0 引言

    對于智能車整體而言，其路徑識別和控制系統是智能車運行過程的核心部分，路徑識別的準確性和實時性，以及控制系統的靈敏性和魯棒性是影響智能車運行效果的關鍵因素^[1-2]。

    目前，從智能車路徑識別技術來看，通常采用“圖像采集—圖像處理”順序執行的方式來實現^[3-4]，因此，在圖像采集階段，圖像處理單元將處于空閑，從而造成圖像處理單元的資源浪費；而在圖像處理階段，由于待處理的圖像數據較多，導致圖像處理單元在單位時間內的處理負荷較大，從而處理速度過慢，進而引起下游控制單元數據處理滯后的問題，而導致智能車路徑識別的準確性及實時性較差，最終導致智能車的運行速度慢、靈活性差。

    從智能車控制系統技術來看，由于智能車具有非常復雜的非線性動力系統，難以建立精確的數學模型^[5]。因此，如果采用傳統的PID控制算法對智能車進行控制，雖然響應速度較快，精度也較高，但是容易造成智能車控制發生階梯式跳躍變化和路徑變化反應不靈敏等問題，且易產生超調和振蕩現象,導致智能車控制系統靈敏性和魯棒性較差^[6-7]。

    針對上述問題，在智能車路徑識別處理和控制系統兩方面進行了優化。

    首先，在路徑識別處理方面，將“圖像采集—圖像處理”交叉執行，在圖像采集的時間間隙中進行圖像處理，而無需等到所有圖像采集完成再進行圖像處理，能夠保障圖像處理的實時性，且在圖像處理階段采用跟蹤邊緣算法，能夠提高圖像處理的效率，從而保障路徑識別的準確性和實時性。其次，在智能車控制方面，采用模糊控制器和傳統PID控制相結合的控制策略，既使智能車控制系統具有模糊控制的靈活性和適應性強的優點,又具有PID控制精度高響應快的優勢，最終提高了智能車控制系統的靈敏性和魯棒性。

1 路徑識別處理

    在智能車路徑識別處理過程中，考慮到處理速度的需求，通常在保證圖像信息足夠的情況下取用整幅圖像中的一部分^[8]，這種情況會導致智能車在圖像采集階段CPU會有兩部分時間處于空閑時間：未被選取的行間隔期和消隱期。因此，在本研究中將充分利用這兩部分時間進行圖像處理，即采用“圖像采集—圖像處理”交叉執行的方式。

    具體實施方法為：在圖像采集過程中，圖像采集單元是將圖像分為N個單元塊分別采集，當完成任一個單元塊的采集時，則觸發圖像處理單元在空閑時間對該單元塊進行圖像處理。

    表1以處理100幀圖像所占用的時間為例，對兩種圖像采集處理方式進行了比對。從占用時間結果可以看出，本研究中采用的“圖像采集-圖像處理”交叉結構的數據處理速度比傳統的“圖像采集-圖像處理”順序結構的處理速度高15.5%。

    綜上所述，采用“圖像采集-圖像處理”交叉結構，能夠提高對圖像處理單元的空閑時間利用率，且圖像處理單元利用空閑時間對圖像單元塊進行圖像處理，減少了圖像處理單元在單位時間內的負荷，提高數據處理效率，在一定程度上解決了下游控制單元數據處理滯后的問題，從而能夠保障智能車路徑識別的實時性，提高智能車的運行速度和靈活性。

    除了在路徑識別處理的執行結構上的優化，本研究在圖像處理的算法上也進行了優化。采用跟蹤邊緣檢測算法，較傳統邊緣檢測算法[9]，不會對圖像單元中每個像素點進行比較運算，從而無需對采集到的整幅圖像中所有的像素點進行處理，因此，占用系統資源少，還可以排除外界噪聲干擾，進而可以提高圖像處理單元的數據處理效率，并能夠為智能車提供準確、可靠的行駛路徑。圖1所示為圖像處理中邊緣跟蹤檢測算法流程圖。

    為了驗證在圖像處理算法上的優勢，分別采用跟蹤邊緣檢測算法和傳統邊緣檢測算法對同一幅圖像進行圖像處理。如圖2所示，圖2（a）為源圖像，圖2（b）為采用傳統邊緣檢測算法的處理結果，圖2（c）為跟蹤邊緣檢測算法的處理結果。

    可以看出，跟蹤邊緣檢測算法能夠有效排除外界噪聲的干擾，最終提供給智能車準確的行駛路徑。

    除此之外，較傳統邊緣檢測算法，本研究采用的跟蹤邊緣檢測算法還具有較高的數據處理速度。表2對兩種算法的數據處理時間進行了比較。

    從表2中可以看出，跟蹤邊緣檢測算法的數據處理速度是傳統的邊緣檢測算法的2.34倍，保證了智能車中數據處理的高效性和實時性。

2 模糊自適應PID控制器設計

    在控制系統中，將模糊控制算法和傳統的PID算法相結合，以提高智能車控制系統的自適應性和魯棒性。模糊自適應PID控制器以誤差e(實際測量值與設定值之差)和誤差變化率ec作為輸入參數，利用模糊控制規則對PID控制器的3個參數（Kp、Ki和Kd）進行調整，并將該三個參數值作為輸出，以選取適合智能車當前運行狀態最佳參數值。圖3所示為智能車控制系統結構示意圖。

