“零前瞻”AI寻迹小车若何跑出20厘米前瞻效果的_舵机_电感

ACE参赛军队

2020-09-15 Tuesday

本文详细先容了山东大学（威海）ACE队在第十五届全国大学生智能汽车竞赛AI电磁组中的系统方案。
内容包括AI小车的系统的事理、软硬件方案设计以及神经网络模型的天生过程。

本次比赛采取大赛组委会统一指定的C型车模，AI小车以单片机MIMXRT1064DVL6A为掌握核心，用电感采集赛道信息，编码器获取小车的速率。
利用 IAR 及keil5集成编译环境编写C措辞代码，采取PyCharm作为编译器，利用Python程序措辞编写程序，搭建神经网络，实现NRF通信调试，演习车模完成赛道元素的判断，采取赛道影象算法掌握目标速率，实现长直道加速的效果，利用IPS液晶屏和按键作为赞助调试手段。

经由大量的软硬件测试以及数据采集、测试，成功设计出 “零前瞻”AI循迹小车，跑出了长达15至20cm前瞻的效果。

关键词： 赛道影象，元素判断，神经网络

全国大学生智能汽车竞赛是由教诲部高档学校自动化专业传授教化辅导委员会主理全国大学生智能汽车竞赛。
该竞赛以“立足培养，重在参与，鼓励探索，追求卓越” 为辅导思想，旨在促进高档学校本色教诲，培养大学生的综合知识利用能力、基本工程实践能力和创新意识。
智能车竞赛涉及自动掌握、模糊识别、传感技能、电子、电气、打算机、机器与汽车等多个学科，为大学生供应了一个充分展示想象力和创 造力的舞台，吸引着越来越多来自不同专业的大学生参与个中，引发了大学生的创 新思维，对付实在践、创新能力和团队精神的培养具有十分最主要的代价。
该竞赛分竞速赛、创意赛和技能方案竞赛三类比赛。

人工智能是打算机科学的一个分支，它企图理解智能的本色，并生产出一种新的能以人类智能相似的办法做出反应的智能机器，该领域的研究包括机器人、措辞识别、图像识别、自然措辞处理和专家系统等。
人工智能从出身以来，理论和技能日益成熟，运用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类聪慧的“容器”。
人工智能可以对人的意识、思维的信息过程的仿照。
人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

随着人工智能的兴起，全国大学生智能车竞赛也陆续引入了与其干系的竞赛，AI电磁组与往届电磁组不同，虽然方向都是基于采集电感的电压进行掌握，但是由于这次比赛前瞻基本为零，车模速率达到一定值，很难有效的提前做出掌握指令，导致赛车冲出赛道。
以是本次比赛我们引入了深度学习的干系方案来填补前瞻不敷的毛病。

正文共分为六章。
第一章紧张是先容了比赛系统的整体方案；第二章从车模整体布局出发，先容了车模各个部分安装及调度方案。
第三章重点先容了系统中所涉及的硬件设计方案和电路事理；第四章紧张先容了车模系统的软件方案包括传统PID事理剖析以及着重对AI部分算法、部分核心程序进行先容；第五章对调试过程中的一些手段进行了讲解。
第六章紧张先容了车模的各方面参数。

▲ 图1.1 系统构造框图

智能车系统的总体事情模式为：7个电磁传感器采集赛道信息，采取OPA4377运算放大器将旗子暗记输入到MIMXRT1064DVL6A微掌握器，进行进一步处理得到紧张的赛道信息；通过编码器来检测车速，并采取微掌握器的输入捕捉功能进行脉冲打算得到速率和路程；转向舵机采取AI领悟PID掌握；

驱动电机采取 PID 掌握，通过PWM掌握驱动电路调度电机的功率；而车速的目标值由默认值、运行安全方案和基于AI处理的优化策略进行综合掌握。

在演习AI算法时，我们利用NRF2401采集演习数据；赛道元素的识别以及停车利用霍尔传感器实现。
根据智能车系统的基本哀求，我们设计了系统构造图，如图1所示。
在知足比赛哀求的情形下，力求系统大略高效，因而在设计过程中只管即便简化硬件构造，减少因硬件而涌现的问题。

