传感与控制-基于单目视觉的智能车速度模糊控制系统
基于单目视觉的智能车速度模糊控制系统
黄剑，方康玲，章政
（武汉科技大学信息与工程学院，武汉，430081）
摘要：针对寻线智能车的行驶速度控制模型难以建立的问题，本文以道路复杂度和转向舵机
的角度偏差为系统输入量，设计了一种基于单目视觉的寻线智能车速度模糊控制系统。运行
结果表明，该智能车系统具有行驶速度快、稳定性好和鲁棒性强等特点。
关键词：移动机器人；寻线智能车；单目视觉；模糊控制
中图分类号:TP336；文献标识码:B
Speed fuzzy-control system of smart vehicle based on monocular Vision
Huang Jian, Fang Kangling , Zhang Zheng
（College of Information Science and Engineering, Wuhan University of Science and
Technology, Wuhan, China, 430081）
Abstract: In view of the modelling difficulty of line-following vehicle’s speed control, this paper
proposes a speed fuzzy-control system of line-following vehicle based on monocular vision. The
input of system is path complication and error of servomotor’s angle. The experiment result is
shown that the system designed has the advantage of high speed, good stability and strong
robustness.
Keywords: Mobile robot; Line-following vehicle; Monocular Vision; Fuzzy control
1.引言
寻线（line-following）机器人是机器人学科中一个历久弥新的研究课题。寻线智能车作
为寻线机器人的一种形式，由于其硬件实现的易行性，更是经常成为各种自主导航和路径规
划研究的平台。
智能车的自主寻线运动依赖于自身的寻线传感器，目前常用的寻线传感器分为非视觉传
感器（如光电传感器，激光传感器）和视觉传感器（如图象传感器）两类。文献[1，2]采用
的引导线检测方法为在车身的前方或下方架设光电管阵列，利用光的调制原理完成对引导线
的检测，此种基于非视觉传感器的检测方法工作原理简单，易于实现，但在实际应用中也存
在着一些不可忽视的缺点，主要有：（1）传感器检测范围有限，检测信号存在着较大的滞后，
在高速和复杂的寻线过程中容易出现振荡甚至失稳。（2）检测点有限，传感器返回的信息比
较离散，直接影响了控制的精度。（3）传感器检测到的信息过于单一，不容易实现智能化的
控制算法。相比之下，视觉传感器接近于人的视觉系统，有效检范围大，图象信息丰富，因
此能够有效的解决上述问题。
寻线移动机器人通常被要求能够在未知环境中自主执行各种任务[3]，在一些高实时性场
合，要求机器人移动准确可靠的同时，对机器人的移动速度也提出了较高的要求。因此，对
移动机器人速度控制问题的研究具有广泛的应用价值。本文以轮式移动机器人为研究对象，
采用图象传感器作为视觉机构，设计了一种基于单目视觉的智能车速度模糊控制系统，该智
能车系统能根据道路的复杂度和自身的行驶姿态，以合理的速度准确稳定的沿着引导线自主
运动。
2.智能车硬件结构及原理
本文设计的智能车采用 FREESCALE 的 S12 单片机为控制器，车体为四轮结构。智能
车采用的图象传感器为 CMOS 黑白摄像头，由支架固定在车身上方。智能车根据摄像头采
集到的道路信息判断引导线和车身的相对位置，若两者之间存在偏差，则控制与前轮轴相连
的舵机进行转向调整，舵机转动关节上连有一个精密的电位器以检测舵机的实际动作角度。
智能车采用直流电机后轮驱动方式，速度反馈由驱动齿轮处的旋转编码器实现，舵机和驱动
电机都以 PWM 方式控制。
3.智能车视觉系统设计
智能车自主导航的前提条件是其能够准确检测出道路中引导线的位置，在本系统中，该
检测任务通过 CMOS 摄像头对道路的图象采集和分析完成。CMOS 摄像头以隔行扫描的方
式每秒输出 50 帧图象，图象数据量比较大。由于引导线特征比较单一，对图象分辨率的要
求不高，在实际应用中，并不需要采集所有的图象数据，可以采用每隔若干行采集一行的不
