智能车车速最优控制策略与算法研究

张丽，徐海钦，王子文，王福忠，张涛

(河南理工大学 电气工程与自动化学院，河南 焦作 454000)

0 引 言

无人驾驶技术已成为车辆发展的新趋势。为了推动国内无人驾驶技术发展，全国大学生智能汽车竞赛[1-3]应运而生。在往届比赛中，最为经典的项目就是四轮组的竞速项目。在智能车控制系统中，赛事所允许使用的摄像头与控制器性能有限，采集到的图像无法有效滤除由光照和失真所带来的错误信息，使图像处理的结果影响车辆的行驶路线[4-6]，从而间接影响比赛成绩。通常，车辆转向时冲出赛道有两个原因：一是比赛限定了舵机型号致使其性能受到局限，无法正常转向；二是车速和转向无法有效关联并进行控制[7]。

为了有效提高智能车车速，本文结合智能车电机控制特点，采用灰度摄像头进行图像处理与路径识别，通过逆透视变换[8-10]得到理想赛道图像，与速度环构成串级控制；利用编码器进行测速，由陀螺仪检测车身姿态在特殊元素处及时降低速度，使车辆在高速行进的同时保持稳定；最后通过人工蜂群算法[11-12]整定出最适控制器参数，利用PID控制器[13-14]对电机转速进行串级[15]闭环控制，使车辆以最优状态和最短时间完成比赛。

1 智能车控制系统结构

以全国大学生“恩智浦”杯智能汽车竞赛指定参赛车模——博思威龙B型车模为研究对象。经过设计改装后，该车模的参数为：车长285 mm，车宽180 mm，车高400 mm，质量约1 kg。智能车硬件控制系统结构如图1所示。系统采用恩智浦公司提供的微处理器作为核心主控芯片，利用多路电源对各个模块独立供电，矩阵按键用于发车初始化设置。采用CMOS摄像头感知车体与路面的相对位置信息，通过对竞赛赛道图像提取、识别和处理，实现循迹功能。此外，车辆还装有姿态检测陀螺仪和编码器，这些传感器配合使用，能够准确检测出车辆状态并对电机和舵机进行控制，使车辆始终处于设定状态运行。蓝牙模块和OLED用于显示车辆采集到的信息，使数据可视化。

图1 智能车控制系统结构图

2 控制策略设计

智能车车速控制的方法已经被研究多年，应用最为广泛的就是通过图像识别行车路径，控制舵机转向实现循迹，再通过位置式PID对后轮电机实现速度的闭环控制[16]。但是，这种方向开环与速度闭环的控制在车辆速度较低时效果较好，而速度一旦过快，就会出现转向不及时或者速度出现超调或滞后调节，导致车辆无法继续按照摄像头所得图像的规划路径继续行驶，从而导致完成比赛时间过长，甚至冲出赛道无法正常完成比赛。目前，在智能车四轮组竞速中，由于赛道类型多样且复杂(图2)，比赛中车速控制十分关键，已成为影响比赛成绩的决定性因素。为此，本文采用车辆转向与速度调节相关联的方式，对速度调节使用蜂群算法[17-18]整定PID参数，实现电机转速的最优控制，并进一步缩短比赛时间。

图2 赛道元素示意图

基于图2的赛道元素，本文以智能车不冲出赛道且稳定运动为前提，完成赛道各个元素的识别，实现直道加速、弯道减速的动态速度控制目标。智能车在行驶过程中的姿态和速度均需要检测，具体控制策略流程设计如图3所示。

控制过程如下：

(1)采用灰度摄像头对赛道进行图像识别，得到图像信息之后，根据图像灰度分布直方图确定动态阈值参数，减小光照强度对于图像的干扰，再利用逆透视变换将图像转变为俯视图，然后进行赛道边界线提取，获得车辆准确位置，与主控制环速度环构成串级控制。

