智能汽车路径识别中的图象处理算法
基于深度学习的自动驾驶车辆路径规划策略研究
基于深度学习的自动驾驶车辆路径规划策略研究自动驾驶车辆是当今科技发展的热点，是人类智慧和技术的结晶。
自动驾驶车辆让我们看到了无尽的可能。
而自动驾驶车辆的核心之一就是路径规划，它的好坏直接关系到车辆能否更好地完成自动驾驶任务和行驶的安全性。
因此基于深度学习的自动驾驶车辆路径规划策略研究是非常有价值的。
一、深度学习在自动驾驶车辆路径规划中的应用深度学习是一种人工智能的分支学科，具有自适应和自我进化的能力，已经在语音识别、图像识别、自然语言处理等许多领域取得了很好的应用效果。
在自动驾驶车辆领域，深度学习可以应用于辅助驾驶、安全监控、交通流量预测、驾驶行为分析、路径规划等众多领域。
在自动驾驶车辆路径规划中，深度学习能够进行数据驱动型的路径规划，通过学习大量实际数据，建立深度神经网络模型，从而实现路径规划。
深度学习技术可以从历史数据中学习汽车驾驶的技能，学习如何选择道路、避免障碍物、跟随车辆和保持航向等行为。
因此，深度学习在自动驾驶车辆路径规划中的应用非常广泛。
二、深度学习在自动驾驶车辆路径规划中的优化深度学习在自动驾驶车辆路径规划中的应用，还可以与其他技术结合，进行更好的优化。
1. 地图数据优化在自动驾驶车辆路径规划中，地图数据是非常重要的。
通过深度学习技术可以对地图数据进行优化和更新。
深度学习技术可以通过分析历史数据，提取道路的特征，将道路分为不同的类型，从而优化地图数据的准确性和细节性。
2. 传感器数据优化在自动驾驶车辆中，各种传感器收集到的数据，包括摄像机、雷达、超声波和激光雷达等，都可以用于路径规划。
深度学习可以通过对传感器数据进行深度处理和学习，快速准确地检测道路状况，并估算驾驶员的难度。
通过这种方式可以让自动驾驶车辆更好的适应复杂地形，规划最佳路径。
3. 反应时间预测在路径规划过程中，反应时间是一个非常重要的因素。
深度学习技术可以从历史数据中学习驾驶员的习惯和反应时间，根据车辆的速度、行驶环境和传感器数据等建立模型，预测驾驶员的反应时间。
走进智能网联汽车环境感知技术
⾛进智能⽹联汽车环境感知技术环境作为智能⽹联汽车的基础，同时也是智能驾驶的四⼤核⼼技术（环境感知、精确定位、路径规划和线控执⾏）之⼀，环境感知技术利⽤传感器获取道路、车辆位置和障碍物信息，并将这些信息传输给车载控制中⼼，为智能⽹联汽车提供决策依据，是智能驾驶汽车的“通天眼”。
感知环境感知技术应⽤在智能⽹联汽车的各个⾓落环境感知系统组成环境感知系统由信息采集单元、信息处理单元和信息传输单元组成。
系统基于单⼀传感器、多传感器信息融合或车载⾃组织⽹络获取周围环境和车辆的实时信息，经信息处理单元根据⼀定算法识别处理后，通过信息传输单元实现车辆内部或车与车之间的信息共享。
常见的环境感知传感器有超声波传感器、毫⽶波雷达、激光雷达和视觉传感器等，各传感器的原理和特点不同，在环境感知技术中的使⽤也不同。
超声波传感器超声波传感器也称超声波雷达,它利⽤超声波的特性研制⽽成。
超声波发射器发出的超声波脉冲,经媒质传到障碍物表⾯,反射后通过媒质传到接收器,测出超声脉冲从发射到接收所需的时间,根据媒质中的声速,求得从探头到障碍物表⾯之间的距离。
超声波传感器原理⾃动泊车辅助系统中，安装在前后保险杠的8个UPA（⽤于探测周围障碍物）和安装在左右侧的4个ALA（⽤于测量停车位的长度）共同作⽤，完成⾃动泊车辅助。
