PID算法深度技术帖-写给参加飞思卡尔智能车大赛的朋友
PID算法深度技术帖*写给参加飞思卡尔智能车大赛的朋友作者：王玉鹏（郑州轻工业学院）
最近很多朋友问我关于PID的算法。这里我就简单整理了下：
PID控制算法是最经典的自动控制算法。所有《自动控制原理》教材均有大幅篇章介绍。从数学模型到传递函数，公式推导不厌其烦。很多‘童鞋’似懂非懂。下面我就从程序的角度来讲：
下面是PID控制系统的原理图
PID算法具体分两种：一种是位置式的，一种是增量式的。
在大多数的情况下，执行机构本身没有状态记忆功能，每时每刻都要靠控制信号驱动，如果失去控制信号，执行机构即失去功能。在这种场合必须采用位置式PID控制算法。
也有一些执行机构具有记忆功能，即使失去驱动信号仍然可以维持原来的状态不变。例如在用步进电机作为执行机构的自动化控制系统中（数控机床最为典型）
下面主要针对位置式PID来讲，
以加温设备为例，软件采用uc/os-ii嵌入式操作系统环境
//采用位置式PID控制算法的任务函数
float Set;//设定值
float KP;//比例常数
float KI;//积分常数
float KD;//微分常数
float LE=0;//上次误差
float SE;//累计误差
void TaskSampleCtrl(void *pdata)//采样控制函数
{
float now,E,DE,out;//定义临时变量
while(1)
{
now=SampleAdc();//传感器采样一次
E=Set-now; //计算当前误差
SE+=E; //计算当前误差的积分值
DE=E-LE; //计算当前误差的微分值
out=KP*E //计算比例项
+KI*SE //计算积分项
+KD*DE; //计算微分项
CtrlOut(out); //控制执行机构
LE=E; //保存误差值以进行下次计算
OSTimeDly(25); //心跳20ms 延时0.5s(采样周期)
}
}
PID参数调节：
1.如果被控制对象的温度很快达到设定值，并超过设定值很多才回调（此种称为超调），则应该减小KP和KI，降低控制强度；加大KD，抑止超
调。不一定3个参数同时都要调整，可重点调整KP;
2.如果控制对象的温度很难达到设定值，或者经常低于设定值，则应该加大KP和KI。增加控制的强度。
3.如果控制对象的温度能够控制在设定值上，但上下波动较大。则应该加大KD，抑止波动。同时适当减少KI，降低积分控制对微分的控制的对
冲作用。
4.如果容易受环境影响而导致温度波动，则应该加大KD，抑止波动。
下面是用在智能车的PID上的算法实现
//飞思卡尔光电智能车大赛光电组
//设计者：王玉鹏
//最后修改时间：2010.07. 23. 凌晨1点36
/*****************命名规则统一开始************* /
匈牙利命名法
(变量首部加上)
全局变量加g_
有符号整型：i
无符号整型：u
布尔量：b
无符号char型：uch
宏定义全大写
两个大写字母的单词用‘ _ ’字符分开
*****************命名规则统一结束*************/
/*********统一数据类型定义开始********/
//说明：便于移植，书写
typedef unsigned int INT16U;//无符号16位整数
typedef int INT16S;//有符号16为整数
typedef unsigned char CHAR8U;//无符号8位整数
typedef char CHAR8S;//有符号8位整数
/*********统一数据类型定义结束********/
#define SPEED_PER 10 //10 SPEED 10000=pwm100% 千万别乱改
#define SPEED_TIMER 3 //速度累计采集定时SPEED_TIMER*4 （ms) 12ms
INT16U g_uSpeedT emp=0;//系统用
INT16U g_uSpTimeCnt=0;//速度采集定时用系统用0-60000
INT16U g_uRelSpeedNow=0;//实际速度0-60000
INT16U g_uRelSpeedOld=0;//实际速度0-60000
/////电机PID手工设定开始
//动态PID P参数///数组元素地址0:S弯道1：直道2:保留
INT16S g_iMotP[3]={20,20,20};
//动态PID D参数///数组元素地址0:S弯道1：直道2:保留
INT16S g_iMotD[3]={5,5,5};
/////电机PID手工设定结束
//////////////SpeedPID开始///////
INT16S iSpeedPidSmart(int iSpPidT empP,int iSpPidTempD);//系统函数，用户禁止调用void vSpeedPidDo(int iPidTemp); //系统函数，用户禁止调用
//////////////SpeedPID结束///////
INT16S iSpeedSet=0;//用户速度设定***重要***
//////电机值更新赋值函数开始/////////
void vFlashSpeedUserSet(void);//用户速度控制设定更新时间中断保持实时更新//////电机值更新赋值函数结束/////////
void main(void)
{
while(1)
{
//其它code...
iSpeedSet=50;//直接设定定时器自动调节电机
//其它code...
}
}
void interrupt 8 ic0_int(void)//路程中断
{
//其它code...
//////////定时速度采集开始
g_uSpeedT emp++;//速度反馈
if(g_uSpeedT emp>60000) g_uSpeedTemp=0; //确定范围0-60000
//////////定时速度采集结束
//其它code...
}
void interrupt 16 Timer4MsOver(void)//timer interrupt BUS=32M timer=4ms
{
//其它code...
/////////////////////速度定时采集，即更新实测速度反馈开始
if(g_uSpTimeCnt>SPEED_TIMER)//速度采集定时g_uSpTimeCnt*4 （ms) {
g_uRelSpeedOld=g_uRelSpeedNow;//保存上一次的值
g_uRelSpeedNow=g_uSpeedT emp;
g_uSpeedTemp=0; //测量速度的脉冲清零
g_uSpTimeCnt=0;
}
/////////////////////速度定时采集，即更新实测速度反馈结束
g_uSpTimeCnt++;
vFlashSpeedUserSet();///速度定时更新只在定时中断里
//其它code...
