查看“树莓派智能车AlphaBot教程5：红外循迹”的源代码




循迹从来都是智能小车中一个重要的功能。有红外循迹，摄像头循迹，电磁循迹，激光循迹等。
 常见红外循迹的有两路，三路，四路，五路怎么七路，九路循迹。多少路表示传感器的数量。
又分为数字输出型和模拟输出型，比较常用的是数字输出型。即每个传感器只能输出高低电平，检测该点，是否有黑线，不能判断黑线的远近。而模拟输出型输出的是模拟量通过模拟电压可以反映出黑线的远近，结合PID算法。模拟输出循迹效果更好。


[[File:110315jqhpvhvnunnl2zvs.png]]



以上为循迹传感器部分的原理图，IR1~IR5端为模拟输出，模拟量输出和距离，物体颜色有关。红外反射越强(白色)时，输出越大，红外放射越弱(黑色)，输出越小。探测器离黑色线越近输出越小，由此可以通过输出模拟量判断黑线的距离远近。数值越小的传感器离黑线越近。而数字型输出则将输出的模拟值经过比较器得到数字量。由此可知通过5路模拟输出获得相对五路数字输出更高的精度。


而模拟输出循迹算法根据复杂，下面详细讲一下算法部分。算法可以分为3部分。
算法分析


第一部分：归一化校准


 相同的颜色，距离，不同的探测器输出会有所不同，而且不同环境输出的模拟量范围也不一样。如果采用10AD采集。理论上输出范围会在0~1023之间。但是实际上输出最小Min会大于0，最大值Max会比1023小。由此为了减少传感器自身以及环境的影响，作归一化处理，归一化处理实际上就是将Min~Max的数值范围转为 0~1范围线性转换如下：
 y=(x-Min)/(Max-Min) 
(其中x为探测器输出值，y为转换后的值，Max、Min分别为输出的最大值和最小值)
为了数据处理方便可以将数据放大1000倍。则
 y=(x-Min)*1000/(Max-Min) 
转换后数据范围为0~1000.其中1000表示探测器远离黑线，0表示探测器在黑线正中。
其中Min Max的值有程序开始中多次采集传感器的值获得，并保存起来，采集过程中不断移动小车，使得采集到的最大最小值更加接近实际情况。


第二部分：加权平均


 将五个探测器输出数据通过归一化处理后，得到五个反应探测器离黑线相对距离的数据。为了尽可能准确地确定路线的中心线。通过加权平均的方式将这5个数值转变成一个数值。公式如下：
  y = (0 * value0 + 1000 * value1 + 2000 * value2 + 3000 * value3 +4000 * value4)
 /(value0 + value1 + value2 + value3 + value4)
其中0 ,1000,2000,3000,4000分别为从左到右5个探测器的权，value0~value4为探测器归一化后的数据。则经过出后的数值范围为0~4000。代表黑线的位置。例如2000则表示黑线在模块的正中间。0表示在黑线在模块的最左侧，4000表示黑线在最右侧。
为了使模块探测的精度更高，对模块的高度和黑线有所要求。黑线应该等于或略小于探测器的距离(16mm)。高度为黑线在两个传感器正中间时，两个传感器都能够刚好探测到为宜。


第三部分：PID控制
 由第二部分可得到黑线的位置，为了使小车一直沿着黑线走，则必须保证黑线在小车正下方，此时加权平均后的输出应该为2000.为了使小车走的更加平滑，减少左右摇摆。采用位置式PID控制。关于PID算法网上有很多介绍，此处不再详细讲解，只是大概介绍一下。
PID是指通过比例(P)，积分(I)，微分(D)对误差进行反馈调节。主要算法如下：
  proportional = position - 2000;
  derivative = proportional - last_proportional;
  integral += proportional;
 
  last_proportional = proportional;
 
  power_difference = proportional*Kp + integral*Ki + derivative*Kd;
其中:
比例项(proportional)为当前的位置(Position)减去目标位置(2000),表示位置误差，正数表示偏右，负数表示偏左。
积分项(integral)数据为每次误差的总和，绝对值越大，表示误差累积值越大，表示小车越偏越远了。
微分项(derivative )为当前误差和上次误差的差值，反映小车的响应速度，数值越大，响应速度越快。
 调节Kp,Ki,kd三个参数可获得最佳性能。先调节Kp参数，Ki,Kd设为0，不断调整Kp值使得小车可以循线，然后调节Ki,Kd值,参数可以设小一点，或者为零。
 
例如我们的目标是使黑线能在正中间，则加权平均后的输出数据为2000.
 
 示例程序分析
 下面结合AlphaBot2智能小车讲解一下循迹程序。这里以Arduino的程序作为示例，首先程序中用到TRSensors库，主要包含TRSensors.cpp，TRSensors.h两个文件。
TRSensors.cpp主要包含下面这几个函数
    TRSensors();
    void AnalogRead(unsigned int *sensor_values);
    void calibrate();
    void readCalibrated(unsigned int *sensor_values);
    int readLine(unsigned int *sensor_values, unsigned char white_line = 0);
其中TRSensors()为初始化函数，初始化相应的管脚，已经申请内存用作存储各个传感器的Max,Min值。
AnalogRead()函数为读取五路探测器的模拟值，AlphaBot2是通过TLC1543 AD芯片进行AD转换，而非arduino芯片的AD管脚。如果将Tracker Sensor接到arduino的A0~A4管脚需修改此函数。
calibrate()函数为校准函数，通过多次采集数据，确定Max，Min值。故校准阶段时，小车需在黑线中紧贴地面左右摇晃。确保取得的Max,Min准确。


readCalibrated()函数为归一化校准，对应原理的第一部分，通过归一化线性转换，将数据转为0~1000范围内，其中1000表示探测器远离黑线，0表示探测器在黑线正中。主程序中通过控制小车左右旋转通过采集100次数据校准。


[[File:110315yv99kn656vizotnc.png]]

readLine()函数为读取循迹线的位置，对应原理中的第二部分。通过加权平均算出寻迹线的位置。数值范围为0~4000，0表示在黑线在模块的最左侧，4000表示黑线在最右侧。


[[File:110315cg3oyrl55nzty6ce.png]]



原理中第三部分在循迹主程序Infrared_Line_Tracking.ino中实现，主要代码如下。


[[File:110316rgxeg4gex9uxde9p.png]]

通过readline()函数读取寻迹线的位置，然后算出比例项proportional，微分项derivative，
此处只用了PD算法，没有积分项，而非PID。可以修改对应的PD参数，使性能更佳。


[[File:110316zdqe8ffwvdqdbf33.png]]



最后一步就是通过PID算得的修改项power_difference去调节小车左右轮的PWM值，实现小车沿着寻迹线运动。
 
树莓派的程序和arduino类似，这里不再详细分析。