第五届飞思卡尔杯智能汽车竞赛决赛湖南大学光电二队技术报告Word文件下载.docx

第五届飞思卡尔杯智能汽车竞赛决赛湖南大学光电二队技术报告Word文件下载.docx

《第五届飞思卡尔杯智能汽车竞赛决赛湖南大学光电二队技术报告Word文件下载.docx》由会员分享，可在线阅读，更多相关《第五届飞思卡尔杯智能汽车竞赛决赛湖南大学光电二队技术报告Word文件下载.docx（74页珍藏版）》请在冰豆网上搜索。

第二章主要介绍了小车的总体方案的选取。

第三章介绍了硬件设计，主要介绍了电路的设计；

检测模块的设计。

第四章对小车的软件设计进行了详细的介绍。

第五章描述了小车的软件调试过程。

第二章智能车整体设计

2.1系统导航方案的选取

在以往的比赛中，对于光电组寻线小车而言，道路信息的获得往往依赖于接收传感器。

尤其是用作数字式使用的光电传感器，由于大赛组委会对传感器（光电接收管）数目的限制（最多16个），其精度不能做的很高。

除此之外，为了使小车始终都能检测到黑线，尽可能的扩大有效的检测范围，大多数时候都能跟踪到黑线的位置，传感器的数目一般会比较多。

但赛道的复杂度在增加，小车的速度在不断的提高，单纯的增加传感器的数目会受到限制。

但由于发射管的数目不受限制，因此可以从试着发射管的角度出发来获得道路信息。

发射管的数目增多会带来功耗的增加，为了使功耗不明显增加的情况下，又能获得精度较高的道路信息，我们选用了“雷达”的寻线模式来实时跟踪黑线的中心位置的来解决这个问题。

“雷达”的寻线模式即采用一个伺服舵机实时跟踪黑线的中线位置，将舵机的转角反馈给单片机，根据舵机的转角得到一个位置信息，因为舵机的转角相对比较的连续，所以得到的位置信息也是比较连续的，而且这样的扫描跑道的范围比传统的不动检测方式要大。

当小车处于跑道的正中间的时候可以连续的检测到半径为前瞻距离的半圆周。

当前瞻距离比较远的时候就可以检测到整个跑道宽度的范围。

在制作小车的前期，我们采用了红外对管的检测，结合上排激光雷达检测的方案。

后来发现，单使用上排激光雷达检测得到的信息，对小车控制已经足够，因此将红外对管检测去除。

2.2系统资源分配

表2.1系统资源需求表

驱动电机

速度控制

1路16位的PWM输出

PWM23

电源

7.2V供电

前排驱动舵机

转向控制

PWM45

5V电源

激光寻线舵机

PWM01

4.8V

激光

采集道路信息

PORTA的4位

信号输出

1路8位的PWM输出

PWM6

速度传感器

速度反馈

1个脉冲累加器外部脚

PACN01

倾角传感器

A/D端口AD1通道

串口

和电脑数据交流

接收RX口和发送TX口

SCI0

控制板

按键

4个I/O端口

PORTA

复位按钮

1个

数码管

8个I/O输出口

PORTB

2.3系统机械结构设计

项目采用四轮驱动，前轮转向。

使用单排检测进行导航，整个小车重心在中部偏后，有较好的稳定性。

底盘无改动。

经过改装后的车模参数如表2.2。

表2.3-1车模参数表

长

250mm

宽

180mm

高

170mm

传感器个数

7个（4激光信号接收管，一个倾角传感器，2个编码器）

其它伺服电机个数

2

前轮舵机固定采取竖直方式，并且通过连盘将舵机臂进行了延长。

固定支架图为：

图2-3-1下排舵机固定支架效果图

制作完成后的总体框架大致如图所示：

图2-3-2整体效果图

2.4智能车前轮定位的调整

现代汽车在正常行驶过程中，为了使汽车直线行驶稳定，转向轻便，转向后能自动回正，减少轮胎和转向系零件的磨损等，在转向轮、转向节和前轴之间须形成一定的相对安装位置，叫车轮定位，其主要的参数有：