}
/*******电机PID理论值计算函数开始**************************/
INT16S iSpeedPidSmart(int iSpPidTempP,int iSpPidTempD) {
INT16S iNow_SetRule;
INT16S iOld_SetRule;
iNow_SetRule=g_uRelSpeedNow-iSpeedSet;//差值量
iOld_SetRule=g_uRelSpeedOld-iSpeedSet;//差值量
return ( iNow_SetRule*iSpPidTempP+
(iNow_SetRule-iOld_SetRule)*iSpPidTempD );
}
/********电机PID理论值计算函数结束**************************/
/*******电机PID理论值转换为电机PWM脉宽开始***************/ void vSpeedPidDo(int iPidTemp)
{
//这里注意和舵机的区别在pid计算的负值代表要增加的值//被减数本应*SPEED_PER,但发现效果不好
iTempF=iSpeedSet*SPEED_PER-iPidT emp;
//容错处理
if(iTempF>=0)//正向力矩
{
if(iTempF>1000) iTempF=1000;//正向最大力矩
SPEED_F=(INT16U)iTempF;
SPEED_B=0;
}
else
{
if(iTempF<-1000) iTempF=-1000;//反向最大力矩
SPEED_F=0;
SPEED_B=(INT16U)(0-iT empF);
}
}
/****电机PID理论值转换为电机PWM脉宽结束****************/
/********电机控制动作更新开始*************/
void vFlashSpeedUserSet(void)
{
if((g_uchTopLedFlag==1)||(uRoadFlag==0)||(uRoadFlag==1))
//车在直道上
{
//电机PWM赋值
vSpeedPidDo(iSpeedPidSmart(g_iMotP[1],g_iMotD[1])) ;
}
else//车在S上
{
//电机PWM赋值
vSpeedPidDo(iSpeedPidSmart(g_iMotP[0],g_iMotD[0])) ;
}
}
/********电机控制动作更新结束************/
结尾：
PID的三个控制参数调整不易。最新的算法有“自整定”算法和动态调整算法，属于高端科
研课题，有兴趣的读者可以阅读相关资料。谢谢！
照片名称：全国飞思卡尔智能车大赛
所属相册：生命中经历的点
照片描述：校队照
几种非线性滤波算法的研究-内附程序
2017 年秋季学期研究生课程考核 （读书报告、研究报告） 考核科目:雷达系统导论 学生所在（系）:电子与信息工程学院 学生所在学科:电子与同学工程 学生姓名: 学号: 学生类别: 考核结果阅卷人 第 1 页（共页）
几种非线性滤波算法的介绍与性能分析 作者姓名：学号： 专业院系：电信学院电子工程系 电子邮件： 摘要—非线性滤波算法在雷达目标跟踪中有着重要的应用，对雷达的跟踪性能有着至关重要的影响。好的滤波算法有利于目标航迹的建立及保持，能够得到较精确的目标位置，为发现目标后的后续工作提供可靠的数据依据。本文重点介绍了雷达数据处理中的几种非线性滤波算法：扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）、粒子滤波（PF），并且给出了一个利用这三种算法进行数据处理的一个实例，通过这个实例对比分析了这三种算法的性能以及优劣。 关键字—非线性滤波算法；扩展卡尔曼滤波；不敏卡尔曼滤波；粒子滤波； I.概述（一级表题格式） 在雷达对目标进行跟踪前要先对目标进行检测。对于满足检测条件的目标就需要进行跟踪，在跟踪的过程中可以利用新获得的数据完成对目标的进一步检测比如去除虚假目标等，同时利用跟踪获得数据可以进一步完成对目标动态特性的检测和识别。因此对目标进行准确的跟踪是雷达性能的一个重要指标。在检测到满足条件的目标后，根据目标运动状态建立目标运动模型，然后对目标跟踪算法进行设计，这是雷达目标跟踪中的核心部分。 目前主要的跟踪算法包括线性自回归滤波，两点外推滤波、维纳滤波、- αβ滤波、加权最小二乘滤波、维纳滤波和卡尔曼滤波[1]。对于线性系统而言最优滤波的方法就是卡尔曼滤波，卡尔曼滤波是线性高斯模型下的最优状态估计算法。但是实际问题中目标的运动模型往往不是线性的，因此卡尔曼滤波具有很大的局限性。目前主要用的非线性滤波算法可以分为高斯滤波和粒子滤波[2]。不敏卡尔曼滤波和扩展卡尔曼滤波就是高斯滤波中的典型代表，也是应用相对较为广泛的。粒子滤波的应用范围比高斯滤波的适用范围要广，对于系统状态非线性，观测模型非高斯等问题都有很好的适用性。本文具体分析阐述了扩展卡尔曼滤波算法，不敏卡尔曼滤波算法，粒子滤波算法，并且通过一个实例利用仿真的方法分析了这三种算法在滤波性能上的优劣，最后对这三种算法做了一定的总结。 我本科毕业设计题目为《基于历史数据的路径生成算法研究》，由于我是跨专业保研到电信学院，该课题所研究内容不属于雷达系统研究范围，是一种城市路网最快路径生成算法。 II.几种非线性滤波算法 A.扩展卡尔曼滤波 扩展卡尔曼滤波是将非线性系统转换为近似的线性系统的一种方法，其核心思想是围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。 扩展卡尔曼滤波状态空间模型： k k k w x f+ = + ) ( x 1 状态方程 k k k v x h+ =) ( z观测方程 其中(.) f和(.) h为非线性函数 在扩展卡尔曼滤波中，状态的预测以及观测值的预测由非线性函数计算得出，线性卡尔曼滤波中的状态转移矩阵A阵和观测矩阵H阵由f和h函数的雅克比矩阵代替。 对 (.) f和(.) h Taylor展开，只保留一次项有： ) ? ( ) ?( ) ( k k k k k x x A x f x f- + ≈ ) ? ( ) ?