0 引言

    對于智能車整體而言，其路徑識別和控制系統(tǒng)是智能車運行過程的核心部分,，路徑識別的準確性和實時性,，以及控制系統(tǒng)的靈敏性和魯棒性是影響智能車運行效果的關鍵因素^[1-2]。

    目前,，從智能車路徑識別技術來看,，通常采用“圖像采集—圖像處理”順序執(zhí)行的方式來實現(xiàn)^[3-4]，因此,，在圖像采集階段,，圖像處理單元將處于空閑，從而造成圖像處理單元的資源浪費,；而在圖像處理階段,，由于待處理的圖像數(shù)據(jù)較多，導致圖像處理單元在單位時間內(nèi)的處理負荷較大,，從而處理速度過慢,，進而引起下游控制單元數(shù)據(jù)處理滯后的問題，而導致智能車路徑識別的準確性及實時性較差,，最終導致智能車的運行速度慢,、靈活性差。

    從智能車控制系統(tǒng)技術來看,，由于智能車具有非常復雜的非線性動力系統(tǒng),，難以建立精確的數(shù)學模型^[5]。因此,，如果采用傳統(tǒng)的PID控制算法對智能車進行控制,，雖然響應速度較快，精度也較高,，但是容易造成智能車控制發(fā)生階梯式跳躍變化和路徑變化反應不靈敏等問題,，且易產(chǎn)生超調(diào)和振蕩現(xiàn)象,導致智能車控制系統(tǒng)靈敏性和魯棒性較差^[6-7]。

    針對上述問題,，在智能車路徑識別處理和控制系統(tǒng)兩方面進行了優(yōu)化,。

    首先，在路徑識別處理方面,，將“圖像采集—圖像處理”交叉執(zhí)行,，在圖像采集的時間間隙中進行圖像處理，而無需等到所有圖像采集完成再進行圖像處理,，能夠保障圖像處理的實時性,，且在圖像處理階段采用跟蹤邊緣算法，能夠提高圖像處理的效率,，從而保障路徑識別的準確性和實時性,。其次,，在智能車控制方面，采用模糊控制器和傳統(tǒng)PID控制相結合的控制策略,，既使智能車控制系統(tǒng)具有模糊控制的靈活性和適應性強的優(yōu)點,又具有PID控制精度高響應快的優(yōu)勢,，最終提高了智能車控制系統(tǒng)的靈敏性和魯棒性。

1 路徑識別處理

    在智能車路徑識別處理過程中,，考慮到處理速度的需求,，通常在保證圖像信息足夠的情況下取用整幅圖像中的一部分^[8]，這種情況會導致智能車在圖像采集階段CPU會有兩部分時間處于空閑時間：未被選取的行間隔期和消隱期,。因此,，在本研究中將充分利用這兩部分時間進行圖像處理，即采用“圖像采集—圖像處理”交叉執(zhí)行的方式,。

    具體實施方法為：在圖像采集過程中,，圖像采集單元是將圖像分為N個單元塊分別采集，當完成任一個單元塊的采集時,，則觸發(fā)圖像處理單元在空閑時間對該單元塊進行圖像處理,。

    表1以處理100幀圖像所占用的時間為例，對兩種圖像采集處理方式進行了比對,。從占用時間結果可以看出,，本研究中采用的“圖像采集-圖像處理”交叉結構的數(shù)據(jù)處理速度比傳統(tǒng)的“圖像采集-圖像處理”順序結構的處理速度高15.5%。

    綜上所述,，采用“圖像采集-圖像處理”交叉結構，能夠提高對圖像處理單元的空閑時間利用率,，且圖像處理單元利用空閑時間對圖像單元塊進行圖像處理,，減少了圖像處理單元在單位時間內(nèi)的負荷，提高數(shù)據(jù)處理效率,，在一定程度上解決了下游控制單元數(shù)據(jù)處理滯后的問題,，從而能夠保障智能車路徑識別的實時性，提高智能車的運行速度和靈活性,。

    除了在路徑識別處理的執(zhí)行結構上的優(yōu)化,，本研究在圖像處理的算法上也進行了優(yōu)化。采用跟蹤邊緣檢測算法,，較傳統(tǒng)邊緣檢測算法[9],，不會對圖像單元中每個像素點進行比較運算，從而無需對采集到的整幅圖像中所有的像素點進行處理,，因此,，占用系統(tǒng)資源少，還可以排除外界噪聲干擾,，進而可以提高圖像處理單元的數(shù)據(jù)處理效率,，并能夠為智能車提供準確,、可靠的行駛路徑。圖1所示為圖像處理中邊緣跟蹤檢測算法流程圖,。

    為了驗證在圖像處理算法上的優(yōu)勢,，分別采用跟蹤邊緣檢測算法和傳統(tǒng)邊緣檢測算法對同一幅圖像進行圖像處理。如圖2所示,，圖2（a）為源圖像,，圖2（b）為采用傳統(tǒng)邊緣檢測算法的處理結果，圖2（c）為跟蹤邊緣檢測算法的處理結果,。

    可以看出,，跟蹤邊緣檢測算法能夠有效排除外界噪聲的干擾，最終提供給智能車準確的行駛路徑,。

    除此之外,，較傳統(tǒng)邊緣檢測算法，本研究采用的跟蹤邊緣檢測算法還具有較高的數(shù)據(jù)處理速度,。表2對兩種算法的數(shù)據(jù)處理時間進行了比較,。

    從表2中可以看出，跟蹤邊緣檢測算法的數(shù)據(jù)處理速度是傳統(tǒng)的邊緣檢測算法的2.34倍,，保證了智能車中數(shù)據(jù)處理的高效性和實時性,。