(2)正确获得车辆位置及运行状态后，由PD控制器控制舵机转向，PI控制器控制电机转速，舵机的转向系数与当前电机转速呈正相关关系，即车速越高转向系数越大。

(3)对电机进行速度闭环与方向开环串级控制，速度环的PI控制器参数由人工蜂群算法进行动态整定，保证车辆无论是在直道加速还是在弯道减速，都能够稳定沿车道中线运动。

3 算法实现

3.1 动态阈值设置

在车辆行驶过程中，光照强弱以及地面蓝布反光，都可能使固定阈值的图像传感器无法准确获得赛道信息，故采用灰度摄像头，采集到的图像含有256个灰度级，信息丰富，根据灰度直方图的灰度级分布确定阈值。图4为灰度摄像头采集到的原始图像与处理后的二值化图像，图5为原始图像灰度分布直方图。直方图的横坐标是0～255个灰度值，纵坐标是对应灰度在一帧完整图像中出现的概率。其概率P(Sk)计算式为

(1)

式中:Sk为灰度级数;nk为该帧图像灰度级为Sk的像素点个数;n为该帧图像像素点的总数。

从图5可明显看出，摄像头接收到的图像灰度值在80～120分布较多，可以判断为白色赛道，灰度值更低的区域则为黑色边界和界外蓝布，灰

图4 灰度图像与二值化图像

图5 图像灰度分布直方图

度值更高的区域则是由于赛道不同程度反光所造成的亮度过高。根据这幅图像,选择灰度值120作为此时的摄像头阈值，从而解决反光问题。

3.2 逆透视图像处理

为了更好地获得图像信息，采用逆透视变换法对图像进行处理，使图像按照透视旋转定律变换，将其矫正成正投影形式，这样得到的图像有效信息要远大于变换之前的原图像。具体过程如下。

首先，确定摄像头参数。采用实测方法得到智能车摄像头参数，其中仰角θ为23°；中心高度H为37 cm；视点到视平面距离d为87 cm。

其次，求世界坐标PW。设摄像头图像坐标为PG=(x，y，z，1)，并由世界坐标与图像坐标的关系建立矩阵方程，

(2)

将图像坐标代入式(2)，求得世界坐标的矩阵，即

(3)

(4)

最后，处理图像。由于所处理的赛道图像是二维平面图像，故图像深度恒为0。根据式(4)，只要把二值化后的二维数组的横纵坐标代入，即可求得世界坐标下的坐标值，即变换后的俯视图坐标。实际比赛时，如果不对所采集的赛道图像做处理，赛道图像失真后将会影响智能车比赛成绩。本文选取赛道中一个直角弯道进行说明，根据式(4)，将摄像头识别得到的失真图像进行逆透视变换，图像变换前后的效果如图6所示。对比图6(a)～(c)可以看出，经过逆透视变换后的图像与与实际更加相符，更能反映出赛道的真实信息。

图6 赛道图像变换前后效果对比

3.3 蜂群PID参数整定

在速度的闭环控制中，采用PI控制器，将人工蜂群算法加入速度闭环控制系统[19]，最优整定PI控制器的参数，步骤如下。

首先，通过试验计算车辆的直流电机传函，

G(s)=33.16/(1.87s+1)。

(5)

其次，用两种不同的稳定判据方式，劳斯稳定判据和奈奎斯特稳定判据，求得PI控制器参数的变化范围表1，蜂群算法参数设置见表2。

表1 PI参数变化范围

最后，对设置的两组参数分别在两种增益变化范围内进行仿真实验，结果如表3所示。

表2 蜂群参数设置

表3 参数整定结果

4 仿真与试验

4.1 仿真测试

对图像进行阈值设置和透视变换后，就可以进行图像中心的推算。对赛道边缘点进行提取，通过边沿数据推算中心，再加入折点求取判断，计算出的中心点效果如图7所示。

图7 赛道中心推算效果图

准确计算出中线后，将每幅图像的中线位置与速度PID的设定值相关联构成如图8的二次曲线关系，具体函数关系如式(6)所示。

图8 设定速度与转向偏差曲线

Speed.SetValue=HighSpeed-(59-Control)^2×

(HighSpeed-LowSpeed)/2431，

(6)

式中:Speed.SetValue为设定速度;HighSpeed为最高速;LowSpeed为最低速;Control为中线位置。

智能车在行进过程中，由于速度设定和车辆偏离赛道中线的偏差呈函数关系，故速度设定值也是处于不断更改的状态。同时考虑到阶跃信号对于系统稳定性的考验较为严峻，故采用阶跃信号模拟设定值的改变来仿真整定后的PI控制系统，结果如图9所示。其中，传统PID参数采用表3中的参数，该参数通过固定电机的传函得出，而本文控制方式使用的参数范围采用表2数值。