( ) ( k k k k k x x H x h x h- + ≈ 其中： k k x x k k dx df A ?= =为f对 1- k x求导的雅克比矩阵 k k x x k k dx dh H ?= =为h对 1- k x求导的雅克比矩阵 ) ?( ? 1-k k x f x=，于是可以得出： k k k k k k k w x A x f x A x+ - + ≈ + ) ? ) ?( ( 1 k k k k k k k v x H x h x H z+ - + ≈ + ) ? ) ?( ( 1 通过以上变换，将非线性问题线性化。接下来EKF 滤波过程同线性卡尔曼滤波相同，公式如下: )) | (?( ) |1 ( X?k k X f k k= + ) ( ) ( ) | ( ) ( ) |1 (P k Q k k k P k k k+ Φ' Φ = + )1 ( )1 ( ) |1 ( )1 ( )1 (S+ + + ' + + = +k R k H k k P k H k )1 ( )1 ( ) |1 ( )1 ( K1+ + ' + = +-k S k H k k P k
飞思卡尔智能车比赛细则
2016
目录
第十一届竞赛规则导读 参加过往届比赛的队员可以通过下面内容了解第十一届规则主要变化。如果第一次参加比赛，则建议对于本文进行全文阅读。 相对于前几届比赛规则，本届的规则主要变化包括有以下内容： 1.本届比赛新增了比赛组别，详细请参见正文中的图1和第四章的“比赛任务” 中的描述； 2.第十届电磁双车组对应今年的A1组：双车追逐组。其它组别与新组别的对应 关系请参见图2； 3.为了提高车模出界判罚的客观性，规则提出了两种方法：路肩法和感应铁丝 法，详细请见赛道边界判定”； 4.改变了原有的光电计时系统，所有赛题组均采用磁感应方法计时，详细请参 见“计时裁判系统”； 5.取消了第十届的发车灯塔控制的方式； 6.赛道元素进行了简化，详细请参见“赛道元素”； 7.赛道材质仍然为PVC耐磨塑胶地板，但赛题组A2不再需要赛道。 8.对于车模所使用的飞思卡尔公司MCU的种类、数量不再限制。 9.比赛时，每支参赛队伍的赛前准备时间仍然为20分钟，没有现场修车环节。
一、前言 智能车竞赛是从2006开始，由教育部高等教育司委托高等学校自动化类教学指导委员会举办的旨在加强学生实践、创新能力和培养团队精神的一项创意性科技竞赛。至今已经成功举办了十届。在继承和总结前十届比赛实践的基础上，竞赛组委会努力拓展新的竞赛内涵，设计新的竞赛内容，创造新的比赛模式，使得围绕该比赛所产生的竞赛生态环境得到进一步的发展。 为了实现竞赛的“立足培养、重在参与、鼓励探索、追求卓越”的指导思想，竞赛内容设置需要能够面向大学本科阶段的学生和教学内容，同时又能够兼顾当今时代科技发展的新趋势。 第十一届比赛的题目在沿用原来根据车模识别赛道传感器种类进行划分的基础类组别之上，同时增加了以竞赛内容进行划分的提高类组别，并按照“分赛区普及，全国总决赛提高”的方式，将其中一个类别拓展出创意类组别。第十一届比赛的题目各组别分别如下： ●基础类包括B1光电组、B2摄像头组、B3电磁直立组、B4电轨组； ●提高类包括A1双车追逐组、A2信标越野组； ●创意类包括I1 电轨节能组。 图 1 不同组别，不同挑战度 每个组别在选用的车模、赛道识别方法、完成任务等方面存在差别，对于参赛选手不同学科知识和能力要求也不同，制作的挑战度也有较大的区别。相比较而言，
时间序列分析方法Kalman滤波
第十三章 卡尔曼滤波 在本章中，我们介绍一种被称为卡尔曼滤波的十分有用的工具。卡尔曼滤波的基本思想是将动态系统表示成为一种称为状态空间表示的特殊情形。卡尔曼滤波是对系统线性投影进行序列更新的算法。除了一般的优点以外，这种算法对计算确切的有限样本预测、计算Gauss ARMA 模型的确切似然函数、估计具有时变参数的自回归模型等，都提供了重要方法。 §13.1 动态系统的状态空间表示 我们已经介绍过一些随机过程的动态表示方法，下面我们在以前的假设基础上，继续分析动态系统的表示方法。 13.1.1 继续使用的假设 假设t y 表示时刻t 观测到的n 维随机向量，一类非常丰富的描述t y 动态性的模型可以利用一些可能无法观测的被称为状态向量(state vector)的r 维向量t ξ表示，因此表示t y 动态性的状态空间表示(state-space representation)由下列方程系统给出： 11+++=t t t v ξF ξ 状态方程(state model) (13.1) t t t w ξH x A y t +'+'= 量测方程(observation model) (13.2) 这里F ，A '和H '分别是阶数为r r ?，k n ?和r n ?的参数矩阵，t x 是1?k 的外生或者前定变量。方程(13.1)被称为状态方程(state model)，方程(13.2)被称为量测方程(observation model)，1?r 维向量t v 和1?n 维向量t w 都是向量白噪声，满足： ???≠=='τ ττ t t E t ,,)(0Q v v (13.3) ? ??≠=='τττt t E t ,,)(0R w w (13.4) 这里Q 和R 是r r ?和n n ?阶矩阵。假设扰动项t v 和t w 对于所有阶滞后都是不相关的，即对所有t 和τ，有： 0w v =')(τ t E (13.5) t x 是外生或者前定变量的假定意味着，在除了包含在121,,,y y y Λ--t t 内的信息以外，t x 没有为s t +ξ和s t +w (Λ,2,1,0=s )提供任何新的信息。例如，t x 可以包括t y 的滞后值，也可以包括与τξ和τw (任意τ)不相关的变量。 方程系统中方程(13.1)至方程(13.5)可以表示有限观测值的序列 },,,{21T y y y Λ，这时需要状态向量初始值1ξ。假设1ξ与t v 和t w 的任何实现都不
飞思卡尔智能车经验