主销后倾、主销内倾、车轮外倾和前束。

智能车竞赛模型车的四项参数都可以调整，但是由于模型车加工和制造精度的问题，在通用的规律中还存在着一些偶然性。

2.4.1主销后倾角

主销后倾角是指在纵向平面内主销轴线与地面垂直线之间的夹角。

它在车辆转弯时会产生与车轮偏转方向相反的回正力矩，使车轮自动恢复到原来的中间位置上。

所以，主销后倾角越大，车速越高，前轮自动回正的能力就越强，但是过大的回正力矩会使车辆转向沉重。

通常主销后倾角值设定在1°

到3°

。

模型车通过增减黄色垫片的数量来改变主销后倾角的，由于竞赛所用的转向舵机力矩不大，过大的主销后倾角会使转向变得沉重，转弯反应迟滞，所以设置为0°

，以便增加其转向的灵活性。

2.4.2主销内倾角

主销内倾角是指在横向平面内主销轴线与地面垂直线之间的夹角，它的作用也是使前轮自动回正。

角度越大前轮自动回正的作用就越强，但转向时也就越费力，轮胎磨损增大；

反之，角度越小前轮自动回正的作用就越弱。

通常汽车的主销内倾角不大于8°

对于模型车，通过调整前桥的螺杆的长度可以改变主销内倾角的大小，由于过大的内倾角也会增大转向阻力，增加轮胎磨损，所以在调整时可以近似调整为0°

~3°

左右，不宜太大。

主销内倾和主销后倾都有使汽车转向自动回正，保持直线行驶的功能。

不同之处是主销内倾的回正与车速无关，主销后倾的回正与车速有关，因此高速时主销后倾的回正作用大，低速时主销内倾的回正作用大。

2.4.3车轮外倾角

前轮外倾角是指通过车轮中心的汽车横向平面与车轮平面的交线与地面垂线之间的夹角，对汽车的转向性能有直接影响，它的作用是提高前轮的转向安全性和转向操纵的轻便性。

在汽车的横向平面内，轮胎呈“八”字型时称为“负外倾”，而呈现“V”字形张开时称为正外倾。

如果车轮垂直地面一旦满载就易产生变形，可能引起车轮上部向内倾侧，导致车轮联接件损坏。

所以事先将车轮校偏一个正外倾角度，一般这个角度约在1°

左右，以减少承载轴承负荷，增加零件使用寿命，提高汽车的安全性能。

模型车提供了专门的外倾角调整配件，近似调节其外倾角。

由于竞赛中模型主要用于竞速，所以要求尽量减轻重量，其底盘和前桥上承受的载荷不大，所以外倾角调整为0°

即可，并且要与前轮前束匹配。

2.4.4前轮前束

所谓前束是指两轮之间的后距离数值与前距离数值之差，也指前轮中心线与纵向中心线的夹角。

前轮前束的作用是保证汽车的行驶性能，减少轮胎的磨损。

前轮在滚动时，其惯性力自然将轮胎向内偏斜，如果前束适当，轮胎滚动时的偏斜方向就会抵消，轮胎内外侧磨损的现象会减少。

像内八字那样前端小后端大的称为“前束”，反之则称为“后束”或“负前束”。

在实际的汽车中，一般前束为0~12mm。

在模型车中，前轮前束是通过调整伺服电机带动的左右横拉杆实现的。

主销在垂直方向的位置确定后，改变左右横拉杆的长度即可以改变前轮前束的大小。

在实际的调整过程中，我们发现较小的前束，约束0~2mm可以减小转向阻力，使模型车转向更为轻便，但实际效果不是十分明显。

虽然模型车的主销后倾角、主销内倾角、车轮外倾角和前束等均可以调整，但是由于车模加工和制造精度的问题，在通用的规律中还存在着不少的偶然性，一切是实际调整的效果为准。

