120，180分别用NB，NM，NS，ZO，PS，PM，PB表示（个人理解N为negative，P为positive，B为big，M为middle，S为small，ZO为zero）。例如，当E = 170时，此时的E属于PM和PB之间，而此时的E也会对应2（或1）个隶属度。E隶属于PM（120）的百分比为（180 - 170） / （180 - 120） = 1 / 6 ，而同理隶属于PB（180）的百分比为（170 - 120） / （180 - 120） = 5 / 6 。意思就是120到180进行线性分割了，E离PM和PB哪个更近，则隶属于哪个就更大（当输出值E大于180（PB）时，则隶属度为1，隶属度值为PB，即E完全隶属于PB，同理当E小于 - 180 （NB）时也一样）。同理也可以对EC进行模糊化。

2.2 模糊推理

对于采集回来的E和EC，我们可以推出它们各所占的隶属度，此时我们可以根据模糊规则表去找出输出值所对应的隶属度。

我们假设为E的两个隶属度值为PM、PB,E属于PM的隶属度为a（a < 1），则属于PB的隶属度为（1 - a）。再假设EC的两个隶属度值为NB、NM，EC属于NM的隶属度为b，则属于NB的隶属度为（1 - b）。而在假设中，E属于PM的隶属度为a，EC属于NB的隶属度为( 1 - b )，则输出值属于ZO的隶属度为a *( 1 - b )（看图）。

同理我们可以得出，当输出值属于ZO的另外两个隶属度为a * b，（ 1 - a ） * （ 1 - b），而输出值属于NS的隶属度为（ 1 - a ） * 1 - b。

在这里我们先证明一个条件，将这四个隶属度加起来，刚好等于1。这是因为

（a + （1 - a）） * （b + （1 - b）） = a * b + ( 1 - a ) * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) （下图）

即一个十字相乘的概念。这个等式说明输出值的隶属度之和等于1（第三步求解的时候需要用到隶属度之和）。

因此，我们知道了输出值为ZO的隶属度和为 a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ，输出值为NS的隶属度为 ( 1 - a ) * b 。

2.3 清晰化

对于输出值，我们同样采用给予隶属度的办法。例如，我们把输出值假设为[1000，1400]（即舵机的摆角值范围）的区间同样划分为八个部分，即7个隶属值NB,NM,NS,ZO,PS,PM,PB。根据上一步所得出的结论，我们就可以用隶属度乘以相应的隶属值算出输出值的解，即（a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ） * ZO + ( 1 - a ) * b * NS。到此为止，整个模糊过程就结束了。

3 模糊PID

我们已经知道了整个模糊的过程，但上述的过程还不够完美。因为我们的输出值只有一个输出，并没有实现PID。因此我们可以先对E和EC进行模糊化，然后分别对kp和ki和kd（PID的三个参数）进行求解，再套入公式。

一般的我们也可以只用kp，kd，不用ki。而模糊规则表一般的论文已经基本给出。因此带入算法之后我们的难度也只是在于调节kp，kd，和适当调节规则表。当然调节的难度会大于普通的PID，因为还要定kp，kd的输出范围，调得不好可能效果并没有普通的PID好。

4. 部分解释

4.1对于部分论文所说的重心法解模糊，其实就是上述方法。公式如下。

式中μ（Zi） * Zi相当于文章上面的（a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ） * ZO + ( 1 - a ) * b * NS，即隶属度乘以隶属度值之和，而μ（Zi）之和就是输出值的隶属度之和，我们已经证明它是等于1的。

飞思卡尔智能车----模糊PID算法通俗讲相关推荐

飞思卡尔智能车之舵机算法
恍恍惚惚,将近一年的智能车生涯终于结束了,虽然到目前为止我们的车子还是比不上学长的神车,但是也还算是对的起我们组一年的辛勤与努力了,为了给自己惨败的智能车比赛和还算完整的智能车学习生涯留下点东西.我打 ...
飞思卡尔智能车电机PID
提到小车的控制必然想到的PID控制,这也是各技术报告都不会漏掉的名词,在飞思卡尔XS128系列(二)PWM模块中已经提到了一些电机控制方面的东西,主要讲了用PID和BANG-BANG控制相结合的方式来 ...
ai电磁组属于什么组_飞思卡尔智能车电磁组分区算法介绍
写在之前的话: 1.目前我是一名在校学生,这也是我第一次写博客,不周之处,请多谅解: 2.此算法并非原创,借鉴自山东德州学院第八届白杨队(PS:个人看法,对于一些人把别人的开源东西改头换面一下就说是自 ...
最小二乘法在飞思卡尔智能车路径搜索中的应用
1.什么是最小二乘法最小二乘法就是要使得观测点和估计点的距离的平方达到最小,我们可以使用一些已知的离散的点,拟合出一条与这些离散点最为接近的曲线,从而可以分析出这些离散点的走向趋势. 如图所示是一个 ...
第五届“飞思卡尔”智能车竞赛分赛区赛后总结
两天紧张的比赛结束了,第五届"飞思卡尔"智能车竞赛安徽省分赛区的全部比赛也到此结束了.在黄山,我体验了黄山风景的美丽,也体会了各院校在"飞思卡尔"项目上的强大. ...
飞思卡尔智能车—无线充电电源（节能组）
飞思卡尔智能车-无线充电电源(节能组) 详细参赛要求请以智能车官方为准,此文章仅分享本人参赛经验,开源硬件电路设计,供大家学习! 无线充电部分设计思路: 无线充电接收线圈,超级电容充电,启动电压5V, ...
红外寻迹小车基于K128单片机的红外对管飞思卡尔智能车（5个对管）程序部分
红外寻迹小车基于K128单片机的红外对管飞思卡尔智能车(5个对管)软件部分包括: 出库直行模块大,小弯道环岛 s弯停车 #include "headfile.h" #inc ...
飞思卡尔智能车摄像头上位机…
原文地址:飞思卡尔智能车摄像头上位机采集程序作者:玲声依旧美基于飞思卡尔XS128单片机摄像头采集测试程序 OV7620采集程序说明:摄像头数据口接PA0-PA7:行中断接PT0,场中断 ...
飞思卡尔智能车之摄像头使用篇
飞思卡尔智能车之摄像头使用今天来给大家说说摄像头的使用,很显然摄像头对摄像头组的重要性是不言而喻的,因为摄像头是小车提取赛道信息最关键的传感器了,所以只有把摄像头使用好才能让你的小车快速稳定的 ...
飞思卡尔智能车—电磁循迹（节能组）
飞思卡尔智能车-电磁循迹(节能组) 详细参赛要求请以智能车官方为准,此文章仅分享本人参赛经验,开源硬件电路设计,供大家学习! 电磁循迹部分设计思路: 电感采集电磁信号,放大,整流,滤波,AD采集电磁 ...

飞思卡尔智能车----模糊PID算法通俗讲

飞思卡尔智能车----模糊PID算法通俗讲相关推荐

最新文章

热门文章