RT，留下一点不算成功的经验吧。 先说说个人认为要取得好成绩的两个最重要的先决条件。 1. 人，这个是大前提，对于一个好的队伍，判别标准其实很简单，就是队员3个人是玩伴关系还是领导和下属关系。前者，大家都是来玩这个智能车的，自然主观能动性就会很高，能自主学习。不会总是“等着所谓队长分配任务”。这样效率就会很高。成绩自然不会低，后者，如果“队长”个人能力很强的话，就会出现到最后只有“队长”一个人在干。其他的队员就会因为自己技术不行，渐渐退出。而不会因为自己不会而去主动的学习。如果“队长”能力一般，再没有一些强力指导老师的情况下，这样的队伍一般会悲剧掉。所以，新人在参加这个智能车比赛的时就要明确动机。参加智能车确实是来学习知识的，但不会有人真正的来教你。一切都靠自己。 2.跑道，这个是客观条件中最重要的，一条污浊、破损、不符合规则的跑道，是不可能出成绩的。我们学校的赛道就是因为当初制作和后期保养不到位，导致赛道诸多永久性污浊、破损。一开始车刚能爬的时候，问题还不明显，后来在测试让车能平滑过S弯时问题就来了，由于赛道污浊，远处的跑道在CCD看了是错误，导致S弯和普通弯看起来一样，致使S弯策略根本没有启用，当时一直到修改S弯策略，到后来调出图像来看才发现是采集的问题。至于赛道污浊破损带来的干扰要不要处理，答案是肯定的，因为就算是比赛用的跑道也会有擦不掉，补不了的地方。但处理这些问题，应该是放在车辆原先行驶策略都调试正确的情况下，再人为的加入这些干扰。这样修改程序起来就有的放矢。 下面再以个人的观点介绍一下3个组别的特点，给新人选择做一个参考。 摄像头：有点像开卷考试，能得到的东西很多，但是如何把这些东西用好就是一个学问。摄像头的关键就是如何从采集回来的图像所包含的诸多信息中，选出一些高效方便的信息来控制车辆。至于控制策略，个人觉得一个能根据不同赛道类型而变化比例系数的比例控制器就能很好的满足控制需要。 光电组：想象起来很容易，其实很累的一个组，原理最简单，但是为了能有30CM以上的前瞻，和比较连续的偏差变化，就要下大功夫，先不说别的，让你装15个激光管，而且要保证不焊烧并要把光点打在一条线上，就是很繁琐的事情。总得来说，光电组拼的就是电路和传感器结构。不过对于看客来说，光电组是最好“看”的组，一排壮观的激光加上摆头的机械~ 电磁组：听起来有点复杂，其实比前两个组都轻松的组，电磁组又可分为数字和模拟两个类别。数字传感器就是和光电一样弄一排的传感器，看看哪个传感器接收到的信号最强以判断中线位置。模拟的就是比较两个传感器之间信号强度的差值来判断。电磁组好处就是不容易受到干扰，比赛上也见的，电磁车跑完的成功率是很高的，而且很容易判别起跑线。基本不用懂脑筋。而且如果选用是模拟传感器的话，能得到比较平滑的控制。 先说这些，想到再继续 关于摇头激光车的一点个人理解：为什么光电的车，要多花一个舵机去让传感器摇头呢？因为。为了能获得赛道上一个比较宽范围的信息，就必须把传感器做的很长。这样的后果 就是重量。折中的办法就是摇头，通过摇头，可以使一个小尺寸的传感器检测到大范围 DEMOK工作室淘宝小店
飞思卡尔智能车竞赛新手入门建议
每年都会有很多新人怀着满腔热情来做智能车，但其中的很多人很快就被耗光了热情和耐心而放弃。很多新人都不知道如何入手，总有些有劲无处使的感觉，觉得自己什么都不会，却又不知道该干什么。新人中存在的主要问题我总结了以下几点： l缺乏自信，有畏难情绪 作为新人，一切都是新的。没有设计过电路，没有接触过单片机，几乎什么都不会。有些新人听了两次课，看了两篇技术报告，就发现无数不懂不会的东西，于是热情在消退，信心在减弱。这些都是放弃的前兆。殊不知，高手都是从新人过来的，没有谁天生什么都会做。一件事件，如果还没开始做，就自己否定自己，认为自己做不到，那么肯定是做不到的。 l习惯了被动接收知识，丧失了主动学习的能力。 现在的学生大多从小习惯了被灌输知识，只学老师教的，只学老师考的。殊不知一旦走向社会，将不再有老师来教，不再有应付不完的考试。做智能车和传统的教学不同，学生将从被动学习的地位转变为主动学习。就算有指导老师，有指导的学长，但也都处于被动地位，往往都不会主动来教。有的学生一开始就没有转变思想，还希望就像实验课一样，老师安排好步骤1，2，3……，然后自己按照老师安排好的步骤按部就班的完成。这样的学生，往往都丧失了提出问题和分析问题的能力，只是一个应付考试的机器。要知道，解决问题的第一步是提出问题，如果总等着别人来教，那么问题永远会挡在你面前。 l缺乏团队精神和合作意识 智能车比赛是以团队的形式参赛，只依靠个人能力单兵作战就能取得好成绩的是很少很少的。当今社会，任何人的成功都离不开身后的团队的支撑。智能车是一个很复杂的系统，电路、机械、传感器、单片机、底层驱动、控制算法……。如果所有的任务都是一个人去完成，固然锻炼了自己，但想做的很好却很不现实。很多新人，来到实验室，来到一个陌生的环境和团队，连向学长请教，和同学交流的勇气都没有，又如何融入团队呢。除了要主动融入团队，还要培养自己的团队意识。团队精神往往表现为一种责任感，如果团队遇到问题，每个人都只顾自己，出了错误，不想着解决问题，而是互相推诿埋怨。这样的团队，肯定是无法取得好成绩的。 l缺乏耐心和细心的精神 其实把一件事做好很简单，细心加上耐心。不细心就想不到，没有耐心，即使想到了也做不到。做事怕麻烦，将就，说白了就是惰性在作祟。明明可以把支架做的更轻更漂亮，明明可以把程序写的更简洁，明明可以把电路设计得更完善……。其实，每个人都有很大潜力，如果不逼自己一次，你永远不知道自己的潜力有多
飞思卡尔智能车竞赛光电组技术报告
第九届“飞思卡尔”杯全国大学生智能车竞赛光电组技术报告 学校：中北大学 伍名称：ARES 赛队员：贺彦兴 王志强 雷鸿 队教师：闫晓燕甄国涌
关于技术报告和研究论文使用授权的说明书本人完全了解第八届“飞思卡尔”杯全国大学生智能汽车竞赛关保留、使用技术报告和研究论文的规定，即：参赛作品著作权归参赛者本人，比赛组委会和飞思卡尔半导体公司可以在相关主页上收录并公开参赛作品的设计方案、技术报告以及参赛模型车的视频、图像资料，并将相关内容编纂收录在组委会出版论文集中。 参赛队员签名： 带队教师签名： 日期：2014-09-15日