第十五届恩智浦智能车竞赛AI组采取的是C车模，其对称性好，舵机安装方便，有较大的改装前景。

C车尺寸为29×18×9.8cm，轮胎尺寸为29×60mm，通过对轮胎适当的添补海绵和进行软化处理，使车模具有极好的减震性和耐磨性。

驱动电机为RS-380，7.2V的电机功率可达19.25W，额定功率达到0.016kW，额定电压7.2V，额定电流0.5A，额定转速16200rpm，额定转矩可达10.9N·m,

形状储存29.2×37.8mm。
伺服电机为S3010舵机，6V电压时扭力可达6.5kg·cm，动作速率快。

▲ 图2.1 车模侧视图

本次智能车大赛设计的智能车的形状大致如图2.1侧视图、2.1.1俯视图。

▲ 图2.1.1 车模俯视图

为了减轻车模的重量，本团队选用带保护板的两节18650锂电池进行串联供电，我们绘制了锂电池与保护板的连接PCB，购买动力型锂电池，放电能力强可以轻松带动两个RS380电机，通过合理选择电池位置以调节车体重心，使得全体车非常轻盈，加减速相应快。

舵机转向是全体掌握系统中延迟较大的一个环节，为了减小此韶光常数，通过改变舵机的安装位置可以提高舵机的相应速率。
通过剖析舵机掌握转向轮转向的事理可以创造，在相同的舵机转向条件下，转向连杆在舵机一真个连接点离舵机轴心间隔越远，转向轮的转向变革越快。
这相称于增大力臂长度，提高线速率。

舵机安装办法有立式和卧式两种，比较两种办法创造，立式安装效果更好。
舵机安装时要担保旁边对称，这样可以担保舵机旁边转向时力臂相等且处于最大范围，提升了舵机的相应速率。
经理论剖析，功率即是速率与扭矩的乘机，加大转向速率一定减少输出扭矩，扭矩过小会造成迟缓，以是安装时必须考虑到转 向机构的相应速率与舵机扭矩之间的关系，得到最佳转向效果。
经由实验，本团队的舵机安装如图2.3舵机安装图所示。

▲ 图2.3 舵机安装图

硬件是AI小车系统的根本，唯有一个良好、稳定、安全的硬件环境才能担保车能平稳快速的行驶。
我们在全体系统设计过程中严格按照规范进行。
本着可靠、高效的原则，在知足各个哀求的情形下，只管即便使设计的电路大略，PCB的外不雅观简洁。

单片机最小系统是智能车系统的核心掌握部件。
由于AI电磁组须要将神经网络支配到单片机中，为了达到更佳的效果我们采取了具有更高性能NXP I.MX RT1064芯片。
事理图如图3.1所示：

▲ 图3.1 系统核心板

电源模块为系统其他各个模块供应所须要的电源。
设计中，除了须要考虑电压范围和电流容量等基本参数之外，还要在电源转换效率、降落噪声、防止滋扰和电路大略等方面进行优化。
可靠的电源方案是全体硬件电路稳定可靠运行的根本。

全部硬件电路的电源由两节18650锂电池串联供应（额定电压7.4V，满电电压8.4V）。
由于电路中的不同电路模块所须要的事情电压和电流容量各不相同，因此电源模块该当包含多个稳压电路，将充电电池电压转换成各个模块所须要的电压。
为知足须要，本车模上存在4种供电电压：