2.5智能车转向机构调整优化

理想的转向模型，是指在轮胎不打滑时，忽略左右两侧轮胎由于受力不均产生的变形，忽略轮胎受重力影响下的变形时车辆的的转向建模。

在这种理想的模型下，车体的转向半径可以计算得到。

图2-5-1智能车转向示意图

如图2-5-1，假设智能车系统为理想的转向模型，且其重心位于其几何中心。

车轮满足转向原理，左右轮的轴线与后轮轴线这三条直线必然交于一点。

转向机构在车辆运行过程中有着非常重要的作用。

合适的前桥和转向机构可以保证在车辆直线行驶过程中不会跑偏，能保证车辆行驶的方向稳定性；

而在车辆转向时，合适的转向机构可以使车辆自行回到直线行驶状态，具有好的回正性。

正是由于这些原因，转向系统优化设计成为智能车设计中机械结构部分的重点，直接关系到赛车能否顺利地完成比赛。

在实际操作中，我们通过理论计算的方案进行优化，然后做出实际结构以验证理论数据，并在实际调试过程中不断改进。

在模型车制做过程中，赛车的转向是通过舵机带动左右横拉杆来实现的。

转向舵机的转动速度和功率是一定，要想加快转向机构响应的速度，唯一的办法就是优化舵机的安装位置和其力矩延长杆的长度。

由于功率是速度与力矩乘积的函数，过分追求速度，必然要损失力矩，力矩太小也会造成转向迟钝，因此设计时就要综合考虑转向机构响应速度与舵机力矩之间的关系，通过优化得到一个最佳的转向效果。

经过最后的实际的参数设计计算，最后得出一套可以稳定、高效工作的参数及机构。

如图所示，我们最终设计的这套转向拉杆，我们综合考虑了速度与扭矩间的关系，并根据模型车底盘的具体结构，简化了安装方式，实现了预期目标。

图2-5-2转向拉杆图

2.6智能车后轮减速齿轮机构调整

模型车后轮采用RS-380SH电机驱动。

齿轮传动机构对车模的驱动能力有很大的影响。

齿轮传动部分安装位置的不恰当，会大大增加电机驱动后轮的负载，会严重影响最终成绩。

调整的原则是：

两传动齿轮轴保持平行,齿轮间的配合间隙要合适，过松容易打坏齿轮，过紧又会增加传动阻力，浪费动力；

传动部分要轻松、顺畅，不能有迟滞或周期性振动的现象。

判断齿轮传动是否良好的依据是，听一下电机带动后轮空转时的声音。

声音刺耳响亮，说明齿轮间的配合间隙过大，传动中有撞齿现象；

声音闷而且有迟滞，则说明齿轮间的配合间隙过小，或者两齿轮轴不平行，电机负载变大。

调整好的齿轮传动噪音很小，并且不会有碰撞类的杂音，后轮减速齿轮机构就基本上调整好了，动力传递十分流畅。

2.7其它机械结构的调整

另外，在模型车的机械结构方面还有很多可以改进的地方，比如说车轮、悬架、底盘、车身高度等。

模型车在高速的条件下（2.3m/s~3.5m/s），由于快速变化的加减速过程，使得模型车的轮胎与轮辋之间很容易发生相对位移，可能导致在加速时会损失部分驱动力。

在实验中调试表明，赛车在高速下每跑完一圈，轮胎与轮辋之间通常会产生几个厘米的相对位移，严重影响了赛车的加速过程。

为了解决这个问题，我们在实际调试过程中对车轮进行了粘胎处理，可以有效地防止由于轮胎与轮辋错位而引起的驱动力损失的情况。

此外，我们还对模型车的前后悬架弹簧的预紧力进行调节，选用不同弹性系统的弹簧等方法进行了改进，并且对车身高度，以及底盘的形状和质量、后轮的轮距等，都进行了相应的改进和调整，均取得了不错效果。

第三章系统硬件设计

3.1电源模块

整车的电源分为，前排舵机电源模块5V，激光寻线舵机电源模块4.8V，前瞻调节舵机5.0V，激光扫描模块5V，单片机小系统电模块5V。

图3-1-1

图3-1-2

图3-1-3

3.2电机驱动模块

原定方案是采用MC33886直接驱动电机，MC33886芯片的额定输出电流是5.2A，而智能车电机在起步和制动过程中的最大工作电流较高，长期工作在这种条件下，容易造成驱动芯片性能衰退甚至烧毁。