摘要 本文介绍了第九届“飞思卡尔杯全国大学生智能车大赛光电组中北大学参赛队伍整个系统核心采用飞思卡尔单片机MC9S12XS128MAA ，利用TSL1401线性CCD 对赛道的行扫描采集信息来引导智能小车的前进方向。机械系统设计包括前轮定位、方向转角调整，重心设计器件布局设计等。硬件系统设计包括线性CCD传感器安装调整，电机驱动电路，电源管理等模块的设计。软件上以经典的PID算法为主，辅以小规Bang-Bang 算法来控制智能车的转向和速度。在智能车系统设计开发过程中使用Altium Designer设计制作pcb电路板，CodeWarriorIDE作为软件开发平台，Nokia5110屏用来显示各实时参数信息并利用蓝牙通信模块和串口模块辅 助调试。关键字：智能车摄像头控制器算法。
目录 1绪论 (1) 1.1 竞赛背景 (1) 1.2国内外智能车辆发展状况 (1) 1.3 智能车大赛简介 (2) 1.4 第九届比赛规则简介 (2) 2智能车系统设计总述 (2) 2.1机械系统概述 (3) 2.2硬件系统概述 (5) 2.3软件系统概述 (6) 3智能车机械系统设计 (7) 3.1智能车的整体结构 (7) 3.2前轮定位 (7) 3.3智能车后轮减速齿轮机构调整 (8) 3.4传感器的安装 (8) 4智能车硬件系统设计 (8) 4.1XS128芯片介绍 (8) 4.2传感器板设计 (8) 4.2.1电磁传感器方案选择 (8) 4.2.2电源管理模 (9) 4.2.3电机驱动模块 (10) 4.2.4编码器 (11) 5智能车软件系统设 (11) 5.1程序概述 (11) 5.2采集传感器信息及处理 (11) 5.3计算赛道信息 (13) 5.4转向控制策略 (17) 5.5速度控制策略 (19) 6总结 (19)
飞思卡尔杯智能车竞赛报告总结
1.1. 系统分析 智能车竞赛要求设计一辆以组委会提供车模为主体的可以自主寻线的模型车，最后成绩取决于单圈最快时间。因此智能车主要由三大系统组成：检测系统，控制系统，执行系统。其中检测系统用于检测道路信息及小车的运行状况。控制系统采用大赛组委会提供的16位单片机MC9S12XS128作为主控芯片，根据检测系统反馈的信息新局决定各控制量——速度与转角,执行系统根据单片机的命令控制舵机的转角和直流电机的转速。整体的流程如图1.1，检测系统采集路径信息，经过控制决策系统分析和判断，由执行系统控制直流电机给出合适的转速，同时控制舵机给出合适的转角，从而控制智能车稳定、快速地行驶。 图2.1 1.2. 系统设计 参赛小车将电感采集到的电压信号,经滤波,整流后输入到XS128单片机，用光电编码器获得实时车速，反馈到单片机，实现完全闭环控制。速度电机采用模糊控制，舵机采用PD控制，具体的参数由多次调试中获得。考滤到小车设计的综合性很强，涵盖了控制、传感、电子、电气、计算机和机械等多个学科领域，因此我们采用了模块化设计方法，小车的系统框图如图2.2。
第五届全国大学生智能汽车竞赛技术报告 图2.2 1.3. 整车外观 图2.3
1.4. 赛车的基本参数 智能车竞赛所使用的车模是东莞市博思公司生产的G768型车模，由大赛组委会统一提供，是一款带有摩擦式差速器后轮驱动的电动模型车。车模外观如图3.1。车模基本参数如表3.1。 图3.1 表3.1车模基本参数 1.5. 赛车前轮定位参数的选定
第五届全国大学生智能汽车竞赛技术报告 现代汽车在正常行驶过程中，为了使汽车直线行驶稳定，转向轻便，转向后能自动回正，减少轮胎和转向系零件的磨损等，在转向轮、转向节和前轴之间须形成一定的相对安装位置，叫车轮定位，其主要的参数有：主销后倾、主销内倾、车轮外倾和前束。模型车的前轮定位参数都允许作适当调整，故此我们将自身专业课所学的理论知识与实际调车中的赛车状况相结合，最终得出赛车匹配后的前轮参数[6]。 1.5.1. 主销后倾角 主销后倾角是指在纵向平面内主销轴线与地面垂直线之间的夹角γ，如图3-2。模型车的主销后倾角可以设置为0、 2°?3°、 4°?6°，可以通过改变上横臂轴上的黄色垫片来调整，一共有四个垫片，前二后二时为0°，前一后三为2°?3°，四个全装后面时为4°?6°。 由于主销后倾角过大时会引起转向沉重，又因为比赛所用舵机特性偏软，所以不宜采用大的主销后倾角，以接近0°为好，即垫片宜安装采用前二后二的方式，以便增加其转向的灵活性。如图3.3。 图3.2 图3.3 1.5. 2. 主销内倾角 主销内倾角是指在横向平面内主销轴线与地面垂直线之间的夹角β，如图3.4,它的作用也是使前轮自动回正。对于模型车，通过调整前桥的螺杆的长度可以改变主销内倾角的大小，由于前轴与主销近似垂直的关系，故主销内倾角
几种卡尔曼滤波算法理论
自适应卡尔曼滤波 卡尔曼滤波发散的原因 如果卡尔曼滤波是稳定的，随着滤波的推进，卡尔曼滤波估计的精度应该越来越高，滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。 引起滤波器发散的主要原因有两点： （1）描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。 （2）由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。 针对上述卡尔曼滤波发散的原因，目前已经出现了几种有效抑制滤波发散的方法，常用的有衰减记忆滤波、限定记忆滤波、扩充状态滤波、有限下界滤波、平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为代价来抑制滤波发散，也就是说，多数都是次优滤波方法。 自适应滤波 在很多实际系统中，系统过程噪声方差矩阵Q和量测误差方差阵R事先是不知道的，有时甚至连状态转移矩阵 或量测矩阵H也不能确切建立。如果所建立的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有抑制滤波发散作用的滤波方法。在滤波过程中，自适应滤波一方面利用量测值修正预测值，同时也对未知的或不确切的系统模型参数和噪声统计参数进行估计修正。自适应滤波的方法很多，包括贝叶斯法、极大似然法、相关法与协方差匹配法，其中最基本也是最重要的是相关法，而相关法可分为输出相关法和新息相关法。 在这里只讨论系统模型参数已知，而噪声统计参数Q和R未知情况下的自适应滤波。由于Q和R等参数最终是通过增益矩阵K影响滤波值的，因此进行自适应滤波时，也可以不去估计Q和R等参数而直接根据量测数据调整K就可以了。