(1) 智能车利用锂电池供电，选择带均衡功能的保护板可以同时给两节电池充电，正常利用时电压在7.4～8.4V。
可直接用于电机供电。

(2) 利用稳压芯片LD29150DT50R 输出电压5V，用于rt1064、隔离芯片、运放、霍尔元件、编码器等供电。
事理图如图3.2.1所示

▲ 图3.2.1 电压转换7.4V-->5V事理图

(3) 利用稳压芯片LD29150DT33R 输出电压3.3V，用于OLED、蜂鸣器、按键、等供电。

▲ 图3.2.2 电压转换电路

(4) 利用稳压芯片MC34063 输出电压12V，用于半桥驱动器IR2104的供电。

▲ 图3.2.3 电压转换电路7.4V→12V

(5) 利用开关稳压芯片AS1015输出5.95V电压给舵机供电，用电池直接供电随意马虎烧毁舵机，AS1015具有防止电流反灌功能有效提高舵机利用寿命。

▲ 图3.2.4 舵机供电稳压电路

（6）利用芯片HY2120芯片掌握MOS管的导通，来保护电路，避免反接或者电流过大。

▲ 图3.2.5 电池保护板事理图

在栅极驱动芯片选择方面，我们选择IR2104芯片，IR2104芯片可以驱动高端和低端两个沟道MOSFET，供应较大的驱动电流，并有硬件去世区，防止同桥臂导通。
利用两片IR2104可以构成一个MOS管全桥驱动电路[2]，如图3.3所示。

▲ 图3.3 全桥驱动事理图

采取大略的同向比例放大电路，电位计可用来调节放大倍数，通过对电磁旗子暗记进行放大和检波处理和可以直接供单片机的AD口读取。
运放芯片利用性价比较高的OPA4377来以知足20kHz的电感采集需求。
如图3.4:

▲ 图3.4 电磁旗子暗记接驳放大事理图

由于AI组无法利用摄像头识别停车线，我们选择用霍尔元件来识别磁标停车。

▲ 图3.5 霍尔停车识别电路

比赛所用的电感为精确调频电感，由于今年的AI电磁组前瞻哀求不超过5CM，高度不超过10CM，电感靠近舵机放置，会受到舵机事情的影响。
由于传感器的旗子暗记经由后一级进一步放大，知足后面的旗子暗记检测须要，以是传感器的浸染重点是在于能够将噪声滤除都多干净，这是由谐振电路决定的，以是谐振电路的带宽越窄，或者品质成分越高，过滤噪声的能力就越强。

光电编码器是一种通过光电转换将输出轴上的机器几何位移量转换成脉冲或数字量的传感器, 这也是目前运用最多的测速传感器之一。
其获取信息准确、精度高、运用大略。

采取增量式512线光电编码器，其供电电压为3.3V或5V，输出为小幅值的正弦旗子暗记。
为了将此旗子暗记放大整形，设计了旗子暗记调理电路，其基本事理是利用一个运放做成比较器电路，调节参考电压，使输出变为0V-3.3V的方波旗子暗记，送入单片机进走运算。

在本系统中我们的电路板的制作紧张思想是分立事情、追求简洁，便于电路板的调试和安装等事情。
主控由电源稳压电路，OLED屏与按键交互电路，单片机系统以及各个传感器接口等组成。
驱动板在除了原有的电机驱动电路外，还增加了编码器接口，紧张目的是方便编码器的连线，以减少编码器连线过长导致的打仗不良等问题。
实物图如图3.7所示。

▲ 图3.7 主驱动板实物图

运放板是两块OPA4377电路的八路运放、杜邦线接口、软排线接口组成，软排线比较较杜邦线，连接大略可靠，不易脱漏，终极比赛用软排线连接，运放板的实物图如图3.8。

▲ 图3.8 运放板实物图

将7个电磁接口和软排线，杜邦线接口画在一体，便于调试的时候更多的选择，电磁板的实物图如图3.9电磁板实物图。

▲ 图3.9 电磁板实物图

霍尔元件板是74LS30和八路霍尔元件组成，运放板的实物图如图3.13霍尔元件体板实物图。

▲ 图3.10霍尔元件体板实物图

▲ 图4.1 软件框图

本次速率掌握方案采取传统的PID掌握，PID掌握器是一种线性掌握器，它根据给定值与实际输出值构成掌握偏差。
将偏差的比例(P)、积分(I)和微分(D)通过线性组合构成掌握量，对被控工具进行掌握，故称PID掌握器，事理框图如图4.2所示。