○UPA，⼜叫PDC传感器，安装在汽车前后保险杠，⽤于探测汽车前后障碍物，探测距离15~250cm。
○APA，⼜叫PLA传感器，安装在汽车侧⾯，⽤于测量停车位长度，探测距离30~500cm。
毫⽶波雷达毫⽶波雷达是⼯作在毫⽶波频段的雷达，通过发射源向给定⽬标发射毫⽶波信号,并分析发射信号时间、频率和反射信号时间、频率之间的差值,可以精确测量出⽬标相对于雷达的距离和运动速度等信息。
毫⽶波雷达特点优点○探测距离远：最远可达250m○响应速度快○适应能⼒强：不受颜⾊、温度影响，穿透⼒强缺点○覆盖区呈扇形，有盲点区域○⽆法识别道路标线、交通标志和交通信号在智能⽹联系统中，通常同时使⽤近距离雷达（SRR）、中距离雷达（MRR）和远距离雷达（LRR），以满⾜不同距离范围的探测需要，实现辅助驾驶功能。
智能汽车技术教学课件完整版
亟待突破。
智能汽车概论
1.3智能汽车技术架构
环境感知技术
• 智能汽车的环境感知模块利用
激光雷达、毫米波雷达、视觉传
感器、超声波雷达等各种传感器
对周围环境进行数据采集与信息
处理,以获取当前行驶环境及本车
的有关信息。
• 环境感知技术可以为智能汽车
提供道路交通环境、障碍物位置、
给出其相关叠加结果
· 表示各散射中心的复数散射场;k是玻尔兹曼常数;2Rn是从雷达到该散射
中心的双程距离,构成目标体的各强散射分量相位的随机变化。
机器视觉感知技术
雷达环境杂波分析
地物杂波分析
天气杂波分析
地物杂波是雷达入射电磁波的
分布散射回波，它对智能汽车
毫米波雷达的影响较大，地物
杂波是极为不稳定的，例如由
动态目标运动状态、交通信号标
志、自身位置等一系列重要信息,
是其他功能模块的基础,是实现辅
助驾驶与自动驾驶的前提条件。
智能汽车概论
• 决策规划技术
决策规划技术是智能汽车的控制中枢,相
当于人类的大脑,其主要作用是依据感知
层处理后的信息以及先验地图信息,在满
足交通规则、车辆动力学等车辆诸多行
驶约束的前提下,生成一条全局最优的车
·雷达电磁波接收与处理机理,包括雷达接收天线、雷达接收机特性、雷达
信号理方法等。
机器视觉感知技术
毫米波雷达的测速测距原理
智能汽车毫米波雷达通常发射连续高频等幅波,其频率在时间上按线性规律变
化,鉴于智能汽车毫米波雷达需同时测量目标的距离和速度,发射波形一般选
择三角形线性调频。假设发射的中心频率为f0,B为频带宽度,T为扫描周期,调
基于LQR的智能车辆路径跟踪控制研究
0引言随着人们生活水平的稳步提升，汽车作为日常代步工具早已进入千家万户。
汽车在给予生活便利的同时也引发了诸多社会问题，例如交通拥堵、环境污染等。
对智能车的研究可以有效的改善尾气排放、交通堵塞等问题。
而路径跟踪作为智能车辆的一项关键技术，是世界上许多汽车主机厂一直以来研究的重点。
路径跟踪主要是运用各种算法设计控制器，使得车辆在精确跟踪期望路径的同时保证车辆的横向稳定性。
目前路径跟踪运用较为广泛的算法有PID控制、模糊控制、鲁棒控制、滑模控制、模型预测控制等。
邵俊凯等[1]设计了基于强化学习的自适应PID路径跟踪控制器，用于无人驾驶铰链式车辆的路径跟踪。
王家恩等[2]人以横向偏差及其变化率作为模糊控制器的输入，得到了车辆前轮转角，从而控制车辆沿着期望路径运动。
