智能车心得分享（四）-- 电磁循迹

这一次，我们开始正式进入了，车辆的控制

大致可以分成一下部分：

循迹，需要电磁传感器，或者摄像头。这两个应该是智能车最有可能使用的传感器了，其他的就算是另辟蹊径了。然后我主要使用的是电磁。

这是我最终的电磁排列方案，在华南赛中使用的，但是在校赛的是另一套，华南赛的代码会开源部分，校赛代码完全开源（虽然写的不好看，但是入门还是蛮简单的）。所以可能会和这个图有冲突。

但是现在讲的是思想，没有太大问题，只有元素判断上有些影响。在这篇文中讲解只用上了Hor_L和Hor_R的两个电感（即两个横电感，下简称“L、R”）

使用电磁的步骤 ：

1. 通过电位器调节电感值
   通过adc采集的函数uint16 adc_mean_filter(ADCN_enum adc, ADCCH_enum ch, uint8 count)；我们确定了用哪个通道，和采集次数，采样率一般是固定的，也可以自己改，我的电感采集是12位，也就是0~4096，但是在实际赛道上采样的值不会超过3600，一定要注意不要将原始的值调到满幅值。这里推荐的方法是：第一步，将车放到环岛四条线交叉（或者环岛两条（因为今年是铺了两圈）），调节电磁（与四条线垂直的地方）在此时稍微调小电位器，电磁值会有减小，调大值几乎不变（即几乎为最大值），左右横电感都是这样，粗调结束（记录此时的最大值）；第二步，将电感放在直赛道上，将电感和电磁线垂直放置，此时最大值为之前最大值的90%以下，要是不到的话就调小，然后把车放在赛道上，保证在赛道最中间（此时电磁线是在两横电感连线中线上），将一侧作为基准，调节另一侧使值相差在（最大值-0）的千分之一内（这样是最好的，但是和你的精度有关，我最大是3600左右，两边值的原始差在5左右）。这样横电感的调节结束；向外的v形电感，在环岛处的较易获得的值是其他元素最大时都无法达到的值即可（就是你在环岛那从预环岛开始稍微转车，或者接近环岛时车即使有些偏移也可以得到的值，但是其他元素这么转都很难得到的值）。内v形电感和水平电感处理类似。具体原因的话，我在元素判断中解释。

2. 归一化
   就是用第一步采集的最大值（左右对称的电感用同一个），用adc采集的值ADC_value。进行 ADC_value/max*100,将值变道0~100的区间内。这样做的好处是，1、可以方便自己对数据的感知，在普通元素和特殊元素间；2、在赛道更换后，测新的赛道的最大值，改变max的值即可，有较强的适应性。3、方便数据处理。

3. 差比和
   首先我们不去了解电感具体原理，我们会知道，当靠近电磁线时，电磁值就会变大，远离就会减小。那么如果用L-R,若值为正，说明车向右侧偏；反之，向左，这样我们就可以知道车的偏向了。那么差比和（L-R）/（L+R）的作用就是使得到的曲线L-R曲线变得平滑，理论上平滑曲线会使得车的控制效果更好，但是我因为能力有限没有去关注它（可以去看下卓大的文章，里面是有相关的介绍的。“差比和差”那一篇）。

4. 小车模型
   接下来我们就要让小车巡线了，假设我在理想情况下，左右轮的期望速度都是450（这只是个值，看上一篇我对编码器值的理解），且左右实际都是450，那么理论上这个时候小车是直线运动的。但是要是向右偏了，那么就会期望我们左轮速度比右侧的速度慢，就可以慢慢向左转，车就会回正。此时我们L-R为正（假设是10），通过PID变化得到一个和速度有关的值exp_turn（仍为正），那么左侧的期望速度就是: 期望值（450）- 转向值（exp_turn）；右侧期望速度： 期望值（450）+ 转向值（exp_turn）。也就是左减右加（当然这和你的实际模型相关）。当然，如果你是将差比和的值和期望的位置（即L-R=0）处做PID处理（这个时候有可能是一个负值），也有可能是左加右减。

以下是我的小车模型，当然很不精确，可以参考下两轮模型的资料来优化

/*
@par velocity 为期望速度 turn期望转向速度
*/
void Kinematic_Analysis(float velocity,float turn)
{
    float  x=-exp_turn_KP;
    float temp_velocity;
    temp_velocity=x*GFP_abs(err*100)+velocity;//减速处理
    Target_A=(temp_velocity-turn);//（左侧期望速度）
    Target_B=(temp_velocity+turn);//（右期望速度）
}

这样就可以完成循迹了

参考：
两轮差速移动机器人运动分析、建模和控制
智能车电感差比和差加权算法研究