基于視覺(jué)的智能車(chē)轉向控制策略

圖10中, row_sure（出界點(diǎn)）用來(lái)選擇10個(gè)點(diǎn)中哪幾個(gè)點(diǎn)為可用點(diǎn)。average[1]為離車(chē)最近的點(diǎn)，隨著(zhù)序號增大，離車(chē)越遠。在圖10的圖像平面中，計算偏差改為：

err=average[i]-mid (11)

式中， i P>

當小車(chē)車(chē)速很高時(shí)，選擇較遠處的點(diǎn)求取偏差，等效于時(shí)間上提前入彎。這樣由以上策略分析可知，只要入彎點(diǎn)合適，基本不用減速就可以直接入彎，還可以得到不錯的安全系數。當速度處于一個(gè)較低水平時(shí)可使用最近處的點(diǎn)，即average[1],這樣就保證車(chē)只有走到彎道處才會(huì )轉向，不會(huì )提前入彎，避免提前入彎帶來(lái)的沖出內道。

5 實(shí)驗數據

根據比賽要求，賽道中最小弧度半徑不小于0.5 m，在參考歷屆賽道的基礎上，筆者設計了如圖11的測試賽道，全長(cháng)約38 m。實(shí)驗室測試成績(jì)?yōu)?8 s跑完全程，平均速度達到2 m/s。

圖12為90°彎道過(guò)彎圖，粗實(shí)線(xiàn)為引導線(xiàn)，虛線(xiàn)為賽車(chē)實(shí)際行駛路線(xiàn)?？梢钥闯?小車(chē)實(shí)現了提前入彎，這是比較好的路徑，有效地節省了時(shí)間。

過(guò)彎速度的測量，由無(wú)線(xiàn)模塊每40 ms發(fā)回編碼器測得的速度脈沖，先由直道加速后入彎得到如表1所示的數據。

由表1可以明顯看出速度的變化，其中62為入彎速度，折合成標準速度為2.4 m/s；彎道速度為40，折合成標準速度為1.5 m/s，這個(gè)速度很接近平均速度。

圖13為360°彎道過(guò)彎圖，粗實(shí)線(xiàn)為引導線(xiàn)，虛線(xiàn)為小車(chē)實(shí)際的行駛路線(xiàn)?？梢钥闯鰧?shí)現了提前入彎，后半程受舵機最大偏轉角的限制，無(wú)法繼續加大偏轉，造成有一些跑外道。

圖14為S過(guò)彎圖，粗實(shí)線(xiàn)為引導線(xiàn)，虛線(xiàn)為小車(chē)實(shí)際的行駛路線(xiàn)?？梢钥闯?小車(chē)行駛路線(xiàn)已經(jīng)很逼近直道了，由無(wú)線(xiàn)模塊每40 ms發(fā)回編碼器測得的速度脈沖，先由直道加速后入彎得到如表2所示的數據。

可以看出，S道的速度變化很小，同時(shí)彎道速度平均在1.5 m/s以上，很好地逼近了預期的路線(xiàn)。

本文根據轉向模型，通過(guò)分析過(guò)彎路徑與過(guò)彎速度之間的關(guān)系，得到了不同速度對應不同入彎路徑和入彎點(diǎn)的結論。利用這個(gè)結論，改變控制器偏差計算，達到動(dòng)態(tài)地設置入彎點(diǎn)，快速入彎，盡量做到不減速或少減速，縮短彎道行駛時(shí)間，從而提高小車(chē)行駛速度的目的。該方法在其他智能車(chē)跟隨引導線(xiàn)的系統中同樣適用，由于其良好的超前預測性能，對于短暫的引導線(xiàn)丟失也可以很好地跟隨。