武星等[3]提出了一种基于双视野窗口的鲁棒特征识别与路径跟踪方法，该方法改善了检测系统的实时性。
李兵等[4]将滑模算法和RBF神经网络算法相结合，设计了路径跟踪控制器。
日本的Yakub Fitri等[5]采用模型预测（MPC）控制，解决了四轮转向汽车在高速行驶工况下的路径跟踪问题。
文章首先对路径跟踪相关模型做出介绍，随后通过对基于LQR的路径跟踪控制器的设计过程和各种期望路径信息的呈现，表明该控制方法的优缺点。
1路径跟踪模型1.1二自由度车辆动力学模型二自由度车辆动力学模型是车辆动力学研究常用的模型，文献[6]中建立了如图1所示车辆模型。
车辆的横摆运动为：（1）侧向运动为：（2）前后轴侧向力为：（3）（4）式中，F yf、F yr分别为汽车前后轴所受的侧向力；a、b分别为质心至前后轴的距离；I z为绕Z轴的转动惯量；r为车辆横摆角速度；C f和C r分别为前后轮胎的侧偏刚度；αf、αr 分别表示前后轮侧偏角；δf为车辆前轮转角；v x为车辆纵向速度；β为质心侧偏角；M z表示附加横摆力矩。
将（3）、（4）式代入（1）和（2）式中可得：（5）其中为状态向量，输入文献[7]通过式（6）引入后轮转角，以车辆前后轮转角作为系统输入即进行路径跟踪控制。
基于CCD图像识别的HCS12单片机智能车控制系统_刘建刚
光电 技术 应用
ELECT R O- OPT IC T ECHN OL OGY A PPL ICA T ION
Vol. 22, No. 6 December . 2007
文章编号: 1673- 1255( 2007) 06- 0052- 04
基于 CCD 图像识别的 H CS12 单片机智能车控制系统
的光电传感器识别路径方案, 该摄像头传感器 可以获取更多的路径信息, 使智能 车按任意 给定的黑色 引导线更 能以较快的 速
度平稳地运行.
关键词: 图像识别; 智能车; HCS12 单片机; CCD
中图分类号: TP212. 9
文献标识码: A
Design of Smartcar. s HCS12 MCU Control System Based on CCD Image Recognition
1 检测前瞻距离远 2 检测范围宽
3 检测道路参数多 4 占用 M CU 端口 资源少
1 电路相对设计复杂 2 检测信息更新速度慢 3 软件处理数据较多
2 主要电路模块设计
2. 1 CCD 路径识别电路
摄像 头的 主要 工作 原理 是[ 2] : 按一 定 的分 辨 率, 以隔行扫描的方式采样图像上的点, 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 换成与灰度成一一对应关系的电压值, 然后将此电 压值通过视频信号端输出. 具体参见图 1. 当摄像头 扫描完一行, 视频信号端就输出有一个电压/ 凹槽0, 并保持一段时间, 此/ 凹槽0叫做行同步脉冲, 它是扫 描换行的标志. 然后, 跳过一行后, 开始扫描新的一 行, 如此下去, 直到扫描完该场的视频信号, 接着就 会出现一段场消隐区. 在这若干个消隐脉冲中, 有个 脉冲远宽于其他的消隐脉冲, 该消隐脉冲即称为场 同步脉冲, 它是扫描换 场的标志. 摄像头每秒 扫描 25 幅图像, 每幅又分奇、偶 2 场, 先奇场后偶场, 故 每秒扫描 50 场图像. 即扫描周期为 20 ms.