图9 阶跃响应仿真曲线

从图9可以看出，在劳斯判据和奈奎斯特判据下，蜂群PID均比传统PID的超调量小，控制效果更好。再对比两种判据下的响应情况可知，基于劳斯判据下的蜂群PI控制器效果好于奈奎斯特判据下的蜂群PI控制器，超调量和调节时间均小于奈奎斯特判据下的蜂群PI控制器，且响应快，故选取基于劳斯判据下的参数范围作为整定结果在实际控制器[20]中使用。

在实际比赛中，由于赛道材质和赛道元素的多样化，导致车辆在不同位置时的传函并不完全相同。在这种情况下，传统的PID就无法很地好适应不断变化的传函。但是，本文所采用的蜂群PID控制算法，参数是不断变化并加以整定的，可以更好地克服由于传递函数改变而引起的扰动，适应性比传统PID更强。

4.2 试验测试

试验中，测试所用的智能车实物如图10所示，测试环境赛道如图11所示。测试赛道全长36 m，含有直道、S弯、环岛等各种元素。测试选取两种方案：一是赛道全程测试；二是赛道特殊元素测试。然后，将传统控制方式与本文提出的速度图像优化关联控制方式进行对比。

图10 智能车实物图

图11 实际测试赛道

4.2.1 赛道全程试验

测试时，选取晴天(自然光照射)、阴天(自然光+灯光照射)和黑夜(灯光照射)3种环境，对不同控制方式下的车速各进行150次测试，分别记录每圈的平均速度、碾压路肩的次数和停车的距离，求取150次的平均值作为数据采集的最终结果，如表4所示。

从表4中可以看出：(1)在相同测试环境下，传统控制方法的平均车速均慢于本文控制方法的平均车速，在晴天约慢0.24 m/s，在阴天约慢0.25 m/s，在黑夜约慢0.18 m/s；(2)在相同控制方法下，对比不同赛道环境的平均车速发现，传统控制方法在黑夜环境中的速度可达到2.65 m/s，但在晴天和阴天环境中的速度只有2.55 m/s和2.56 m/s，说明传统方法下车速控制受环境影响较大，而本文控制方式的速度较为稳定，在3种环境中的速度都在2.8 m/s左右；(3)在相同测试环境下，传统控制方法控制的车辆仍然存在碾压路肩的情况，而本文控制方法则不存在。在停车距离方面，本文控制方法的停车距离相对较长，但是在竞赛过程中，停车距离不大于2 m即算作正常停车，该距离仍在正常范围内。

表4 赛道全程试验结果

4.2.2 赛道特殊元素试验

在赛道全程测试中，当车辆经过赛道特殊元素时，采集其瞬时速度，取平均值得到车辆通过特殊元素的速度，结果如表5所示。

从表5可以看出：(1)在相同测试环境下，智能车在通过特殊赛道元素时，采用本文控制方法下的车速快于采用传统控制方法的下的车速；(2)在传统方法控制下，智能车在晴天环境中通过赛道特殊元素的平均速度为2.1 m/s，在阴天和黑夜环境中的平均速度为2.2，2.4 m/s，波动较大。在本文方法控制下，智能车通过赛道特殊元素的平均速度2.6 m/s左右，相对比较稳定。

表5 特殊元素试验结果

综上，通过分析赛道全程试验数据和赛道特殊元素试验数据可知：(1)本文控制方法的平均车速快于传统控制方法的平均车速，且无碾压路肩现象，说明本文控制方法能够提高车速并且加强车辆的稳定性；(2)在通过赛道特殊元素时，本文控制方法也能够发挥良好的控制性能，使车速快于传统控制方法的车速，并且更加稳定；(3)在晴天、阴天和黑夜3种不同环境下的测试情况，说明了采用本文控制方法时，智能车的适应性得到很大的提高。

5 结 论

(1)本文控制策略能够在增强车辆稳定性的基础上，大大提高车速。在2018年智能车全国总决赛中，国家一等奖的平均速度为2.67 m/s[21]，而本控制策略下实验室最快速度可达3.1 m/s，大幅提高了比赛成绩。

(2)本文研究的智能车速控制方式，将逆透视变换和蜂群算法相结合，对采集图像的阈值和失真做了进一步处理，使采集的赛道信息更加准确，增强了智能车对环境的适应性。此外，该算法将有助于人类在无人驾驶领域中对车速的精准控制。