▲ 图4.2PID掌握器事理框图

【对付速率环的掌握在这里进行省略，须要阅读可以参阅论文原文部分】

本次方向掌握方案采取AI领悟PID进行掌握，AI神经网络用于赛道元素的识别。
智能车在直道、弯道、十字元素处利用不同的PID参数以及不同的横竖斜电感的权值。
PID掌握的事理与速率环相同，在此不作赘述。

偏差的打算利用6个电感分别为旁边横电感（记为LH和RH），旁边斜电感（记为LX和RX），旁边竖电感（记为L和R）。
偏差为各自差比和之和。
即

利用PID掌握的关键是调度KP、KI、KD三个参数，即参数整定。
PID参数的整定方法有两大类：一是理论打算整定法。
它紧张是依据系统的数学模型，经由理论打算确定掌握器参数；二是工程整定方法，它紧张依赖工程履历，直接在掌握系统的试验中进行，且方法大略、易于节制，在工程实际中被广泛采取。

PID参数整定我们采取的是第二种方法，按照先比例后积分再微分的原则进行PID参数整定。
我们考试测验了PID、分段PD、模糊PD、二次PD、单PD，创造单PD就可以达到设计哀求。
因此我们利用单PD方案。

神经网络办理多分类问题最常用的方法是设置n个输出节点，个中n为类别的个数。
对付每一个样例，神经网络可以得到的一个n维数组作为输出结果。
数组中的每一个维度（也便是每一个输出节点）对应一个种别。
在空想情形下，如果一个样本属于种别k，那么这个种别所对应的输出节点的输出值该当为1，而其他节点的输出都为0。

以赛道判断为例，0~2共三个种别。
识别数字1，神经网络的输出结果越靠近[0,1,0]越好。
交叉熵是最好的评判方法之一。
交叉熵刻画了两个概率分布之间的间隔，它是分类问题中利用比较广的一种丢失函数。

p代表精确答案，q代表的是预测值。
交叉熵值越小，两个概率分布越靠近。

除此之外，还须要Softmax回归将神经网络前向传播得到的结果变成概率分布。

通过softmax回归和交叉熵对神经网络进行优化就可以办理多分类问题。

▲ 图4.4.1 网络构造

本团队利用BP神经网络对赛道信息进行分类。
网络构造简化图如图4.4.1所示。
输入层有7个神经元，分别对应了七个电感的数据。
标签种别分别为：直道、弯道和十字。
隐蔽层有多层，每层均有15个以上的神经元。

▲ 图4.4.2 十字处磁标

当车运行到十字磁标位置，霍尔传感器将检测到磁场变革，根据预先设定好的程序，车辆将知道自己处于十字区域。
单片机记录电感数据，并将其标签记为“十字”。
这些数据被NRF实时传输至电脑端，电脑端将记录数据用于多分类演习。

▲ 图4.4.3 弯道磁标

当车运行到弯道位置，霍尔传感器将检测到磁场变革，根据预先设定好的程序，车辆将知道自己处于弯道区域。
单片机记录电感数据，并将其标签记为“弯道”。
除了弯道和十字以外的其他区域，电感数据将被标记为“直道”送入电脑端进行演习。

每次回传的演习数据有9个字节，数据构造图下：

4.4.3 预测

电脑端将演习好的模型支配在单片机上，车模将采集到的电感值传着迷经网络中，神经网络将预测车模所处的元素种别。
车模将根据所处的元素种别利用不同的方向环PD参数和目标速率。

掌握部分紧张有两部分组成：1.方向环2.速率环掌握，分别放在两个5ms的定时器中实行。
代码如图4.5.1

▲ 图4.5.1 方向环和速率环

（1） 方向环掌握：

首先，单片机会连续对每个电感采集5次，利用冒泡法将数据从小到大排序后，去掉最大值和最小值，取均匀值作为该次采集的数值。
经测试，该滤波效果较好，可以滤掉部分高频噪声，得到的电感值稳定。
代码如图4.5.2

▲ 图4.5.2 电压软件滤波

得到电感值后，对当前采集到的值进行归一化处理。
归一化的基本思想是：取得当前采集值（ADget）相对付当前赛道的最大值（ADMAX）、最小值（ADMIN）的相对大小，详细公式为:

得到归一化的电感值后，通过对多个方向的电感值领悟，得到作为PID输入的偏差。
在演习的过程中，我们创造在直道情形下，横电感轴向方向在磁场方向的分量大，因此横电感采集到的值大，偏差也大，横电感对付直道有很明显的效果；在弯道情形下，个中一个斜电感轴向方向在磁场方向的分量大，与其对称的斜电感在磁场方向的分量小，它们的偏差也大，因此斜电感对付弯道有明显的效果。
因此，我们将横电感与斜电感通过分别授予不同的权重，领悟在一起。
终极，小车相较于横电感直接差比和，有较好的直道和弯道表现，在直道和弯道间过度也非常调皮。
这为后来的PID掌握打下了良好的根本。

在得到了赛道偏差后，我们便可以将这个偏差(direct_error)作为PID的输入，得到舵机打角。
经由反复调试，创造车模在高速运行状态下（3m/s旁边），对PD参数非常敏感：在直道上，比例项系数（KP）随着车速的提高，得当的数值区间越来越小，KP过大则会导致直道震荡，速率低落。
KP过小，相应会变慢，同样使得车模的运行状态不稳定。
高速情形下，小车过弯非常依赖微分项。
当微分项系数（KD）很小的时候，弯道会涌现转向性能不敷，乃至直接冲出赛道；当KD不断增加，小车应对快速弯道的能力越来越强，但是随着KD增大，电感采集时引入的噪声也被放大，增加了小车在小偏差情形下的不稳定性。

终极，经由多次的反复测试，我们分别得到了小车在直道、弯道、环岛、十字的最佳参数。
在经由神经网络打算出赛道类型后，对PID掌握器里的PD参数进行相应调度，得到小车终极的舵机打角。
代码如图4.5.3

▲ 图4.5.3赛道类型获取及PD掌握

同时，由于斜电感在十字和环岛的特色明显，直策应用会影响到赛道偏差的正常获取，因此，在识别到十字和环岛元素时，要去除偏差掌握中的斜电感的浸染。

（2） 速率环掌握

在速率环掌握上，我们紧张利用了差速算法和赛道影象算法。

假设小车在过弯的过程中没有垂直于车身运行方向上的相对移动，由于后轮的角速率相同，内侧后轮和外侧后轮的转弯半径不同，以是它们的线速率不同。
如果授予它们相同的占空比，一定会降落弯道上的转向性能。
通过前轮转角，我们可以通过公式推算出后侧两轮的差速，得到两轮的目标速率，再经由PI运算，使内外两轮达到该转弯半径下对应的线速率。
小车转弯差速示意图4.5.4

▲ 图4.5.4 小车转弯差速示意图

在丈量多组前轮转角和转弯半径的数据后，利用MATLAB拟合曲线，创造前轮转角和差速近似为线性关系，因此利用线性关系来代替上述差速公式。
差速打算代码如图4.5.5

▲ 图4.5.5 差速打算公式

通过赛道影象算法掌握目标速率，可以实现长直道加速的效果。
因此，首先让车模在赛道上慢速运行一周，通过记录编码器脉冲数，记录下各个元素的所在位置。
当正式发车时，如果当前赛道类型为长直道，则提高车速。
赛道影象代码如图4.5.6

▲ 图4.5.6 赛道影象算法

在名为“数据分类”的python文件中，我们搭建了一个分类BP神经网络。
演习数据保存在data.txt中。
网络有7个神经元的输入层，四个隐蔽层，一个三个神经元的输出层。
7个神经元分别对应7个电感的数据，三个隐蔽层神经元数分别为32、64、32，输出层3个神经元分别对应三种元素种别：弯道、直道、环岛。
网络构造如图4.5.7：