深度学习在人工智能中的应用和原理是什么
深度学习在人工智能中的应用和原理是什么深度学习是人工智能领域的一个重要分支，它致力于模拟人脑的神经网络结构和学习方式，通过构建多层神经网络来处理和解决复杂的问题。
深度学习已经取得了很多在图像识别、语音识别、自然语言处理等领域的突破性成果，并且正在逐渐影响和改变人类社会的方方面面。
深度学习的应用非常广泛，下面我们来具体探讨一下深度学习在人工智能领域的几个主要应用。
一、图像识别图像识别是深度学习的一个重要应用方向。
通过深度学习，可以让计算机模拟人类大脑的视觉系统，能够对图片进行分析、识别出其中的物体和场景，并进行分类。
例如，在自动驾驶领域，深度学习可以帮助汽车识别出道路上的车辆、行人和交通标志，从而做出相应的决策。
此外，深度学习还可以应用于医学影像诊断、安防监控等领域。
二、语音识别语音识别是指将语音信号转换为文本的过程。
深度学习在语音识别领域表现出了强大的能力。
通过深层神经网络的构建和训练，可以对复杂的语音信号进行建模，从而实现高准确率的语音识别。
目前，深度学习已经成功应用于智能助手（比如苹果的Siri和亚马逊的Alexa）以及电话客服等领域，极大地提升了语音识别的性能。
三、自然语言处理深度学习在自然语言处理方面也有广泛的应用。
自然语言处理是指让计算机理解和处理人类自然语言的过程。
通过深度学习，可以让计算机更好地理解和处理文本、翻译、回答问题等。
例如，在机器翻译领域，深度学习可以通过构建序列到序列的神经网络模型，将一种语言的文本自动翻译成另一种语言的文本。
四、推荐系统深度学习在推荐系统中也有很多应用。
推荐系统是指根据用户的历史行为和偏好，向用户推荐其可能感兴趣的物品。
通过深度学习，可以提取出用户和物品之间的特征，通过建立深度神经网络模型来预测用户对物品的偏好。
这样可以实现更加准确和个性化的推荐。
五、机器人控制深度学习在机器人控制领域也有很多应用。
通过深度学习，可以让机器人具备更加智能的感知和决策能力。
模式识别技术在自动驾驶系统中的应用
模式识别技术在自动驾驶系统中的应用自动驾驶技术是近年来互联网与人工智能融合发展的重要成果，其潜力和前景引起了广泛的关注和兴趣。
而在自动驾驶系统中，模式识别技术的应用起到了至关重要的作用。
本文将探讨模式识别技术在自动驾驶系统中的应用，包括模式识别技术的工作原理、应用场景以及所带来的优势和挑战。
首先，我们来了解一下模式识别技术的工作原理。
模式识别技术是指通过计算机算法和机器学习方法，从大量的数据中寻找特定的模式或规律。
在自动驾驶系统中，模式识别技术可以分析和理解道路上的各种场景和情况，帮助汽车自主决策和行驶。
在自动驾驶系统中，模式识别技术可以应用于多个方面。
首先，模式识别技术可以用于图像识别和分析。
通过分析车载摄像头拍摄的图像，模式识别技术可以识别道路标志、交通信号灯、行人和其他车辆等，从而对车辆的位置、速度和行驶路径进行准确判断。
其次，模式识别技术还可以用于语音识别和理解。
通过识别驾驶员的指令和语音交流，系统可以实现自然语言的交互和响应。
此外，模式识别技术还可以应用于运动轨迹和行为模式分析，通过对车辆的运动轨迹和行为模式进行分析，模式识别技术可以提前预测可能的危险场景，从而避免事故的发生。
模式识别技术在自动驾驶系统中的应用具有很多优势。
首先，模式识别技术可以实现准确和高效的场景和目标识别。
通过深度学习和神经网络等技术的发展，模式识别技术在识别准确度和速度方面均取得了很大的突破，使得自动驾驶系统能够快速而准确地识别和理解道路上的情况。
其次，模式识别技术可以提升自动驾驶系统的安全性和可靠性。
通过对不同场景和情况的识别和分析，系统可以在遇到危险或复杂情况时做出相应的决策和应对措施。
此外，模式识别技术还可以提高驾驶体验和乘坐舒适度。