采用多片MC33886并联的方式，以及采用制作成电机驱动子板的方式使其便于更换都不能解决根本问题。

所以改用新的电机驱动方案。

新方案采用专用电机驱动芯片驱动MOS管H桥，采用大电流低内阻的N型和P型MOSFET构成桥路开关，使驱动电路获得足够的带载能力和高效率。

为了获得良好的电机驱动效果，本设计对选用的MOSFET进行了测试。

MOSFET测试结果如图所示。

试验用电机启动是电阻约为两欧姆左右，IRF9540N理想状况的RDS为117毫欧，IRF2203N理想状况下的RDS为7毫欧，利用两路电源电压调整MOS管的VGS，控制电机的启动停止和正转反转，如果两个MOS管的RDS过大，则会引起启动是电机电压不足而启动缓慢。

理论上，假设在电机启动时瞬间,流过电机的的电流为I，设电机线圈电阻为RM，MOS管电阻为RMOSFET，则MOS管消耗的功率为:

PMOSET=I2*RMOSFETW（3.1）

电机消耗的功率为：

PM=I2*RMW（3.2）

驱动电路的效率为:

η=PM/（PMOSET+PM）=RM/（RMOSFET+RM）（3.3）

由（3.3）式可以得出电机驱动电路的效率与MOS管的导通电阻成反比，即MOS管导通电阻越小越好。

图3.2.1电机驱动模块

图3.2.2MOSFET测试原理图

由图3.2.3可以看出，随着VGS的提高，导通电阻会减小，但是始终高于DATASHEET给出的7毫欧的值，原因可能是测试的条件不同，电流不够大，同时导线的电阻也影响了测试。

试验得出的结论是IRL2203的VGS在12伏以下时RDS下降较快，VGS在12V以上时特性基本平坦，维持在35毫欧左右。

随着IRL2203N的栅源电压的增大，流过负载的电流增大，IRF9540N的导通电阻减少，IRL2203N的VGS小于7V时下降较明显。

当IRL2203N的VGS等于15V左右时，IRF9540N的导通电阻与DATASHEET给出的0.117欧姆基本一致。

结合工程实践经验，选取栅极开启电压为电池电压7.2V时,两个MOS管

图3.2.3MOSFET测试结果

的导通电阻总共为156mΩ,电机启动时线圈电阻取2Ω，此时效率为92.76%，

而理想情况下MOS管的导通电阻总共为124mΩ，效率为94.16%，假设为了将效率提高到接近理想情况，需要另外加DC-DC升压电路，这样会使得硬件进一步复杂化。

综上所述，栅极开启电压选取电池电压7.2V最合适。

3.3检测模块：

3.3.1激光检测

普通的红外检测无法避免的一个问题就是外界红外光的干扰问题，尤其是用传统的方法去检测远方的道路信息时，由于红外发射管发出去的光一部分会反射掉，漫反射回来的红外线中还参杂着外界阳光中的红外线成分，容易使接收管饱和。

面对这种情况，通常的解决办法是提高发射管的瞬间发射强度，即大电流前瞻。

这样的方法固然能提高信噪比，但功耗大，电路复杂。

综合权衡以后，我们最终选择了对红外发射管进行频率调制，然后使用一体化接收头接收的解决方案。

由于一体化接收头只对它的中心频率附近的光敏感，所以大大提高小车对远方道路信息检测的抗干扰能力，即使在很强的阳光下，小车依然能正常行驶。

一体化接收头原理：

图3.3.4

图3.3.5

激光调制发射与一体化接收电路：

图3.3.6

由于不可能每个传感器都用不同频率的发射管来发射，来进行不同频率的调制，因此不可能利用和自然光干扰的消减的相同方法来解决。

但可以使用传感器轮询的方式来抗干扰：

即传感器依次工作，每一路采完数据后，关闭该路，再开起下一路工作，采集下一路数据。

这样就可以避开传感器之间的干扰。

第四章系统软件设计

4.1红外检测

在以往的比赛中，很多光电队伍都采用数字管去检测道路信息，如ST178等，检测得到的信号多为数字信号，这样会丢失大量的跑道信息，原因在于红外接收管只对一个特定的很小的区域内的黑白有反应，所以检测的精度很低。

