1、項目簡介

在本次項目中，我們將采用LockAI視覺攝像頭與OpenCV-C++技術(shù)相結(jié)合的方式來實現(xiàn)特定場地內(nèi)的視覺巡線任務(wù)。

控制方面，我們選用了小凌派-RK2206開發(fā)板，該開發(fā)板運行OpenHarmony請諒解操作系統(tǒng)，并通過串口通訊與LockAI進行高效的數(shù)據(jù)交互。基于攝像頭傳輸回來的目標坐標數(shù)據(jù)，我們將運用PID算法精確地對智能車的行駛進行調(diào)控。這樣，不僅能夠確保智能車沿著預(yù)定線路穩(wěn)定行駛，還能通過實時數(shù)據(jù)分析優(yōu)化行車路徑，提升整體運行效率和穩(wěn)定性。整個方案集成了先進的圖像識別技術(shù)和精準的控制算法，為實現(xiàn)自動化巡線提供了可靠的技術(shù)保障。

2、基本知識

2.1、PID算法簡介

PID算法，即比例-積分-微分（Proportional-Integral-Derivative）控制器，是一種在工業(yè)控制中廣泛應(yīng)用的反饋控制機制。它通過計算設(shè)定值（目標值）與實際值之間的誤差，并基于此誤差進行調(diào)節(jié)，以達到穩(wěn)定系統(tǒng)輸出的目的。其原理如下：

比例（P）控制：比例控制是根據(jù)當前誤差值（即設(shè)定值與實際值之差）直接按比例調(diào)整輸出。它的作用是快速響應(yīng)誤差，減少誤差幅度。比例系數(shù)Kp越大，調(diào)節(jié)的速度越快，但是過大的Kp會導致系統(tǒng)振蕩。

積分（I）控制：積分控制是對過去所有誤差的累積進行調(diào)節(jié)，其目的是消除靜差（即系統(tǒng)穩(wěn)定后仍然存在的誤差）。積分項通過累加過去的誤差來影響控制量，使得即使誤差很小，只要持續(xù)存在，也會逐漸增加控制量，直到誤差被完全消除。積分系數(shù)Ki需要謹慎選擇，因為太高的積分作用可能導致系統(tǒng)不穩(wěn)定。

微分（D）控制：微分控制考慮的是誤差的變化率，用于預(yù)測誤差的未來趨勢，從而提前采取措施減小誤差。微分項能夠幫助抑制超調(diào)現(xiàn)象，提高系統(tǒng)的響應(yīng)速度和平穩(wěn)性。然而，由于它對噪聲較為敏感，因此實際應(yīng)用中往往需要慎重設(shè)置微分系數(shù)Kd。

在實際的控制過程中我們采用離散型PID控制。在離散時間系統(tǒng)中，假設(shè)采樣周期為TT，則離散型PID控制器的輸出u(k)u(k)可以表示為： u(k)=Kpe(k)+Ki∑i=0kTe(i)+Kde(k)?e(k?1)Tu(k)=Kpe(k)+K**i∑i=0kTe(i)+KdT**e(k)?e(k?1) 其中，

KpK**p、KiK**i和 KdK**d分別為比例、積分和微分系數(shù)。

e(k)e(k) 代表第kk次采樣時的誤差，即設(shè)定值與實際值之差。

TT是采樣時間間隔。

為了更有效地實現(xiàn)積分項的計算，通常采用增量式PID算法，其表達式為： Δu(k)=u(k)?u(k?1)=Kp[e(k)?e(k?1)]+KiTe(k)+Kde(k)?2e(k?1)+e(k?2)TΔu(k)=u(k)?u(k?1)=K**p[e(k)?e(k?1)]+KiT**e(k)+KdT**e(k)?2e(k?1)+e(k?2)

這樣做的好處在于，只需保存最近幾次的誤差值以及上一次的控制量，就可以計算出當前的控制增量Δu(k)Δu(k)，從而減少了存儲需求，并且易于編程實現(xiàn)。

2.2、LockAI簡介

凌智視覺模塊(Lockzhiner Vision Module) 是福州市凌睿智捷電子有限公司聯(lián)合百度飛槳傾力打造的一款高集成度人工智能視覺模塊，專為邊緣端人工智能和機器視覺應(yīng)用而設(shè)計。讀者如有興趣，可以參考Gitee倉庫（LockAI Gitee倉）

3、實驗內(nèi)容

3.1、視覺代碼實現(xiàn)

本項目是基于攝像頭的視覺檢測系統(tǒng)，主要功能包括實時捕獲視頻流、提取感興趣區(qū)域（ROI）、通過 HSV 閾值分割檢測黑色區(qū)域，并計算目標質(zhì)心位置以確定水平偏移量。系統(tǒng)通過串口將質(zhì)心 X 坐標發(fā)送給外部設(shè)備（如小車控制器），同時在圖像上繪制 ROI 邊框和質(zhì)心位置，并將處理結(jié)果發(fā)送至編輯模塊進行顯示，便于調(diào)試和驗證。代碼采用模塊化設(shè)計，支持動態(tài)調(diào)整攝像頭分辨率，具備良好的靈活性和擴展性，適用于智能車視覺巡線、目標跟蹤等場景。為進一步提升性能，建議增強異常處理機制、優(yōu)化算法效率，并將關(guān)鍵參數(shù)提取到配置文件中以便于調(diào)整和適配不同環(huán)境。整體而言，該系統(tǒng)實現(xiàn)了實時性、可視化與模塊化的結(jié)合，為嵌入式視覺應(yīng)用提供了可靠的技術(shù)支持。