例如，通过对驾驶员的面部表情和眼神进行分析，系统可以了解驾驶员的疲劳程度，并提醒驾驶员进行休息或调整。
然而，模式识别技术在自动驾驶系统中的应用也面临着一些挑战。
首先，模式识别技术对于复杂环境和情况的识别和理解仍然存在一定的困难。
《智能网联汽车技术概论》课件 - 第四章-高精度定位与导航系统
• 知识回顾：高精度地图的生产
No.10008
其他形式的高精度地图
• 知识回顾：高精度地图的数据展示
No.10008
0
2
• 高精度定位系统
No.10008
全球导航卫星系统
• 1.卫星导航定位系统种类
• 请说说什么是卫星导航定位系统？ • 请说说卫星导航定位系统全球有哪几
种？
• 实时定位与地图构建（SLAM）是一种在机器人领域广泛使用的地图构建与定位 技术。
• 可以使用激光、视觉、红外等传感器，在机器人移动过程中获取传感器检测的 环境特征，进一步识别行驶过程不同时刻环境特征中类似的部分，将检测到的 环境信息进行拼接，对行驶过的环境进行基于当前传感器信息的完整描述，即 高精度地图构建。
No.10008
高精度地图采集与生产
• 高精度地图生产过程
• 高精度地图与传统地图相 比，具有不同的采集原理 和数据存储结构。
• 传统地图依赖于拓扑结构 和传统的数据库，将各种 元素作为对象堆放在地图 上，将道路存储为路径。
• 高精度地图中，为了提高 存储效率和机器可读性， 地图在存储时分为矢量层 和对象层。
No.10008
高精度地图采集与生产
• （2）加工
• 加工的过程包括人工处理、深度 学习的感知算法（图像识别）等。 采集的设备越精密，采集的数据 越完整，就可以降低算法所需的 不确定性。收集到的数据越不完 整，就需要更多的算法来补偿数 据缺陷，也可能会产生更大的误 差。
• 采集的设备越精密，采集的数据 越完整，就可以降低算法的不确 定性；收集到的数据不完整，就 需要更复杂的算法来补偿数据缺 陷，且容易产生更大的误差。
• 对于自动驾驶系统，导航系统需要提供更高 精度的路径，引导车辆达到目的地，需要将 环境中尽可能丰富的信息提供给自动驾驶系 统。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能汽车路径识别中的图象处理算法
李 继 李晋尧 杨 明 孔士嘉
（北京印刷学院 信息与机电工程学院 北京 102600）
摘 要： 分析全国大学生智能汽车竞赛中智能汽车路径识别中的图象处理算法，重点介绍智能车车牌识别的控制算法。
智能汽车通过OV7620数字摄像头对路面信息进行采集和处理，依次实现自动识别十字路口上的红绿灯、自动检测前方车距、自动识别车牌等功能，并以一个较高的稳定速度运行在规定的道路上。
关键词： 智能车；车牌识别；图象处理
中图分类号：TP391.4 文献标识码：A 文章编号：1671－7597（2011）1010184－02
1 绪论
到），D_out 是D 调节器的输出。
因此，输出了相应的弧度角，小车方向控制的功能也就实现了。
随着21世纪经济全球化和信息化的加剧，计算机通信技术和计算机网 3 智能车自动识别十字路口的红绿灯
络技术等的迅猛发展，自动化信息处理能力和水平的不断提高并在人们社会活动和生活的各个领域得到广泛应用，高速度、高效率的生活节奏使汽智能车利用CMOS 摄像头识别十字路口的红绿灯，当小车驶至十字路口车普及成为必然趋势。
前，摄像头采集前方图像的灰度，当那个采集到某个区域的灰度值范围在伴随着世界各国汽车数量的增加，城市交通状况日益受到人们的重240-255时，则说明前方交通指示灯为红灯，小车在十字路口白线前停视。
如何有效地进行交通管理，越来越成为各国政府及相关部门所关注的车，若没有采集到灰度值240-255范围时，认为前方交通指示灯指示为绿焦点。