▲ 图4.5.7 网络构造

利用交叉熵优化器来优化网络参数。
演习过程如图4.5.8所示：

▲ 图4.5.8 演习过程

演习结束后，网络模型将被更新，保存为名为model.h5的H5文件。
由于网络支配代码闭源而且只有一个神经元输出值，因此我们须要网络重修，将分类得到的三个神经元合并为一个神经元。
在名为“网络重修”的python文件中，先搭建和演习网络一样的神经网络，并在末了添加一个单个神经元，手动赋权重。
三个权重w11,w21,w31分别为-84，0，84。
这样将单神经元-128~+127的输出范围分为了三个区域，分别为-127~-84代表弯道、-83~+83代表直道、+84~+127代表十字。
加载演习好的网络模型文件，按网络层名称导入网络参数，即可天生终极的网络。
终极网络构造如图4.5.9所示：

将终极的网络保存为car_model.h5文件，并将其支配在之智能车上即可实现对赛道元素的分类

由于AI电磁是一个全新的组别，本组成员没有往届履历、对人工智能领域的知识比较陌生，对python这门措辞也属于初入门阶段。
小组成员在“一片空缺”的情形下,碰触人工智能的大门，逐步摸索、查找资料、设计机构、组装车模、设计整体方案，终极完成比赛。

对付AI电磁组，本团队在比赛最开始,采取逐飞推举的方案，不断的采集大量数据，考试测验各种神经网络，天生模型文件。
但是由于数据的质量问题，导致模型涌现误判或者舵机反应角度过小等等，为理解决上述问题，我们通过筛选大量的数据，人工给舵机输出乘上相应的倍数等方案来办理。
通过这种方案，车模完成了由“摇头”到“丝滑”的转变。
但是，采取这种方案团队调试的极限速率在2.7m/s就到达了速率的天花板，以是团队转变了方案，将AI用于演习赛道元素的提前判断，填补前瞻不敷的毛病，实现分段PID掌握，方向掌握方面仍旧采取传统PID方案，但是对付弯道的判断而言比传统的纯PID算法更加提前。
对付硬件方面，由于团队紧张一贯将心思放在演习数据上，没有对车模的重心肠位进行细致讲求，导致车尾比车头重很多，以是在速率提升到一定程度后，车模前轮抖动与侧滑的风险大大提升，此类问题可以通过改变前轮机器构造为主销内倾来办理，但是备赛后期车模构造不能大改，团队不得不采纳其他优化方案，通过增加轮胎摩擦力以及折衷前轮转角与后轮差速的方法加以改进。
在备赛期间，团队也曾考试测验过强化学习+监督学习的方法让车模进行自主学习。
先利用传统PID作为监督机制先教车模在赛道中运动，用Python编写了 “褒奖”与 “惩罚”机制，并且将速率也加入模型中，同时速率也作为一种褒奖机制，提高车模的学习进度。
实施该方案中碰着的最大困难便是车模进行强化学习时，数据回传周期韶光达到100ms。
为理解决问题，团队成员利用另一块RT1064作为信息中转站，采取多个NRF模块同时进行通信，终极将回传周期低落到了9ms。
为了加快强化学习的收敛速率，团队成员在演习前采取PID监督学习的方法来教车模进行强化学习。
但大概是教导的办法不完善导致车模很随意马虎“学坏”，一旦涌现冲出赛道的情形，车模会涌现很大的摆动。
很遗憾的是，由于疫情延误了太多韶光，该方案短韶光没有带来好的效果，本团队无法连续研究强化学习的方案。
本团队成员同等认为，利用强化学习的方法让小车自主学习，这样才是真正意义的智能车，而且强化学习的方法在小车掌握中有很好的前景。
希望未来的智能车竞赛中AI方面的组别能有参赛者可以利用强化学习，让小车跑出不错的成绩。

“宝剑锋从磨砺出，梅花喷鼻香自苦寒来”，一次次的校内比赛见证了ACE智能车队困难的蜕变。
我们非常感谢山威智能车这个像家一样的地方，更要特殊感谢一贯向军队供应经费，比赛园地，技能辅导的学校、学院领导以及辅导老师，同时也感谢比赛组委会能组织这样一项故意义的比赛。
末了，希望人工智能在智能车竞赛中逐渐成熟，让智能车更智能。