基于視覺的智能車轉向控制策略

圖10中, row_sure（出界點）用來選擇10個點中哪幾個點為可用點。average[1]為離車最近的點，隨著序號增大，離車越遠。在圖10的圖像平面中，計算偏差改為：

err=average[i]-mid (11)

式中， i P>

當小車車速很高時，選擇較遠處的點求取偏差，等效于時間上提前入彎。這樣由以上策略分析可知，只要入彎點合適，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。當速度處于一個較低水平時可使用最近處的點，即average[1],這樣就保證車只有走到彎道處才會轉向，不會提前入彎，避免提前入彎帶來的沖出內道。

5 實驗數據

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，全長約38 m。實驗室測試成績為18 s跑完全程，平均速度達到2 m/s。

圖12為90°彎道過彎圖，粗實線為引導線，虛線為賽車實際行駛路線?？梢钥闯?小車實現了提前入彎，這是比較好的路徑，有效地節省了時間。

過彎速度的測量，由無線模塊每40 ms發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，這個速度很接近平均速度。

圖13為360°彎道過彎圖，粗實線為引導線，虛線為小車實際的行駛路線?？梢钥闯鰧崿F了提前入彎，后半程受舵機最大偏轉角的限制，無法繼續加大偏轉，造成有一些跑外道。

圖14為S過彎圖，粗實線為引導線，虛線為小車實際的行駛路線?？梢钥闯?小車行駛路線已經很逼近直道了，由無線模塊每40 ms發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，同時彎道速度平均在1.5 m/s以上，很好地逼近了預期的路線。

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