基于此，我们采用了红外模拟接收管来检测近处的道路信息。

红外模拟接收管能将接收到的红外线转换为光电流，因此可以通过电阻将光电流转换为电压，因为电压值是可以连续变化的，这为提高检测精度提供了可能。

在我们设计的红外检测板上，发射管均匀分布，数量为18个。

红外模拟接收管也是均匀分布，相邻之间的间距为21mm。

每个接收管对应一个特定的编号，从1号到8号。

为了提高抗干扰能力，我们对采集回来的电压值进行了归一化处理，然后根据归一化得到的数据来得到黑线位置信息。

具体方法如下：

第i号管起跑之前标定时得到的它采集到得最大AD值AD_max[i]和最小AD值AD_min[i]。

然后将标定时得到的最大AD值乘以加权系数ratio[i]得到AD_max_Fin[i]。

标定时得到的最小AD值乘以加权系数后得到AD_min_Fin[i]。

AD_max[i]=AD_max[i]*ratio[i];

AD_min[i]=AD_min[i]*ratio[i];

在正常行驶时，每次采样会得到一组当前AD值ADvalue[i]（i=0~7）。

将ADvalue[i]乘以系数ratio[i]，即ADvalueFin[i]=ADvalue[i]*ratio[i]，最后算出第i号管当前AD值在最大最小值间所占的百分比:

N%为电压值百分比，求解表达式为

N=（ADvalue_Fin[i]-AD_min[i]）/（AD_max[i]-AD_min[i]）*100

（1）

相邻模拟管的间距为21mm，将模拟管车头依次从左边不能检测到黑线的位置间隔2mm移动，一直移到右边模拟管不能检测到黑线的位置为止，然后以AD值为纵坐标，采样次数为横坐标作曲线得到的原始数据曲线如下图所示：

