本文是以第五屆“飛思卡爾”杯全國大學生智能汽車競賽為背景。本屆比賽新增加了電磁組的比賽，在50 cm寬的賽道中心鋪設有直徑0．1～0．3 mm的導線，其中通有20 kHz，100 mA的交變電流。除此之外，在賽道的起跑線處還有永磁鐵標志起跑線的位置。車模要通過自動識別導線所產生的電磁場進行路徑檢測。
    從道路元素來看，賽道一般可以分成直道、轉彎、S道、回環道等形式。在智能車行駛的過程中，為了選擇最佳路徑，減少行駛距離，在轉彎處最好選擇內切，小S彎甚至可以近似的走成直線。但是由于電磁傳感器的局限性，不可能像攝像頭一樣檢測到前方賽道的全貌，這就要求在算法上有所突破。

1 智能車系統的硬件組成
1．1 整體硬件結構介紹
    圖1所示為智能車控制系統的硬件框圖。系統采用飛思卡爾半導體公司的16位微處理器MC9S12XS128作為核心控制芯片，設計最小系統模塊；外圍電路包括路徑檢測模塊，速度檢測模塊，舵機轉向模塊，電機驅動模塊；電源模塊為整個系統提供動力支持。其中速度檢測模塊采用光電編碼器采集信號，并通過微控制器的ECT模塊進行脈沖捕捉計數，測得速度值；電機驅動采用H橋，可實現電機的正反轉及制動。

1．2 電磁傳感器的設計
    根據麥克斯韋電磁場理論，交變電流會在周圍產生交變的電磁場。本智能車選用工字型10 mH電感作為磁場感應傳感器。這類電感體積小，Q值高，具有開放的磁芯，可以靈敏的感應周圍交變的磁場，產生響應感應電動勢。圖2所示為路徑檢測模塊電路圖，這里只為其中的一路。

    電路中L1為10 mH電感；C4為6．8 nF的諧振電容，實現20 kHz信號的選頻電路；Vout為感應電動勢輸出端。傳感器模塊伸出車體約10 cm，距離地面8 cm。
    由畢奧-薩伐爾定律知，通有穩恒電流的直導線周圍會產生磁場，感應磁場分布是以導線為軸的一系列同心圓。圓上磁場強度大小相同，并隨著距離導線的徑增加成反比下降。
    通電導線周圍的磁場是一個矢量場。在本設計中，根據法拉第電磁感應定律，感應電動勢可近似為：。k為比例系數，與線圈擺放方法、線圈面積和一些物理常量有關。感應電動勢的方向可用楞次定律來確定。對于放置在導線上方h處，與導線水平距離為x的線圈中產生的感應電動勢的大小與成正比。θ是傳感器所在平面與導線的夾角。
    圖3所示為車模與賽道位置示意圖，車體前部即為路徑檢測模塊。α為車體相對于導線的偏移角度，d為車體相對于導線的偏離距離(垂直與車體中心線的橫向距離)。在車模行駛的過程中，每個電感線圈距離導線的距離不同，夾角也不同，因此輸出的感應電動勢大小不同。

    圖4所示為本設計中電磁傳感器的布局。每兩個軸線相互垂直的電感作為一組傳感器，水平放置。

    設每組傳感器中，前端電感輸出的感應電動勢為Ey，后端電感輸出的感應電動勢為Ex，則：
    1)對于1號位的兩個電感，計算，可求得電感所處磁場的導線方向，即車體相對于導線的偏移角度α；
    2)2，3號位的電感同車體中心線成45°夾角，用來確定α值的正負，即導線所處的象限。當2號位檢測到的磁場強度明顯大于3號位時，以2號位前后兩個電感的電動勢之比作為方向的參考：當時，α為負(導線處于第二，四象限)，時，α為正(導線處于第一，三象限)；3號位的判別方法與之相反。
    3)計算1號位前后兩個電感感應電動勢平方和之根，再乘以比例系數λ，得到，即為車體偏離導線的距離。
    4)4，5號位的電感用來輔助判斷d值的正負(左為負，右為正)，方法同導線方向的判別類似。
    由于實際賽道中磁導線的電流在50～100 mA之間，因此每次上電智能車都要有一個15 s的自學習的過程：將車體貼近賽道做左右擺動(不超出賽道范圍)，檢測出不同的車體姿態下電感感應電動勢的極值，并由此確定值。實驗測得傳感器模塊距離的檢測精度為1．5 cm，角度的檢測誤差在±5°范圍內，前瞻距離可達到25 cm。實驗的結果表明，這樣的傳感器布局對于導線的檢測是比較準確的，而且它可以預測出導線的方向趨勢，便于前瞻性控制算法的設計。

2 整體控制系統的設計
    智能車的控制結構是以微處理器為核心。電機控制量、電機轉速和速度檢測構成一個閉環，該閉環的輸入為路徑檢測后微處理器給定的速度值，輸出控制后輪驅動；舵機控制量構成一個控制系統通道，其輸入為徽處理器給定的轉角值，輸出控制前輪轉向：最后以運動軌跡作為路徑檢測反饋控制器的輸入，其與導線比較確定車體姿態從而構成一個大的閉環控制系統。智能車的控制系統框圖如圖5所示。