针对这一问题，人们运用先进的信息处理、导航定位、无线通信、灯，小车匀速驶过十字路口。
当红灯变成绿灯时，小车检测到前方没有自动控制、图像处理和识别及计算机网络等科学技术，相继研发了各种交240-255的灰度值，则小车启动，驶过十字路口。
通道路监视管理系统、车辆控制系统及公共交通系统。
这种智能交通系统 4 智能车车牌识别的控制实现
能够加强道路、车辆、驾驶员和管理人员的联系，实现道路交通管理自动车牌识别最基本的流程是：将采集后的图像二值化，然后依次经过车化和车辆行驶的智能化，增强交通安全，减少交通堵塞，提高运输效率，牌定位、字符分割、去除干扰，最后是字符识别。
减少环境污染，节约能源，提高经济活力。
4.1 二值化
本文设计的系统，就是在智能汽车以及飞思卡尔16位嵌入式处理器二值化是车牌识别的第一步。
二值化前后的对比如下图2所示：
S12X 单片机的基础上，对模拟驾驶进行创新设计，以期应用到实际的交通驾驶中。
2 智能车基于CMOS摄像头的路径识别和方向控制
智能车采用CMOS 图像传感器用于检测黑色跑道上两边的白线，扩展了检测范围，有助于选择正确的行进路线。
在检测中，对图像中的前十行的像素进行分析，找出两条白线的中点，通过反复的实验，智能小车能够以一个较高的速度稳定地运行在给定的跑道上。
2.1 路线的识别和确定
路线识别和确定是智能车可以前行的前提。
通过对摄像头所采集的图像进行二值化，然后对前十行的像素进行分析，由每行中两个白点的坐标来确定中心的坐标，从而得出十个中心坐标，将十个中心坐标连接起来，图2 二值化前后对比图
就是小车需要走的路径。
图1所示为摄像头对跑道图像二值化的结果。
在车牌识别中，通过图像的二值变化将车牌与背景分割开来，要求转化的图像必须具有良好的保形性，不丢掉有用的形状信息，不产生额外的空缺等，其关键在于确定合适的阀值。
4.2 车牌定位
车牌定位是车牌识别的一个关键步骤，定位的准确与否直接影响着车牌识别的准确率。
在车牌定位算法中，关键是寻找图像处理方法，使原始图像经图1 跑道的图像二值化结果
2.2 方向控制
智能汽车方向控制的核心是舵机控制，其输入信号是PWM 脉冲，并输出相应的弧度角。
本文采用的S12单片机PWM 输出信号端口作为舵机的输入信号。
为了使检测时更加稳定，本文采用了PID 控制器，由于无需考虑已经走过的轨道，所以本文只用比例微分调节器模块，下面公式显示了D 调节器的控制算法：
在enew
，eold 定义了这一次和下一次的角度的计算，t 是CMOS 摄像头扫描时间，微分系数Kd 被强制规定运行在0.5到1.5
（通过多次试验得
过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。
车牌识别过程中，我们采用角点定位的方法，在所有的边界点中，选择某些曲率半径比较小的点，如图3所示（角点用红点表示）。
图3 二值化后角点定位图
图中字符上和车牌的四角都有角点，但是这并不影响车牌的定位。
根图5将超声波传感器装在智能小车车头，其工作原理是给予此超声波据距离最大的四个角点，得到了车牌的四个角，从而定位了车牌。
从角点测距模块信号后发射超声波，当超声波投射到前方小车车尾而反射回来定位的原理看出，如果经过旋转后车牌并不会影响角点定位的成功率和速时，模块输出一响应信号，以触发信号和响应信号间的时间差，来判断两度。
车之间的距离。
4.3 字符分割
当车子行驶时，给后车提供一个短期的10us 脉冲触发信号。
该模块内确定了车牌位置后就要对车牌进行提取，对图像目标位置标记，然后部将发出8个40kHz 周期电平并检测回波。
一旦检测到有回波信号，则输出利用原始图像进行车牌位置提取。