飞思卡尔智能车黑线识别算法及控制策略研究
智能车黑线识别算法及控制策略研究 时间：2009-05-1811:23:07来源：电子技术作者：北京信息科技大学，机电工程学院张淑 谦王国权 0引言 “飞思卡尔”杯全国大学生智能车大赛是由摩托罗拉旗下飞思卡尔公司赞助由高等学校自动化专业教学指导委员会负责主办的全国性的赛事，旨在加强大学生的创新意识、团队合作精神和培养学生的创新能力。此项赛事专业知识涉及控制、模式识别、传感技术、汽车电子、电气、计算机、机械等多个学科，对学生的知识融合和动手能力的培养，对高等学校控制及汽车电子学科学术水平的提高，具有良好的推动作用。 智能车竞赛所使用的车模是一款带有差速器的后轮驱动模型赛车，它由大赛组委会统一提供。自动控制器是以飞思卡尔16位微控制器MC9S12DGl28(S12)为核心控制单元，配合有传感器、电机、舵机、电池以及相应的驱动电路，它能够自主识别路径，控制车高速稳定运行在跑道上。比赛要求自己设计控制系统及自行确定控制策略，在规定的赛道上以比赛完成的时间短者为优胜者。赛道由白色底板和黑色的指引线组成。根据赛道的特点，比赛组委会确定了两种寻线方案：1．光电传感器。2．摄像头。 两种寻线方案的特点如下： (1)光电传感器方案。通过红外发射管发射红外线光照射跑道，跑道表面与中心指引线具有不同的反射强度，利用红外接收管可以检测到这些信息。此方案简单易行程序调试也简单且成本低廉，但是它受到竞赛规则的一些限制(组委会要求传感器数量不超过16个(红外传感器的每对发射与接收单元计为一个传感器，CCD传感器计为1个传感器))，传感器的数量不可能安放的太多，因而道路检测的精度较低，能得到指引线的信息量也较少。若采用此方案容易引起舵机的回摆走蛇形路线。 (2)摄像头方案。根据赛道的特点斯用黑白图像传感器即可满足要求。CCD摄像头有面阵和线阵两种类型，它们在接口电路、输出信号以及检测信息等方面有着较大的区别，面阵摄像头可以获取前方赛道的图像信息，而线阵CCD只能获取赛道一条直线上的图像信息。摄像头方案的所能探测的道路信息量远大于光电传感器方案，而且摄像头也可以探测足够远的距离以方便控制器对前方道路进行预判。虽然此方案对控制器的要求比较高，但组委会提供的MC9S12DGl28(S12)的运算能力以及自身AD口的采样速度完全能够满足摄像头的视频采样和大量图像数据的处理的要求。 本文就是在摄像头方案的前提下，在实时的图像数据获取的基础上对图像信息进行数据处理，从而提取赛道中心的黑色指引线，再以此来作为舵机和驱动电机的控制依据。 1摄像头采样数据的特点 采用的黑白摄像头的主要工作原理为：按一定的分辨率，以隔行扫描的方式采集图像上的点，当扫描到某点时，就通过图像传感芯片将该点处图像的灰度转换成与灰度一一对应的电压值，然后将此电压值通过视频信号端输出，见图1。摄像头连续地扫描图像上的一行，则输出就是一段连续的电压信号，该电压信号的高低起伏反映了该行图像的灰度变化。当扫描完一行，视频信号端就输出一个低于最低视频信号电压的电平(如O．3V)，并保持一段时间。这样相当于紧接着每行图像信号之后会有一个电压“凹槽”，此“凹槽”叫做行同步脉
卡尔曼滤波算法及C语言代码
卡尔曼滤波简介及其算法实现代码 卡尔曼滤波算法实现代码（C，C＋＋分别实现） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.360docs.net/doc/d713316382.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就
飞思卡尔项目书
飞思卡尔智能车比赛项目 参赛时间：2011.7.16 — 2011.7.20 赛前准备时间：2010.7 ---2011.7 飞思卡尔智能车比赛简介： 为加强大学生实践、创新能力和团队精神的培养，促进高等教育教学改革，受教育部高等教育司委托(教高司函[2005]201号文，附件1)，由教育部高等学校自动化专业教学指导分委员会（以下简称自动化分教指委）主办全国大学生智能汽车竞赛。该竞赛是以智能汽车为研究对象的创意性科技竞赛，是面向全国大学生的一种具有探索性工程实践活动，是教育部倡导的大学生科技竞赛之一。该竞赛以“立足培养，重在参与，鼓励探索，追求卓越”为指导思想，旨在促进高等学校素质教育，培养大学生的综合知识运用能力、基本工程实践能力和创新意识，激发大学生从事科学研究与探索的兴趣和潜能，倡导理论联系实际、求真务实的学风和团队协作的人文精神，为优秀人才的脱颖而出创造条件。 该竞赛由竞赛秘书处设计、规范标准硬软件技术平台，竞赛过程包括理论设计、实际制作、整车调试、现场比赛等环节，要求学生组成团队，协同工作，初步体会一个工程性的研究开发项目从设计到实现的全过程。该竞赛融科学性、趣味性和观赏性为一体，是以迅猛发展、前景广阔的汽车电子为背景，涵盖自动控制、模式识别、传感技术、电子、电气、计算机、机械与汽车等多学科专业的创意性比赛。该竞赛规则透明，评价标准客观，坚持公开、公平、公正的原则，力求向健康、普及、持续的方向发展。 该竞赛以飞思卡尔半导体公司为协办方，得到了教育部相关领导、飞思卡尔公司领导与各高校师生的高度评价，已发展成全国30个省市自治区近300所高校广泛参与的全国大学生智能汽车竞赛。2008年起被教育部批准列入国家教学质量与教学改革工程资助项目中科技人文竞赛之一（教高函[2007]30号文）。 全国大学生智能汽车竞赛原则上由全国有自动化专业的高等学校（包括港、澳地区的高校）参赛。竞赛首先在各个分赛区进行报名、预赛，各分赛区的优胜队将参加全国总决赛。每届比赛根据参赛队伍和队员情况，分别设立光电组、摄像头组、电磁组、创意组等多个赛题组别。每个学校可以根据竞赛规则选报不同组别的参赛队伍。全国大学生智能汽车竞赛组织运行模式贯彻“政府倡导、专家主办、学生主体、社会参与”的16字方针，充分调动各方面参与的积极性。 全国大学生智能汽车竞赛一般在每年的10月份公布次年竞赛的题目和组织方式，并开始接受报名，次年的3月份进行相关技术培训，7月份进行分赛区竞赛，8月份进行全国总决赛。 飞思卡尔智能车比赛技术要求：
飞思卡尔智能车比赛个人经验总结
