openmv+PID算法详解
openmv官网上讲得太简略了，我是比较好奇算法的，看了一篇讲PID的，讲得很好。
一文读懂PID控制算法（抛弃公式，从原理上真正理解PID控制）
请先理解这篇非常棒的文章。
现在结合openmv提供的代码看看
注释一律在代码下面
先复习一下Δt和dt的关系，下面用得着，别笑，我忘了
from pyb import millis
#返回代码执行到当前的时间
from math import pi, isnan
#pi-->Π，isnan-->用于检查给定数字是否为“ NaN” (不是数字)，它接受一个数字，如果给定数字为“ NaN” ，则返回True ，否则返回False 。
class PID:
#PID(proportion integration differentiation)
# 比例 积分 微分
_kp = _ki = _kd = _integrator = _imax = 0
#初始化三个系数，积分，？？？为0
_last_error = _last_derivative = _last_t = 0
# 最新差值 最新导数 上个轮回的时间
_RC = 1/(2 * pi * 20)
#？？？
def __init__(self, p=0, i=0, d=0, imax=0):
self._kp = float(p)
self._ki = float(i)
self._kd = float(d)
self._imax = abs(imax)
self._last_derivative = float('nan')
#设置微分为nan
def get_pid(self, error, scaler):
#根据差值，K获取pid
tnow = millis()
#现在的时间
dt = tnow - self._last_t
#和上次的时间差
output = 0
#总输出（你调节的量）
if self._last_t == 0 or dt > 1000:
#如果是第一个轮回（初始值为0）或时间差>1s（大于可微积分的阈值）
dt = 0
#时间差归零
self.reset_I()
#重置I
self._last_t = tnow
#记录结束时间
delta_time = float(dt) / float(1000)
#获取Δt
output += error * self._kp
#加入比例控制积分
if abs(self._kd) > 0 and dt > 0:
#若微分参数和时间差>0
if isnan(self._last_derivative):
#若微分是NaN
derivative = 0
#微分归零
self._last_derivative = 0
#PS:前面已经声明为nan，所以openmv没有用微分控制
else:
#否则
derivative = (error - self._last_error) / delta_time
#微分为：（这次的差距-上次的差距）/时间差
derivative = self._last_derivative + \
((delta_time / (self._RC + delta_time)) * \
(derivative - self._last_derivative))
#这三行我不懂，怎么会有这种代码在这里。。。？？？
self._last_error = error
#更新差值
self._last_derivative = derivative
#更新积分值
output += self._kd * derivative
#加入微分控制
output *= scaler
#乘以总系数
if abs(self._ki) > 0 and dt > 0:
#若I参数>0
self._integrator += (error * self._ki) * scaler * delta_time
#计算积分控制
if self._integrator < -self._imax: self._integrator = -self._imax
elif self._integrator > self._imax: self._integrator = self._imax
#积分大于等于设定最大值时
output += self._integrator
#加入积分控制
return output
def reset_I(self):
//重置I
self._integrator = 0
self._last_derivative = float('nan')好像还是有点看不懂，看看openmv是怎么用的。
x.y轴分布
# Blob Detection Example
#
# This example shows off how to use the find_blobs function to find color
# blobs in the image. This example in particular looks for dark green objects.
import sensor, image, time
import car
from pid import PID
# You may need to tweak the above settings for tracking green things...
# Select an area in the Framebuffer to copy the color settings.
sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.RGB565) # use RGB565.
sensor.set_framesize(sensor.QQVGA) # use QQVGA for speed.
sensor.skip_frames(10) # Let new settings take affect.
sensor.set_auto_whitebal(False) # turn this off.
clock = time.clock() # Tracks FPS.
# For color tracking to work really well you should ideally be in a very, very,
# very, controlled enviroment where the lighting is constant...
green_threshold = (76, 96, -110, -30, 8, 66)
size_threshold = 2000
x_pid = PID(p=0.5, i=1, imax=100)
#1.位置的pid调节
h_pid = PID(p=0.05, i=0.1, imax=50)
#2.大小的pid
def find_max(blobs):
max_size=0
for blob in blobs:
if blob[2]*blob[3] > max_size:
max_blob=blob
max_size = blob[2]*blob[3]
return max_blob
while(True):
clock.tick() # Track elapsed milliseconds between snapshots().
img = sensor.snapshot() # Take a picture and return the image.
blobs = img.find_blobs([green_threshold])
if blobs:
max_blob = find_max(blobs)
x_error = max_blob[5]-img.width()/2
#球心x减去一半宽度-->距离中心点的差值（以中间为0，左-右+）
h_error = max_blob[2]*max_blob[3]-size_threshold
#距离设定大小的差值(远-近+)
print("x error: ", x_error)
'''
for b in blobs:
# Draw a rect around the blob.
img.draw_rectangle(b[0:4]) # rect
img.draw_cross(b[5], b[6]) # cx, cy
'''
img.draw_rectangle(max_blob[0:4]) # rect
img.draw_cross(max_blob[5], max_blob[6]) # cx, cy
x_output=x_pid.get_pid(x_error,1)
#调整位置
h_output=h_pid.get_pid(h_error,1)
#调整距离
print("h_output",h_output)
car.run(-h_output-x_output,-h_output+x_output)
#run 我不展示了，第一个是左侧速度，第二个是右侧速度
#与小车远离成正比，左侧与偏左成正比，右侧与偏右成正比
#这里我感觉左右是反的，想了好久好久，直到我看到视屏里的openmv是倒置的23333
#也就是摄像头左右对调，那就对了。。。
else:
car.run(18,-18)还有不明白，希望有人告诉我，其他的不懂可以留言，说的不好还请指正。