基于ad采樣的機器人巡線定位技術

基于ad采樣的機器人巡線定位技術

近年來，在abu機器人比賽中，各隊的跟蹤技術都取得了迅速的進步。包括顏色傳感器、光學傳感器、陀螺儀、數字硬盤等傳感器先后進入比賽，展示他們的武術位置。其中,光電傳感器一直受到很多參賽隊的器重,尤其是在2009年的比賽中,涌現了很多基于光電傳感器的定位方案,特別是西安交通大學代表隊的三角形布局方案和華中科技大學代表隊的四方形布局方案,給我們留下了深刻的印象。但是,很多代表隊對光電傳感器的信號處理還是基于“0”和“1”的二值數字信號處理方式。這種方式雖然簡單方便,但是各個傳感器的電氣參數并非完全一致,而且受場地的顏色、光照等因素影響很大。下面介紹南昌大學機器人隊采用的ADC采樣信息處理方式。1傳感器測試和測量數據處理如圖1所示,控制系統由上、下位機組成,下位機負責數據采集和控制量執(zhí)行,上位機負責采集數據的驗證與分析、系統管理與決策、控制算法的執(zhí)行和控制信息的生成與發(fā)送。在比賽場地中,寬30mm的白線鋪設在綠色場地表面上。綠色和白色材料對光的反射強度不一樣,在入射光相同的條件下,通過測出反射光強,就能分辨出白線。選擇一種顏色(如白色)的高亮度發(fā)光二極管作為光源,反射光靠光敏三極管接收并轉化成電信號。光敏三極管的型號是ST-1KLB,有基極,其接收到的光越強,產生的電流越大,通過串接一個電阻,就可以把這個電流信號轉換成電壓,再通過ADC采樣,就能把模擬電壓轉換成數字信號。這樣,所得到的傳感器的數據就不再是簡單的“0-1”信號,而是一個能反映實際反射光強的數值。圖1中的采樣數據處理、驗證和巡線調整算法都是跟傳感器的布局息息相關的。經過多次論證,我們選擇了簡單的“一”字型布局,把16個接收管(以下簡稱采樣通道)排成一排,與相關處理電路一起布局在一塊電路板(以下簡稱燈板)上,通過ADC采樣部件和多路模擬開關就能得到16個采樣點的采樣數據。2白線的下位機程序由于燈板返回的是AD值,所以只要對燈板的各路采樣通道進行AD采樣,比較它們之間的差別,就可以檢測白線的位置,從而機器人就能識別自己相對于白線的偏離程度。我們的燈板共有16個巡線檢測通道,編號為0～15,處理過程如圖2,在燈板下位機的死循環(huán)中,首先執(zhí)行燈板掃描操作,記錄下各個通道的采樣值;然后對這些采樣值自左向右掃描,找出第一個滿足下面條件的通道p,再自右向左掃描,找出第一個滿足下面條件的通道,式2-1和2-2的實質是找出第一次出現的AD值突出(也即在白線上)的通道,其中的容差接受上位機的設置。這樣,我們約定白線的位置就是燈板下位機程序流程圖所示。下位機計算得到的白線位置值的范圍為0～30,當其等于15時表明白線處在機器人中間位置,機器人與白線之間沒有發(fā)生偏離;當其大于15時表示左偏;當其小于15時表示右偏。位置值離15越遠(即兩者差值的絕對值越大),則表明機器人偏移的幅度越大,通過這個值就可以識別機器人當前偏離白線的狀況。這樣,通過采樣通道間的比較,我們可以有效解決在場地環(huán)境改變時帶來的采樣值基準浮動的問題,從而可以很好地適應場地環(huán)境的變化。3機器人丟失時的滑動度檢驗為了處理上的方便,在上位機中,我們把白線偏離值轉換成有符號數,并減去15。這樣,原來0～30的偏離值范圍變成了-15～15,0表示無偏離,大于0表示左偏,小于0表示右偏,絕對值越大表示偏離的程度越大。由于燈板下位機得到的白線偏離值會存在一定程度的不穩(wěn)定性,尤其是在整個燈板偏離白線(即機器人丟線)時,根據上面算法我們知道燈板下位機此時返回的白線偏離值與無偏離時是一樣的,都是0。這種情況下機器人就會產生誤判,在丟線之后誤以為處于無偏狀態(tài),進而就會作出錯誤的決策。為了解決這個問題,我們汲取計算機網絡中的滑動窗口處理方法,用一個可滑動的窗口來驗證白線偏離值。我們約定白線偏離值用dir表示,上一次的偏離值用priDir表示,滑動窗口以priDir為基準,大小可以設置,驗證過程如圖3所示。圖3(a)中,初始時窗口的基準priDir和dir都置為0,系統對下一次檢測到的dir進行驗證,有兩種情況:(1)如果dir落于窗口內,說明dir有效,滑動窗口的基準更新為dir,實現窗口滑動,如圖3(b)所示;(2)如果dir落于窗口外,說明dir無效,滑動窗口不移動,并對dir賦值為priDir,如圖3(c)所示?？梢钥闯?這種方法的實質是通過窗口來驗證dir的跳變是否有效,如果窗口的大小設置得當,就可以有效解決機器人在丟線時出現的誤判問題。4基于dir的運動方程巡線調整模型可以有很多種,最簡單的就是采用線性調整法,也就是說調整量的大小與dir的大小成正比關系,根據預定的最大調整量和最小調整量以及dir的0～15范圍,我們就可以算出比例系數K。調整量但是,線性調整法并沒有反應真實的情況,因為在機器人偏移幅度較小,即dir的絕對值較小時,需要的調整量較小;當dir絕對值逐漸增大時,調整量應迅速增大,才能使機器人作出迅速的調整動作;當dir的絕對值趨于15時,調整量也趨于一個預定的上限值。顯然,這是一個“S”型增長曲線,符合經典的Logistic模型,其表達式如下:由式(4-3)可知,只需要設定好最大、最小調整量和一個固有增長率r(0～1),就能得到一個調整量變化模型。修改模型十分簡單。假設最大調整量AΔmax為200,最小調整量AΔmin為3(這里不能為0,否則模型中就會出現除0錯誤),固有增長率r從0.1～0.9共取9個值,得到的模型效果如圖4所示。我們根據這些效果曲線,就可以選擇合適的調整量變化模型。5設置了大量的自適應調試工具,在比賽過程中也可能出現一些不明顯利用本文所述處理方法能比較有效地解決光電傳感器的穩(wěn)定性、場地自適應性差的問題,而且通過修改上面提到的容差、滑動窗口大小、調整量上限和固有增長率,我們可以方便快捷地進行機器人的調試工作,尤其利于在機器人走場時快速修正這些參數。當然,上述設計方案也存在一些問題,比如發(fā)光二極管的顏色選擇失策,燈板的布局過于單調等等,再加上我們采用速度開環(huán)控制和無刷電機作為行走驅動,調試和比賽過程中機器人均容易出現問題。機器人是