先静下心来看几篇技术报告，可以是几个人一起看，边看边讨论，大致了解智能车制作的过程及所要完成的任务。 看完报告之后，对智能车也有了大概的了解，其实总结起来，要完成的任务也很简单，即输入模块——控制——输出。 （1）输入模块：各种传感器（光电，电磁，摄像头），原理不同，但功能都一样，都是用来采集赛道的信息。这里面就包含各种传感器的原理，选用，传感器电路的连接，还有传感器的安装、传感器的抗干扰等等需要大家去解决的问题。 （2）控制模块：传感器得到了我们想要的信息，进行相应的AD转换后，就把它输入到单片机中，单片机负责对信息的处理，如除噪，筛选合适的点等等，然后对不同的赛道信息做出相应的控制，这也是智能车制作过程中最为艰难的过程，要想出一个可行而又高效的算法，确实不是一件容易的事。这里面就涉及到单片机的知识、C语言知识和一定的控制算法，有时为了更直观地动态控制，还得加入串口发送和接收程序等等。 （3）输出模块：好的算法，只有通过实验证明才能算是真正的好算法。经过分析控制，单片机做出了相应的判断，就得把控制信号输出给电机（控制速度）和舵机（控制方向），所以就得对电机和舵机模块进行学习和掌握，还有实现精确有效地控制，又得加入闭环控制，PID算法。 明确了任务后，也有了较为清晰的控制思路，接下来就着手弄懂每一个模块。虽然看似简单，但实现起来非常得不容易，这里面要求掌握电路的知识，基本的机械硬件结构知识和单片机、编程等计算机知识。最最困难的是，在做的过程中会遇到很多想得到以及想不到的事情发生，一定得细心地发现问题，并想办法解决这些问题。 兴趣是首要的，除此之外，一定要花充足的时间和精力在上面，毕竟，有付出就会有收获，最后要明确分工和规划好进度。
飞思卡尔智能车技术报告
第六届“飞思卡尔”杯全国大学生智能汽车邀请赛技术报告 学校： 队伍名称： 参赛队员： 带队教师：
关于技术报告和研究论文使用授权的说明 本人完全了解第六届“飞思卡尔”杯全国大学生智能汽车邀请赛关保留、使用技术报告和研究论文的规定，即：参赛作品著作权归参赛者本人，比赛组委会和飞思卡尔半导体公司可以在相关主页上收录并公开参赛作品的设计方案、技术报告以及参赛模型车的视频、图像资料，并将相关内容编纂收录在组委会出版论文集中。 参赛队员签名： 带队教师签名： 日期： 摘要 随着现代科技的飞速发展，人们对智能化的要求已越来越高，而智能化在汽车相关产业上的应用最典型的例子就是汽车电子行业，
汽车的电子化程度则被看作是衡量现代汽车水平的重要标志。同时，汽车生产商推出越来越智能的汽车，来满足各种各样的市场需求。本文以第六届全国大学生智能车竞赛为背景，主要介绍了智能车控制系统的机械及硬软件结构和开发流程。 机械硬件方面，采用组委会规定的标准 A 车模，以飞思卡尔半导体公司生产的80管脚16 位单片机MC9S12XS128MAA 为控制核心，其他功能模块进行辅助，包括：摄像头数据采集模块、电源管理模块、电机驱动模块、测速模块以及无线调试模块等，来完成智能车的硬件设计。 软件方面，我们在CodeWarrior IDE 开发环境中进行系统编程，使用增量式PD 算法控制舵机，使用位置式PID 算法控制电机，从而达到控制小车自主行驶的目的。 另外文章对滤波去噪算法，黑线提取算法，起止线识别等也进行了介绍。 关键字：智能车摄像头图像处理简单算法闭环控制无线调试 第一章引言 飞思卡尔公司作为全球最大的汽车电子半导体供应商，一直致力于为汽车电子系统提供全范围应用的单片机、模拟器件和传感器等器件产品和解决方案。飞思卡尔公司在汽车电子的半导体器件市场拥有领先的地位并不断赢得客户的
卡尔曼滤波研究综述
卡尔曼滤波研究综述 1 卡尔曼滤波简介 1.1卡尔曼滤波的由来 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。 其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。 对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 1.2标准卡尔曼滤波-离散线性卡尔曼滤波 为了描述方便我们作以下假设：物理系统的状态转换过程可以描述为一个离散时间的随机过程；系统状态受控制输入的影响；系统状态及观测过程都不可避免受噪声影响；对系统状态是非直接可观测的。在以上假设前提下，得到系统的状体方程和观测方程。
X ?? 1-1 式中:X k 为状态向量,L k 为观测向量,Φk,k-1为状态转移矩阵,U k-1为控制向量,一般 不考虑,Γk,k-1,B k 为系数矩阵,Ωk-1为系统动态噪声向量,Δk 为观测噪声向量,其随机模 型为 E(Ωk ) =0;E(Δk ) =0;cov(Ωk ,Ωj ) = D Ω(k )δkj , cov(Δk ,Δj ) = D k (k )δkj ;cov(Ωk ,Δj ) =0;E(X 0) =μx(0) var(X 0) = D(X 0);cov(X 0,Ωk ) =0;cov(X 0,Δk ) =0. 1-2 卡尔曼滤波递推公式为 X ∧(k/k) = X ∧(k/k-1)+J k (L k -B k X ∧(k/k-1)), D(k/k) = (E-J k B k )D x (k/k-1), J k = D x (k/k-1)BT k [B k D x (k/k-1)]B T k +D Δ(k)]-1, X ∧ (k/k-1) =Φk ,k-1X ∧ (k-1/k-1), D x (k/k-1) =Φk ,k-1D x (k-1/k-1)ΦT k ,k-1+Γk ,k-1D Δ(k-1)ΓT k ,k-1. 1-3 2 几种最新改进型的卡尔曼滤波算法。 2.1 近似二阶扩展卡尔曼滤波 标准的卡尔曼滤波只适用于线性系统，而工程实际问题涉及的又大多是非 线性系统，于是基于非线性系统线性化的扩展卡尔曼滤波(EKF)在上世纪70年代 被提出,目前已经成为非线性系统中广泛应用的估计方法。近似二阶扩展卡尔曼 滤 波方法(AS-EKF)基于线性最小方差递推滤波框架,应用均值变换的二阶近似从 而得到非线性系统的递推滤波滤波框架 该滤波基于线性最小方差递推框架，状态X 的最小方差估计为
PID改进飞思卡尔智能车算法