提取之后就要进行车牌字符的分割提响应信号，响应信号是一个与脉冲宽度成正比的距离对象，可通过发射信取，车牌字符的正确分割是进行下一步车牌字符识别的基础。
我们采用的号到收到响应信号的时间间隔计算距离。
公式：us/58=厘米。
如图6所是字符分割法：对于一个数字或者字母，前景的点是连续的，用填充算法示：
对种子点填充即可得到整个字符。
当然汉字就不是了，所以这种分割算法仅仅适合数字或者字母。
但是当整个车牌的数字和字母都得到之后，剩下的那个必定是汉字。
4.4 字符识别
字符识别是车牌识别系统的最后一个处理过程，也是车牌识别的关键点，对字符识别的研究也是车牌识别研究的重点。
因为车牌字体是印刷字体，对于印刷字符识别，一般的思路是和模板比对。
这样做最大的好处在于编程方便。
但是有两个坏处，第一速度较慢，第二识别率不高。
在字符特点中，用编程语言逐一描述字符的特点，可以很好的提高在恶劣环境下的字符识别率，从而提高车牌识别的质量。
4.5 车牌显示
通过以上各步骤以后，采集到的图像经过S12单片机系统板将反馈到液晶屏上显示，从而识别车牌。
如图4所示：
图6 超声波模块时序图
6 结论
本设计充分利用了飞思卡尔公司产品选择多样，功能完善，适应性强的多款芯片。
其中采用MC9S12XS128采集和处理视频信号，完成自动识别检测等功能；通过LQ-7960M 进行电机驱动，实现智能汽车自动加减速控制；通过OV7620数字摄像头对路面信息进行采集和处理，实现了小车的寻线行驶。
图4 车牌识别
简便、安全、高效是我们设计智能汽车的创新理念，我们将遵循这个5 智能车自动检测前方车距
理念，进一步设计出更加人性化的驾驶创新技能，解决许多目前交通驾驶中亟须解决的问题，从而提高交通系统的使用效率和安全性。
参考文献：
[1]卓晴、黄开胜、邵贝贝，学做智能车——挑战“飞思卡尔”杯，北京航空航天大学出版社，2007年3月，第1版.
[2]孙同景、陈桂友，Freescale 9S12十六位单片机原理及嵌入式开发技术，机械工业出版社，2010年2月，第1版.
[3]邵贝贝，单片机嵌入式应用的在线开发方法，北京：清华大学出版社，2004年10月，第1版.
[4]谢强德，第四届全国大学生“飞思卡尔”杯智能汽车竞赛创意组上海
交大CyberSmart 队技术报告[R].上海：上海交通大学，2009.
图5 超声波传感器
[5]刘金琨，先进的PID 控制，电子工业出版社，2007年5月，第1次版
.
当节点需要把采集的温度数据发送给汇聚节点时，首先要把需要发送监控室。
的数据通过SPI 接口写入CC2420的TXFIFO 寄存器，然后发送选通寄存器参考文献：
STXON 或STXONCCA 的命令，使其在信道空闲时把数据通过无线信道发送出[1]韩旭东、曹建海，基于IEEE 802.15.4无线智能化传感器网络研究及其去。
当CC2420接收到外部传来的数据时，会首先把数据存入到接收缓存区性能分析[J].电工技术，2004（9）.
RXFIFO 之中，此时CC2420会自动改变FIFO 和FIFOP 两个引脚的状态，处理[2]杨赓，Zigbee 无线传感器网络的研究与实现[D].浙江：浙江大学，器通过判断FIFOP 的引脚状态，会自动读取RXFIFO 寄存器中的整个数据2006.
包。
[3]王吉富、马建仓、卢崇，基于单片机控制射频芯片CC2420无线通信的4 结束语
实现[J].电子测量技术，2007，30（5）：88-109.
将传感器网络技术应用于井下环境参数采集监测，大大提高了监测系[4]陈玉兰、聂军，面向无线传感器网络的CC2420接口设计[J].电子工程统的灵活性。
本文设计的无线传感网络节点能够采集，处理环境数据。
如师，2005，31（12）：36-38.
果和主巷道内的光纤结合应用，可实方便的把现井下环境信息上传至地面
（上接第146页）。