基于STM32 的智能車控制算法設計

段焜

（江蘇安全技術職業學院，江蘇徐州 221011）

隨著制造業的蓬勃發展，新的生產模式相繼出現。虛擬制造、擴展企業等一些新興制造概念進入生活，柔性制造、敏捷制造、物流倉儲自動化等新技術不斷涌現[1-4]。隨著生產自動化、集成制造系統與計算機技術的持續發展，類似自動導引車(Automofed Guided Vehide,AGV)這種傳統的工業移動機器人已無法滿足生產的需求。現代制造業需要能夠自主識別并選擇最優路徑的智能機器人，而智能小車便是智能機器人研究的過渡狀態。目前，對于智能小車的要求已經發生了顛覆性的變化：其需借助多種形式的傳感器隨時應對復雜多變的外部環境，并擁有自主決策能力[5-12]。

研究顯示，現有的智能車控制算法在仿真性能與硬件實現上仍存在差距。在硬件實現上，智能車的控制算法對于收斂速度及穩定性均有嚴格要求。而傳統的PID 算法在車體控制上無法滿足控制器及時調度的需求。因此，該文在總結前人研究成果的基礎上對控制算法進行了改進，即通過對機器人在迷宮搜索上的數據存儲結構及搜索機制加以改進，使智能車能夠自主選擇并更高效的按照最優路徑走出迷宮。

1 理論基礎

1.1 PID控制算法

在過程控制中，按偏差的比例(P)、積分(I)及微分(D)進行控制的PID 調節器是最實用的一種。傳統PID 算法的基本反饋控制回路如圖1 所示。

圖1 傳統PID控制算法的基本反饋控制回路

當前，隨著數字信號處理技術的應用，多采用離散型的PID 控制算法[13-16]：

其中：

式中，uP、uI、uD分別是PID 算法中的比例項、積分項與微分項；KP、KI、KD分別為對應的調節系數，能調節算法的收斂速度；e(n)為偏差值。經過前期在智能車系統中的應用實驗，傳統PID 算法雖結構簡單，但在控制車體過程中，由于加權系數的調整滯后，導致車輛對于復雜環境的適應度較差。因此，對傳統的PID 算法進行改進。首先引入不完全微分，對比如圖2 所示，從而可以緩解偏差在階躍跳變時所引起的輸出瞬變現象。

圖2 完全微分和不完全微分

此時，PID 算法的傳遞函數變為：

則差分函數變為：

隨后，考慮到被控量在實際應用時也是緩慢變化的。因此，需要對階躍突變情況下的微分增量（式（5））進行輸入濾波，具體的操作如式（6）所示，其中T為周期。

PID 算法在積分過程中，偏差大小的不同也會造成積分速度的靜差。為此，該文引入了變速積分機制，并使用e′(n)替代原積分項中的e(n)：

其中：

1.2 智能車循跡控制方法設計

迷宮問題是計算機數據結構理論中的經典問題，其常見的解法有深度優先探測法(Depth-First-Search)與廣度優先探測法(Breadth_First_Search)，可借助棧及隊列進行求解。該文的機器人平臺已具備前進、向左轉向90°、探測前方障礙物及自身所在網格是否有變化等功能。文中主要對機器人自主尋路算法過程及相關數據結構的設計思路進行闡述，搜索算法的實現方法如下：將迷宮用一個字符型的二維數組Grid 表示，每個元素定義為“0”（代表通路）或“1”（代表障礙）：

將二維數組中第0 行、第0 列、第m+1 行、第m+1列元素均置“1”，用以表示迷宮的邊界；將第1 行第1列元素與第m行第n列元素置“0”，用以表示迷宮的出入口。智能車在迷宮搜索時通過模擬搜索的模式進行：每到一處位置，其依次按前、后、左、右4 個方向順序探索路徑。4 個方向的行下標、列下標增量的變化值以二維數字car 記錄。當智能車在第i個方向前進一步后，其位置的更新結果為：

智能車在已知路徑上的搜索流程如圖3 所示。

圖3 智能車在已知路徑上的搜索流程

智能車在搜索時，對于路徑的探知有兩種可能：第一種是已探索過的歷史路徑，此時，按照圖3 的流程進行路徑搜索；第二種則是探索未知路徑，即按照圖4 的流程進行路徑搜索。

圖4 智能車在未知路徑上的搜索流程

2 方法實現

2.1 硬件實現

為實現智能車的迷宮路徑搜索與智能循跡，需采集大量模擬數據，并通過數據處理及分析后，對收集到的信息進行優化運算。再將最終得到的運算結果及系統的運行狀態通過無線模塊發送給同類型的、基于無線協同搜索的運輸車控制中心。因此，該文選擇基于CORTEXM3 結構的STM32F103RBT6 控制芯片，基本的控制電路如圖5(a)所示，硬件實現后的智能小車如圖5(b)所示。

圖5 智能小車控制電路和實物圖

該文使用STM32 中的SPI 串行線進行智能車狀態的傳輸，傳輸前首先需讓小車在圖6 所示的實驗場地上進行位置標定。在標定時，先讓小車逆時針旋轉，使其前端下方的5 個紅外傳感器對場地進行黑線白線的檢測。然后將5 個值加以比較，檢測出最大值、最小值。再讓小車順時針旋轉，以此獲得的最大值SensorValMax、最小值SensorValMin 作為傳感器值進行規范整定的整定參數，具體方法如式（11）所示。

寄存器和初始參數設置如表1-2 所示。

表2 控制器中的PID初始參數設置

2.2 實驗結果

為評估改進后智能控制算法的效果，該文在圖6所示的迷宮場地上進行了實驗測試。在仿真時，分別向智能車寫入傳統的PID 控制算法與改進后的控制算法。每種算法進行10 次測試，測試結果如表3所示。

表3 對比測試結果

從表中的測試結果可以看出，寫入改進后智能控制算法的小車在通過迷宮的時間及搜索迷宮的路徑上均有較大提升，平均時間提升了3.01 s，平均距離縮短了0.37 m。其中，搜索處的路徑最短距離為3.08 m，這與迷宮的最優路徑3.05 m 基本一致。此外，從最快時間、最慢時間和最遠距離等測試結果還可看出，改進后的智能算法更容易收斂，且測試結果也更加穩定，這說明了改進后的PID 算法在動態及靜態特性上均有提升。

3 結束語

該文基于STM32 平臺完成了智能車的迷宮搜索調試，同時還對其的控制算法進行了研究。針對傳統PID 控制算法慢收斂、響應均有延遲的缺點加以改進，改進后的PID 算法在動態及靜態特性上均有顯著提升。高智能、高安全性能與高靈敏度的移動小車系統已成為產業應用的共同需求，未來隨著智能小車的推廣，該算法將有更大的應用價值。