（下列图中系列1到8分别对应了从左至右的八个等距分布的接收管）

原始电压数据：

图4.1.1

最大值归一化曲线：

图4.1.2

百分比曲线：

（每个管的最大采样值定义为100,最小值定义为0,其他值按相应比例变换：

图4.1.3

以AD值由

（1）算式计算得到的百分比结果为纵坐标。

采样次数为横坐标作曲线得到的原始数据曲线如上图4.1.3所示。

每条曲线的百分比最低点为黑线的中心位置正对该曲线对应的接收管的正下方。

每个最低点间距大约为11个采样点。

由于是每次采样移动了2mm即可以知道每个管大约间距为21mm和实际的距离吻合。

根据得到的曲线拟合了一条位置与百分比对应关系曲线，如图4.1.4所示：

图中横坐标16代表黑线正对接收管。

横坐标0到16中间的坐标与横坐标16偏移的绝对距离乘以2mm得到黑线中心距离接收管的水平距离。

图4.1.4

将各个管的曲线取均值得到一条比较光滑的位置与百分比的函数曲线：

图中横坐标原点代表黑线正对接收管下方。

横坐标0到13中间的坐标与横坐标原点偏移的绝对距离乘以2mm得到黑线中心距离接收管的水平距离。

图4.1.5

将得到的光滑曲线通过MATLAB进行10次曲线拟合，得到一条与原来曲线逼近的曲线，取0到16之间等分的160个点代入拟合的曲线方程。

分别取1%到100%整数百分比的时候的一百个点做成表格。

这样在上图中将0对应距离0，16对应距离21mm。

Y为实际距离。

X为坐标距原点距离，Y=X*28/16。

这样就可以通过变换得到黑线中心距接收管的距离是多少。

再由百分比查表即可得到黑线中心距接收管的距离。

因为受跑道和外界光强的影响，电压值最终计算得到的百分比到达95%以上的时候。

百分比反映的距接收管水平位置的不确定性增大。

如：

97%的值可能是正确的黑线位置产生的，可能是由跑道的污点引起的，也可能是由于外界光强减弱或电池电压下降产生。

所以最终只取到百分比在95%以内时与黑线中心距接收管水平距离的对应值。

95%以上的数值用最大值填充。

图4.1.6

每次得到AD值以后进行归一化处理。

算出当前的百分比。

通过最低点N与次低点的N’查表得到位置信息，如图4.1.6所示。

以距离最左边接收管的左边14mm为原点，接收管排列直线为X轴。

向右为X轴正方向建立坐标系。

从左至右每个接收管对应的位置坐标为14，42，70，98，126，154，182，210（为了保证精度，避免单片机中的浮点运算，最终每个坐标都乘以了10。

此处表示的为物理上的实际距离）。

当最低点不在最左或者最右边的时候，在最低点的左右找到次低点。

当最低点在最左边或者最右边的时候直接判断他们相邻的为次低点，并且此时在次低点在高于某一阈值的时候。

判定黑线是否偏离最低与次低点的中间。

如果偏离，则单独用最低点的值确定位置。

例如当在最左边的时候。

左边第二个的接收管的电压AD值最终计算得到的百分比。

大于85%的时候判定黑线已经在最左边接收管的左边。

此时用最左边的管的基本位置减去上黑线偏移最左边管的距离。

得到实际黑线的距离。

在最右边的时候。

右边第二个的接收管的电压AD值最终计算得到的百分比。

大于85%的时候判定黑线已经在最右边接收管的右边。

此时用最右边的管的基本位置加去上黑线偏移最左边管的距离。

图4.1.7

位置信息曲线：

图4.1.8

图4.1.9图4.1.10

模拟管对黑线的模型曲线中间为线性，两端为非线性，使用时应尽量使用其线性区的值，但由于接收管之间相隔较远，加上接收管离地面比较近，因而接受区域很窄，黑线在两个管子之间移动时，在接收管中心附近的区域处于非线性区，处理起来会带来检测精度的降低。

实际测量中比较理想的情况是当某管在最低点电压值时，次低点的电压的值百分比都在70%~80%左右，而两个相邻管的电压值百分比相等情况都发生在30%~50%间会得到比较连续的道路信息。

4.2激光检测

图4.2.1

激光检测采取轮询的方式来检测道路信息，每次只打开一个激光管，125us后读前一个周期已经打开的激光管的扫描结果，然后再打开下一个管子，依此类推，16个激光管扫描完成只需要2ms时间，采样率为500Hz，满足控制的要求。

激光管每个周期内扫描得到的信息为数字信息，是有0和1组成的序列，因此需要根据这些信息得到黑线的中心位置。

黑线中心位置信息的计算，Position=Sum_num*2/N，其中Sum_num为所有压在黑线上的激光发射管的编号和，N为照射在黑线上的的激光发射管的数目。

由于激光发射管通过手工的调整无法严格排列在同一条直线上，会出现不是连续的几个接收管同时照在黑线上的情况。

比如可能出现当N=3而得到的Position不是一个整数的情况。

但如果将Position的计算公式变换为Position=（num1+num2）/2，其中num1和num2分别为检测到黑线边缘的两个发射管，则可以防止这种情况的发生。

当上排检测到黑线偏离上排中心时，会控制雷达跟踪舵机进行跟踪，让黑线回到中心位置。

激光跟线的输出表达式为：

PWMDTY01=PWMDTY01+K1*（Center-Position）+K2（（Center-Position[0]）-（Center--Position[1]））；

简化后为：

PWMDTY01=PWMDTY01+K1*（Center-Position）+K2（Position[1]-Position[0]）

Center为激光中心位置，值为17；

Position为当前激光管检测到的黑线中心位置信息（从1~32变化）；

Position[0]前一次激光管检测到的黑线中心位置信息；

Position[1]前两次激光管检测到的黑线中心位置信息；

K1和K2为系数

4.3程序流程

4.3.1红外管位置计算流程

图4.3.1

4.3.2红外起跑线检测流程

通过检测一组归一化后的AD值是