摘要：

針對智能小車在轉向尤其是急彎時陀螺儀傳感器輸出的瞬態信號變化很快，因自身結構和工藝限制而帶來的信號測不全、抓不好的問題，設計了一種以STM32轉彎控制芯片和FPGA為一次儀表特性改善單元控制核心的驗證方法。測試結果表明，該系統在對轉彎信號采集、放大后通過級聯特性改善模塊可以有效地改善傳統轉彎下的動態特性，提高急彎下對實時信號處理的精度。

0 引言

谷歌旗下波士頓動力公司最新發布的名為Handle的輪式機器人能力拔高到新的高度，事實上這種智慧型機器人搭載了多種諸如傳感采集模塊、環境探測以及人機交互模塊等。路況不一樣造成不同彎道的曲率不同，如何在急轉彎的情況下保持精準的感知與采存處理一直是研究的焦點所在[1]。

智能小車的轉彎控制是一個復雜的控制過程，要建立相應的數學模型，單單選用經典的PID算法不夠精準，很難做到精確測量和估計。因此，本文提出在傳遞函數后面串聯一個動態測試修正模塊[2-4]。

1 智能車彎道設計背景

智能車要想在急轉彎路況下繼續保持穩定、快速、安全的行駛，主要體現小車在運動控制上是否可以即時地進行監測和反饋。由于被測小車所處周邊的環境復雜多變，采光條件、路面溫度、自身結構產生的相對運動差以及摩擦系數都會引起智能車所帶來的參數變動和毛刺現象甚至是檢測盲區[5-6]。考慮到小車單方面在轉彎控制下定制控制策略會使整體運行過程的穩定性、及時性出現偏差以至于沖出跑道，針對復雜多變的環境，綜合得出一個合理控制策略補償模塊，使小車在彎道環境下既能保持采集的信號可靠、穩定，又能快速、高效、準確地在彎道上進行調姿與控制[7]。

2 系統硬件

2.1 主控制器模塊

本系統采用的主控制器是意法半導體(ST)公司設計的基于Cortex-M3內核架構的STM32F107嵌入式芯片，該芯片擁有高性能、低功耗、實時應用、高性價比等優點。該芯片嵌入了256 KB Flash、64 KB SRAM以及各種外設接口(I2C、SPI、USART、CAN、USB、定時器、DMA控制器、ADC、PWM)，支持JTAG和SWD調試接口，主頻最高可達72 MHz[8]。該芯片豐富的片內資源和片上外設、精準高效的計算能力使得其十分符合系統要求。

2.2 電源管理模塊

系統總的供電電源為12 V鋰電池，電機驅動芯片采用TB6612FNG芯片，系統電壓經LM2596T開關壓降轉換器轉換為5 V，再通過線性恒壓模塊AMS1117輸出為3.3 V，通過轉換芯片轉換為5 V和3.3 V后提供給系統的各個模塊使用。電源電路圖如圖1所示。

2.3 姿態傳感器電路設計模塊

本系統采用的MPU6050是一個6軸傳感器芯片，內部集成了3軸陀螺儀、3軸加速度計和1個可擴展的數字運動處理器DMP，3個16位ADC通道將加速度計和陀螺儀測得的模擬信號轉換為數字信號進行輸出，保障了測量數據的輸出精度。用戶可以根據實際需要控制傳感器的范圍，可準確追蹤小車姿態變化。MPU6050通過自帶的DMP編程實現自動對加速度計、陀螺儀數據進行處理，減少了主控芯片STM32的計算負擔[9]。主芯片和MPU6050傳感器電路連接圖如圖2所示，MPU6050傳感器通過傳輸速率較高的I2C總線和主芯片進行通信。

2.4 電機驅動模塊

直流電機具有轉矩大、負載性好、響應速度快、運動平穩、噪聲小等優點，使得直流電機在移動機器人領域中的應用越來越廣泛[10-11]，最常見的驅動方式是通過改變脈沖序列的周期和占空比來對電機電壓進行控制。本系統電機驅動芯片采用TB6612FNG[12]，具有雙通道輸出，比L298N效率更高，發熱量更低，4種電機控制模式：正轉、反轉、制動、停止，通過STM32F107輸出PWM脈沖信號調整電機轉速。電機驅動模塊原理圖如圖3所示。

3 算法優化

在系統轉彎時由于蘊含非常豐富的高頻分量，導致被測信號變化速度特別快。雖然陀螺儀動態響應可以滿足快速變化，但容易積累誤差。若想調理和改善傳感器的輸出信號，可以在微處理器檢測系統中借鑒選用信號處理的方法實時跟蹤一次儀表的動態特性。在含有動態特性級聯改善模塊的檢測系統中采用信號補償修正的方法實時接收感知端輸出的模擬信號并加以分析處理，在某種程度上延長中間端的幅頻特性有效段，增加了對小車系統的有效調理率。

基于如上原理設計一個可以與陀螺儀串聯的改善一次儀表瞬態特性的網絡，使一次儀表匹配該改善算法網絡得到的幅頻特性比未經處理時的平坦段延長一些。修正思路如圖4所示。

一個標準已知轉彎輸入信號由于陀螺儀有效帶寬頻率部分提取不夠而產生頻譜輸出失真，為此在測控電路模塊增加變形信號級聯動態特性改善網絡，然后通過特定的參數優化輸出靠近一次儀表逆模型，從而中和原信號的偏移量達到修正目的。原一次儀表輸出的拉普拉斯變換與輸入的拉普拉斯變換比H(s)級聯一個延長可測線性段的動態特性模塊F(s)，模塊總體的新傳遞函數為：

補償原理如圖5所示。

一次儀表瞬態改善網絡結合模糊神經輸出與一次儀表瞬態校準信號理論輸入差值e(n)，實現模糊神經自適應優化。

標準一次儀表瞬態信號用q(n)表示，需改善的一次儀表瞬態輸出用X(n)表示，模糊神經網絡的輸出P(n)的階數設為k，則輸出為：

根據模糊函數在上位機訓練得出的最優值，對于本模糊神經網絡的隸屬函數矩陣，k=12，m=12。w為矩陣U的列向量由U中元素組合：

圖6為構造改良的補償網路流程圖。

一次儀表最典型的是近似為有一個二階系統，其傳遞函數可表示為：

在MATLAB平臺上,用數據訓練傳感器300次后可得一次儀表動態特性改善前后時域響應。為了更好地檢測一次儀表對各個單元頻率分量的響應輸出,可采用跟蹤掃描法獲取調理前后模塊的動態特性，從而得出系統的幅頻特性，如圖7所示，其中w為被測信號頻率，wo為固有頻率，頻率比在0.3以內有良好的測量精度。

4 結論

本文研究了升級版智能車快速轉彎的模糊自適應PID控制算法[13]，該算法改進了傳統彎道快速行駛易翻倒的情況。仿真結果表明，增加補償模塊的新算法可以進行有效地維持轉彎姿態，總體上精度高于傳統單一的模糊PID算法。如何進一步對微小姿態進行修正是下一步研究的重點。