    模糊自適應PID控制器輸入變量e的語言變量為E，ec的語言變量為EC，兩者的論域都為{-3，-2，-1，0，1，2，3}，相應的語言值為{NB，NM，NS，ZO，PS，PM，PB}；輸出參數Kp、Ki和Kd的語言變量分別為KP、KI和KD，論域都為{0，1，2，3}，相應的語言值為{ZO，PS，PM，PB}。輸入參數與輸出參數的隸屬度函數均采用三角函數，圖4所示為基于上述參數值的隸屬函數圖。

    模糊自適應PID控制器以控制規則作為模糊推理的依據^[10]。PID參數值的選取必須考慮在不同情況下三個參數的作用以及相互關系。按以上原理并根據智能車的運行特性和控制經驗建立輸入為E、EC，以及輸出為KP、KI和KD的多輸入多輸出的模糊規則，并在MATLAB中進行仿真，得到如圖5所示的控制規則曲面圖。

    通過MATLAB提供的Simulink對模糊自適應PID控制器的設計進行仿真，并將其處理結果與傳統PID的處理結果進行比較，其比較結果如圖6和表3所示。可以看出，模糊自適應PID控制器具有超調量小、響應時間短的優點。

3 整體實驗對比及分析

    為了驗證最終效果，在相同路徑下，分別采用傳統方法和本研究的方法對智能車的性能進行了測試，經過20次對比實驗，得到智能車跑完全程的時間、平均速度及準確率，如表4所示。

    從表4可以看出,應用本文所取得的方法，能夠有效加快智能車響應速度，提高準確率，對智能車的整體性能的提升有顯著的作用，且在實際運行中能使智能車轉向相對比較連續,不出現突變現象,運行軌跡相對平滑、穩定。

    同時可見，車速受硬件響應速度、圖像算法處理速度、車體結構、測試環境等因素的整體非線性疊加影響，而非簡單的線性比例關系。

4 結束語

    本研究采用“圖像采集—圖像處理”交叉執行的方式提高了智能車的數據處理速度，且在圖像處理階段采用跟蹤邊緣檢測算法，較傳統邊緣檢測算法，既具有對外界聲進行濾除的作用，又能夠將圖像處理時間提高2.34倍，從而在保障智能車路徑識別準確性的同時還保障智能車數據處理的高效性和實時性。

    而在智能車控制系統方面，將模糊控制算法和傳統的PID算法相結合，較傳統的PID算法，其超調量減少了近12倍，且收斂時間也相對減少，同時響應速度也提高了近5倍。

    最后對整體性能進行了實際驗證比較，結果表明本研究取得的方法最終使智能車速度提高了33.3%，準確率提高了35.7%。因此，采用本研究方法，能夠有效使智能車具有較好的靈活性、較高的自適應性和魯棒性。

參考文獻

[1] 王國胤，陳喬松，王進.智能車技術探討[J].計算機科學，2012(5)：1-8.

[2] Md.NazmulHasan，S.M Didar-Al-Alam，Sikder Rezwanul Huq.Intelligent car control for a smart car[J].International Journal of Computer Applications，2011，143：15-19.

[3] HUANG Z Q.Design of smart car section PID control algorithm based on CCD camera[J].Electronic Design Engineering，2011，19(2).

[4] 吳斌華，黃衛華，程磊，等.基于路徑識別的智能車系統設計[J].電子技術應用，2007(3)：80-82.

[5] FRAICHARD T，GARNIER P.Fuzzy control to drive car-like vehicles[J].Robotics & Autonomous Systems，2001，34(1)：1-22.

[6] 王威，楊平.智能PID控制方法的研究現狀及應用展望[J].自動化儀表，2008(10)：1-3.

[7] MARTINS F G，COELHO M A N.Application of feedforward artificial neural networks to improve process control of PID-based control algorithms[J].Computers & Chemical Engineering，2000，24：853-858.

[8] 李旭東，廖中浩，孟嬌.基于CMOS攝像頭的智能車控制系統設計及實現[J].吉林大學學報(信息科學版)，2013(4)：414-418.

[9] 魏玉虎，石琛宇，姜建釗，等.基于視覺的智能車轉向控制策略[J].電子技術應用，2009(1)：130-134.

[10] 金曉明，榮岡，王驥程.模糊控制理論及其應用評述[J].化工自動化及儀表，1995(2)：3-8.