3 轉向控制算法的設計
    對舵機的控制，要保證在任何情況下，總能給舵機一個合適的偏移量，保證小車能始終連貫地沿導引線行駛，防止出現大的抖動。
    舵機轉向是一個雙輸入單輸出的控制器：輸入量為偏移角度α及偏離距離d，輸出量為舵機的給定值。通過實驗得出，系統可以依靠單個輸入量來完成控制的舵機，譬如以偏移角度α作為輸入，不考慮偏離距離d的作用。這種情況下系統雖然能夠運行，但是控制的精度及響應速度較低。同樣，在僅依靠偏離距離d的時候，系統的穩定性較差，會出現比較明顯的抖動。因此，需要綜合分析這兩個輸入量之間的耦合關系，實現更為精確的控制。
3．1 基于模糊控制的變參數PD控制器
    基于模糊控制的PID參數整定就是將模糊理論應用到PID 3個參數的整定中，將模糊理論與PID控制結合起來，構成一個模糊PID控制器。本設計去掉了PID中的積分環節，采用基于模糊控制的變參數PD控制器。因積分環節主要是用于消除靜態誤差，相對于干擾較大舵機控制來說，它的作用并不明顯，反而會降低響應速度。變參數PD控制器的結構如圖6所示。圖中：rin為系統的輸入；yout為系統的輸出；error為系統輸入與輸出的差；ec為誤差的變化率。

    為了實現變參數PD控制，算法引入了兩個新的變量：偏移角度的變化率△α和偏移距離的變化率△d。
3．2 模糊控制規則及參數的整定
    在模糊控制中取誤差α(或d)和誤差變化率△α(或△d)為輸入語言變量，以構成一個二維模糊控制器，每個語言變量取負大(NB)、負中(NM)、負小(NS)、零(Z)、正小(PS)、正中(PM)、正大(PB)七個語言值。根據各模糊子集的隸屬度賦值表和各參數模糊控制模型，建立轉向模糊規則表。
    參數的調整就是尋求Kp、KD與△α、△d之間的關系。智能車在運行中不斷檢測α、d和△α、△d，然后查詢模糊規則表選擇合適的Kp、KD參數進行控制。實際控制中，當△α，△d增大時，表明車體有偏離導線的趨向，這時候增加Kp、KD，阻止車體的繼續偏離；當△α，△d減小時，表明車體正逐漸趨近于導線，這時候就要減小Kp、KD。
    設計中，系統首先采用基于模糊控制的變參數PD控制器分別實現單個輸入量下的控制量輸出，然后實驗得出的線性耦合關系將兩個輸出量耦合為一個量控制舵機。
    圖7所示為轉向控制算法框圖。UA為純偏移角度控制時舵機的給定量，UL為純偏離距離控制時舵機的給定量，SG為最終的舵機給定量。通過實驗得到的耦合關系為：SG=0．6UA+0．4UL。這時的舵機響應速度快，直道的跟蹤效果很好，通過彎道時可以看到比較明顯的內切。

4 速度控制算法的設計
    智能車要完成起動、加速、減速、制動等動作。直線行走、拐彎和停車時要求不同的車速，因此速度必須采用閉環控制。智能車的速度與轉向是兩個獨立的被控量，但它們都是根據偏移角度α及偏離距離d來確定輸出給定量的。
    根據智能車速度控制的特點，設計采用了變結構控制方法。變結構系統是指在控制過程(活瞬態過程)中，系統結構(或叫模型)可發生變化的系統。變結構控制對加給系統的攝動和干擾有良好的白適應性。對于車速的控制，當偏差較小時，采用PID控制，提高穩態精度；當偏差較大時，采用PD控制，以便加快響應速度；當偏差大于可調節范圍時，采用Bang-Bang控制。圖8所示為速度控制算法框圖。

    不同的偏移角α及偏離距離d通過查詢速度模糊規則表得到給定速度等級V。系統實時檢測電機的實際速度值，同當前的設定值做比較，根據誤差范圍的不同分別采用PID控制、PD控制和Bang-Bang控制。當速度誤差在±5％時采用PID控制；當速度誤差在±5％～±10％時采用PD控制；當速度誤差大于±10％時采用Bang-Bang控制。

5 結論
    基于電磁傳感器的智能車的設計，可以檢測出車模相對于導線的偏移角度α及偏離距離d，并以此作為控制的輸入量。通過變參數的PD控制和變結構控制分別實現舵機和電機的精確控制。整體調試后車模速度由傳統控制方法下的1．8 m／s提高到目前的2．3 m／s，轉彎處可以看到比較明顯的內切。實驗結果表明，這種控制方法相對于單一的PID控制具有響應時間快，穩態性能好，抗干擾能力強的特點。