PID改进飞思卡尔智能车算法 PID改进飞思卡尔智能车算法：智能车系统是一个时变且非线性的系统，采用传统PID算法的单一的反馈控制会使系统存在不同程度的超调和振荡现象，无法得到理想的控制效果。将前馈控制引入到了智能车系统的控制中，有效地改善了系统的实时性，提高了系统的反应速度；并且根据智能车系统的特点，对数字PID算法进行了改进，引入了微分先行和不完全微分环节，改善了系统的动态特性；同时，利用模糊控制具有对参数变化不敏感和鲁棒性强的特点，将模糊算法与PID算法相结合，有效地提高了智能车的适应性和鲁棒性，改善了系统的控制性能。 改进PID算法 智能车的控制是由飞思卡尔公司的S12芯片完成，所以对智能车的控制要采用计算机控制方法。本文针对智能车控制的特殊性，对传统数字PID算法做了一些改进，这样可以更好地满足智能车控制的需要。 不完全微分PID 将微分环节引入智能车的方向和速度控制，明显地改善了系统的动态性能，但对于误差干扰突变也特别敏感，对系统的稳定性有一定的不良影响。为了克服上述缺点，本文在PID算法中加入了一阶惯性环节，不完全微分PID算法结构如图1所示。 将一阶惯性环节直接加到微分环节上，可得到系统的传递函数为： 将（1）式的微分项推导并整理，得到方程如下： 式中，，由系统的时间常数和一阶惯性环节时间常数决定的一个常数。 为了编程方便，可以将2-2式写成如下形式：
分析式（3）可知，引入不完全微分以后，微分输出在第一个采样周期内被减少了，此后又按照一定比例衰减[3][4]。实验表明，不完全微分有效克服了智能车的偏差干扰给速度控制带来的不良影响，具有较好的控制效果。图2为不完全微分PID算法的程序流程图。 微分先行PID 由于智能车在跑道上行驶时，经常会遇到转弯的情况，所以智能车的速度设定值和方向设定值都会发生频繁的变化，从而造成系统的振荡。为了解决设定值的频繁变化给系统带来的不良影响，本文在智能车的速度和方向控制上引入了微分先行PID算法，其特点是只对输出量进行微分，即只对速度测量值和舵机偏转量进行微分，而不对速度和方向的设定值进行微分。这样，在设定值发生变化时，输出量并不会改变，而被控量的变化相对是比较缓和的，这就很好地避免了设定值的频繁变化给系统造成的振荡，明显地改善了系统的动态性能。 图3是微分先行PID控制的结构图，微分先行的增量控制算式如下。
飞思卡尔智能车竞赛策略和比赛方案综述
飞思卡尔智能车竞赛策略和比赛方案综述 一、竞赛简介 起源： “飞思卡尔杯”智能车大赛起源于韩国，是韩国汉阳大学汽车控制实验室在飞思卡尔半导体公司资助下举办的以HCSl2单片机为核心的大学生课外科技竞赛。组委会提供一个标准的汽车模型、直流电机和可充电式电池，参赛队伍要制作一个能够自主识别路径的智能车，在专门设计的跑道上自动识别道路行驶，谁最快跑完全程而没有冲出跑道并且技术报告评分较高，谁就是获胜者。其设计内容涵盖了控制、模式识别、传感技术、汽车电子、电气、计算机、机械、能源等多个学科的知识，对学生的知识融合和实践动手能力的培养，具有良好的推动作用。 全国大学生“飞思卡尔”杯智能汽车竞赛是在规定的模型汽车平台上，使用飞思卡尔半导体公司的8位、16位微控制器作为核心控制模块，通过增加道路传感器、电机驱动电路以及编写相应软件，制作一个能够自主识别道路的模型汽车，按照规定路线行进，以完成时间最短者为优胜。因而该竞赛是涵盖了控制、模式识别、传感技术、电子、电气、计算机、机械等多个学科的比赛。 该竞赛以飞思卡尔半导体公司为协办方，自2006年首届举办以来，成功举办了五届，得到了教育部吴启迪副部长、张尧学司长及理工处领导、飞思卡尔公司领导与各高校师生的高度评价，已发展成全国30个省市自治区200余所高校广泛参与的全国大学生智能汽车竞赛。2008年第三届被教育部批准列入国家教学质量与教学改革工程资助项目中9个科技人文竞赛之一（教高函[2007]30号文，附件2），2009年第四届被邀申请列入国家教学质量与教学改革工程资助项目。 分赛区、决赛区比赛规则 在分赛区、决赛区进行现场比赛规则相同，都分为初赛与决赛两个阶段。在计算比赛成绩时，分赛区只是通过比赛单圈最短时间进行评比。决赛区比赛时，还需结合技术报告分数综合评定。 1．初赛与决赛规则 1）初赛规则 比赛场中有两个相同的赛道。 参赛队通过抽签平均分为两组，并以抽签形式决定组内比赛次序。比赛分为两轮，两组同时在两个赛道上进行比赛，一轮比赛完毕后，两组交换场地，再进行第二轮比赛。在每轮比赛中，每辆赛车在赛道上连续跑两圈，以计时起始线为计时点，以用时短的一圈计单轮成绩；每辆赛车以在两个单轮成绩中的较好成绩为赛车成绩；计时由电子计时器完成并实时在屏幕显示。 从两组比赛队中，选取成绩最好的25支队晋级决赛。技术评判组将对全部晋级的赛车进行现场技术检查，如有违反器材限制规定的（指本规则之第一条）当时取消决赛资格，由后备首名晋级代替；由裁判组申报组委会执委会批准公布决赛名单。 初赛结束后，车模放置在规定区域，由组委会暂时保管。
卡尔曼滤波算法与matlab实现
一个应用实例详解卡尔曼滤波及其算法实现 标签：算法filtermatlabalgorithm优化工作 2012-05-14 10:4875511人阅读评论(25)收藏举报分类： 数据结构及其算法（4） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。 我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。 我们也把这些偏差看成是高斯白噪声。
好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。 由于我们用于估算k时刻的实际温度有两个温度值，分别是23 度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance（协方差）来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。 现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56 度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。