2 模糊自適應PID控制器設計

    在控制系統(tǒng)中，將模糊控制算法和傳統(tǒng)的PID算法相結合,，以提高智能車控制系統(tǒng)的自適應性和魯棒性,。模糊自適應PID控制器以誤差e(實際測量值與設定值之差)和誤差變化率ec作為輸入?yún)?shù)，利用模糊控制規(guī)則對PID控制器的3個參數(shù)（Kp,、Ki和Kd）進行調(diào)整,，并將該三個參數(shù)值作為輸出，以選取適合智能車當前運行狀態(tài)最佳參數(shù)值,。圖3所示為智能車控制系統(tǒng)結構示意圖,。

    模糊自適應PID控制器輸入變量e的語言變量為E，ec的語言變量為EC,，兩者的論域都為{-3,，-2，-1,，0,，1，2,，3},，相應的語言值為{NB，NM,，NS,，ZO,，PS，PM,，PB},；輸出參數(shù)Kp、Ki和Kd的語言變量分別為KP,、KI和KD,，論域都為{0，1,，2,，3}，相應的語言值為{ZO,，PS,，PM，PB},。輸入?yún)?shù)與輸出參數(shù)的隸屬度函數(shù)均采用三角函數(shù),，圖4所示為基于上述參數(shù)值的隸屬函數(shù)圖。

    模糊自適應PID控制器以控制規(guī)則作為模糊推理的依據(jù)^[10],。PID參數(shù)值的選取必須考慮在不同情況下三個參數(shù)的作用以及相互關系,。按以上原理并根據(jù)智能車的運行特性和控制經(jīng)驗建立輸入為E、EC,，以及輸出為KP,、KI和KD的多輸入多輸出的模糊規(guī)則，并在MATLAB中進行仿真,，得到如圖5所示的控制規(guī)則曲面圖,。

    通過MATLAB提供的Simulink對模糊自適應PID控制器的設計進行仿真，并將其處理結果與傳統(tǒng)PID的處理結果進行比較,，其比較結果如圖6和表3所示?？梢钥闯?，模糊自適應PID控制器具有超調(diào)量小、響應時間短的優(yōu)點,。

3 整體實驗對比及分析

    為了驗證最終效果,，在相同路徑下，分別采用傳統(tǒng)方法和本研究的方法對智能車的性能進行了測試,，經(jīng)過20次對比實驗,，得到智能車跑完全程的時間、平均速度及準確率,，如表4所示,。

    從表4可以看出,應用本文所取得的方法,，能夠有效加快智能車響應速度，提高準確率,，對智能車的整體性能的提升有顯著的作用,，且在實際運行中能使智能車轉向相對比較連續(xù),不出現(xiàn)突變現(xiàn)象,運行軌跡相對平滑、穩(wěn)定,。

    同時可見,，車速受硬件響應速度、圖像算法處理速度,、車體結構,、測試環(huán)境等因素的整體非線性疊加影響，而非簡單的線性比例關系,。

4 結束語

    本研究采用“圖像采集—圖像處理”交叉執(zhí)行的方式提高了智能車的數(shù)據(jù)處理速度,，且在圖像處理階段采用跟蹤邊緣檢測算法，較傳統(tǒng)邊緣檢測算法,，既具有對外界聲進行濾除的作用,，又能夠將圖像處理時間提高2.34倍，從而在保障智能車路徑識別準確性的同時還保障智能車數(shù)據(jù)處理的高效性和實時性,。

    而在智能車控制系統(tǒng)方面,，將模糊控制算法和傳統(tǒng)的PID算法相結合，較傳統(tǒng)的PID算法,，其超調(diào)量減少了近12倍,，且收斂時間也相對減少，同時響應速度也提高了近5倍,。

    最后對整體性能進行了實際驗證比較,，結果表明本研究取得的方法最終使智能車速度提高了33.3%，準確率提高了35.7%,。因此,，采用本研究方法，能夠有效使智能車具有較好的靈活性,、較高的自適應性和魯棒性,。

參考文獻

[1] 王國胤，陳喬松,，王進.智能車技術探討[J].計算機科學,，2012(5)：1-8.

[2] Md.NazmulHasan，S.M Didar-Al-Alam,，Sikder Rezwanul Huq.Intelligent car control for a smart car[J].International Journal of Computer Applications,，2011，143：15-19.

[3] HUANG Z Q.Design of smart car section PID control algorithm based on CCD camera[J].Electronic Design Engineering，2011,，19(2).

[4] 吳斌華,，黃衛(wèi)華，程磊,，等.基于路徑識別的智能車系統(tǒng)設計[J].電子技術應用,，2007(3)：80-82.

[5] FRAICHARD T，GARNIER P.Fuzzy control to drive car-like vehicles[J].Robotics & Autonomous Systems,，2001,，34(1)：1-22.

[6] 王威，楊平.智能PID控制方法的研究現(xiàn)狀及應用展望[J].自動化儀表,，2008(10)：1-3.

[7] MARTINS F G,，COELHO M A N.Application of feedforward artificial neural networks to improve process control of PID-based control algorithms[J].Computers & Chemical Engineering，2000,，24：853-858.

[8] 李旭東,，廖中浩，孟嬌.基于CMOS攝像頭的智能車控制系統(tǒng)設計及實現(xiàn)[J].吉林大學學報(信息科學版),，2013(4)：414-418.

[9] 魏玉虎,，石琛宇，姜建釗,，等.基于視覺的智能車轉向控制策略[J].電子技術應用,，2009(1)：130-134.

[10] 金曉明，榮岡,，王驥程.模糊控制理論及其應用評述[J].化工自動化及儀表,，1995(2)：3-8.