#include#include#include#include#include#include#includeintmain(intargc,char*argv[]){ // 設(shè)置串口波特率為115200 lockzhiner_vision_module::USART1 usart; if(!usart.Open(115200)) { std::cout <> temp_mat;// 獲取新的一幀 if(temp_mat.empty()) { std::cerr <(cx + roi_rect.x),static_cast(cy + roi_rect.y)),5, cv::Scalar(0,255,0),-1);// 綠色圓點表示質(zhì)心位置 // 輸出質(zhì)心的X坐標 std::cout <

3.2、PID代碼實現(xiàn)

本項目主要通過串口與 LockAI 攝像頭進行通信，并在串口任務(wù)中解析出目標的關(guān)鍵數(shù)據(jù)，例如目標的質(zhì)心坐標、目標檢測區(qū)域的大小等信息。這些數(shù)據(jù)被用作 PID 控制器的反饋輸入，進而計算出 PID 的輸出值。小凌派開發(fā)板基于該輸出值實現(xiàn)了麥克納姆輪的運動解算。只需輸入期望的 X 軸、Y 軸以及旋轉(zhuǎn) W 軸的速度，即可通過解算函數(shù)計算出四個輪子對應(yīng)的速度。各軸的速度會自動疊加，確保運動的平滑性與精確性。將 PID 的輸出結(jié)果輸入到麥克納姆輪的解算函數(shù)中，即可實現(xiàn)對小車車身姿態(tài)和運動的精準控制。

floatPID_Calc(PidTypeDef *pid,floatref,floatset){ if(pid == NULL) { return0.0f; } pid->error[2] = pid->error[1]; pid->error[1] = pid->error[0]; pid->set=set; pid->fdb =ref; pid->error[0] =set-ref; if(pid->mode == PID_POSITION) { pid->Pout = pid->Kp * pid->error[0]; pid->Iout += pid->Ki * pid->error[0]; pid->Dbuf[2] = pid->Dbuf[1]; pid->Dbuf[1] = pid->Dbuf[0]; pid->Dbuf[0] = (pid->error[0] - pid->error[1]); pid->Dout = pid->Kd * pid->Dbuf[0]; LimitMax(pid->Iout, pid->max_iout); pid->out= pid->Pout + pid->Iout + pid->Dout; LimitMax(pid->out, pid->max_out); } elseif(pid->mode == PID_DELTA) { pid->Pout = pid->Kp * (pid->error[0] - pid->error[1]); pid->Iout = pid->Ki * pid->error[0]; pid->Dbuf[2] = pid->Dbuf[1]; pid->Dbuf[1] = pid->Dbuf[0]; pid->Dbuf[0] = (pid->error[0] -2.0f* pid->error[1] + pid->error[2]); pid->Dout = pid->Kd * pid->Dbuf[0]; pid->out+= pid->Pout + pid->Iout + pid->Dout; LimitMax(pid->out, pid->max_out); } returnpid->out;}voidUserControl(){ WheelControl wheelControls[WHEELS_COUNT]; floatvx =0;// X方向線速度，單位：m/s floatvy =0;// Y方向線速度，單位：m/s floatw =0; // 角速度，單位：rad/s CtrolInit(); for(;;) { // PID_Calc(&PWMPid[0], x, 320); // PID_Calc(&PWMPid[0], x, 320); if(FirstRec ==1) { // 檢測用 // PID_Calc(&PWMPid[2], x, 240); // PID_Calc(&PWMPid[1], s, 10000); // calculateWheelPWMSpeeds(-PWMPid[1].out, vy, PWMPid[2].out, wheelControls); // 循跡用 PID_Calc(&PWMPid[2], x,240); calculateWheelPWMSpeeds(-5, vy, PWMPid[2].out, wheelControls); // 設(shè)置方向GPIO LzGpioSetVal(GPIO0_PA5, wheelControls[0].direction);// 右前 LzGpioSetVal(GPIO0_PA3, wheelControls[3].direction);// 右后 LzGpioSetVal(GPIO0_PA1, wheelControls[2].direction);// 左后 LzGpioSetVal(GPIO0_PA0, wheelControls[1].direction);// 左前 // 啟動PWM IoTPwmStart(RU_B4, wheelControls[0].pwm,1000);// 右前 IoTPwmStart(RD_B6, wheelControls[3].pwm,1000);// 右后 IoTPwmStart(LD_C7, wheelControls[2].pwm,1000);// 左后 IoTPwmStart(LU_C3, wheelControls[1].pwm,1000);// 左前 } LOS_Msleep(1); }}