完全采集方式，这样大大减轻了图象处理的工作量[4]。图 1 为系统通过不完全采集方式得到
的原始图象，分别表示弯道和直道情况。
图 1 系统采集到的原始图象
通常情况下，道路背景颜色和引导线颜色的对比度较大，因此，本文采用简单、高效的
逐行扫描边缘检测算法对引导线进行定位，即对所采集的图象相邻像素灰度值之差的绝对值
进行逐行扫描：若该绝对值大于某一设定阈值，则认为检测到了引导线在该行的边缘并跳转
扫描下一行的图象信息，否则继续扫描直到该行结束。图象中引导线的边缘位置由平面坐标
系第一象限中的坐标表示。
4.智能车速度模糊控制系统
在引导线得到准确定位的基础上，智能车的行驶速度应该尽可能的快，但是由于车身的
位姿由转向机构的动作决定，从而车速也相应的受到转向执行机构响应速度的限制，因此车
速不能过快，否则智能车在寻线过程中极易迷失方向。此外，智能车的运动受道路形式、路
面摩擦系数、机械特性和执行电机性能等各方面因素的影响，具有很强的非线性和复杂性[5]，
因此其速度控制模型很难建立，基于模型的传统控制方法难以奏效。针对上述问题，本文设
计了一种智能车速度模糊控制系统。
4.1 速度模糊控制系统的结构
智能车的速度模糊控制系统采用双控制器串联结构，系统的两个控制器分别控制智能车
速度的给定和调节。速度给定模糊控制器的输入量为舵机的角度偏差和道路复杂度，输出量
为速度调节控制器的给定，速度控制系统的整体结构如图 2 所示，其中 iU 、 0U 、 fU 分别
为智能车速度的给定量，输出量和反馈量。
图 2 速度控制系统结构图
4.2 模糊控制器的输入量
在智能车系统中，舵机的动作有明显的迟滞性，因此，智能车的速度控制需要考虑舵机
的响应程度，在本系统中，该响应程度由舵机的角度偏差反映。相比之下，道路复杂度和车
速之间有直观的映射关系，即道路复杂度越大，智能车的给定速度应该越低。综上所述，本
系统选取道路复杂度和舵机的角度偏差作为模糊控制器的输入变量。
（a）直道 （b）弯道 （c）小‘S’道 （d）大‘S’道
图 3 几种典型路况的模拟图
道路复杂度取决于系统采集的道路图象信息，如图 3 所示，不同类型的道路有不同的特
征，道路的复杂程度应该综合道路引导线的多种特征信息。本文重点考虑了引导线最上端坐
标、引导线平均坐标、引导线有无间断和引导线间断行数等特征，建立道路复杂度模型表达
式如下：
)]_.._._.([ dirlinenbnumedgeaveredgetopMidABSCP γβα ++?= （1）
其中CP 为道路的复杂度， Mid 为图象中轴线的位置坐标， edgetop _ 、 edgeaver _ 分别
为引导线最上端坐标和引导线平均坐标，α 和 β 为位置系数，两者满足 1=+ βα 的关
系, nbnum 为引导线间断行数，γ 为其加权系数， dirline _ 为引导线伸展方向，向左为-1，
向右为 1。舵机的角度偏差为预期的动作角度和实际的动作角度之差，其中预期的动作角度
与引导线相对于车身的偏移量成正比，实际的动作角度由前轮轴上电位器的反馈电压而得。
4.3 速度给定模糊控制器的设计
模糊控制器的两个输入量分别由CP 和 SE 表示，其中道路复杂度CP 的论域为[0，40]，
舵机的角度偏差 SE 的论域为[-30，30]，控制器输出U 的论域设定为[-60，60]。选取 CP 的
模糊子集为{VS，S，M，B，VB}，其含义分别为很小，小，中等，大，很大；选取 SE 的
模糊子集为{NB，NS，Z，PS，PB}，其含义分别为负大，负小，零，正小，正大；选取U
的模糊子集为{NB，NM，NS，Z，PS，PM，PB}，其含义分别为负大，负中，负小，零，
正小，正中，正大。考虑到单片机的处理能力，CP ，SE 和U 的隶属函数均采用线性函数，
各输入、输出变量的隶属函数如图 4 所示。
图 4 道路复杂度CP ，舵机的角度偏差 SE ，给定速度U 的隶属函数
根据人驾驶真实汽车的经验和智能车的实际运动特性，制定模糊控制规则如表 1 所示。
表 1 速度给定模糊规则表
SE
CP NB NS Z PS PB
VS PS PM PB PM PS
S Z PS PM PS Z
M NS Z PS Z NS
B NM NS Z NS NM
VB NB NM NS NM NB
4.4 速度调节控制
经反模糊化后，速度给定模糊控制器输出的给定速度即为速度调节控制器的输入。速度
调节控制的作用是使智能车的实际行驶速度跟随给定速度。本系统在速度调节时采用增量式
数字 PID 控制，其输出量为直流电机 PWM 驱动信号的占空比，智能车的实际行驶速度由旋
转编码器以脉冲数的形式返回。
5.实验结果及分析
为验证速度模糊控制系统的性能，本文将其与目前移动机器人中常用的针对道路中某几
个特征参数进行调档的速度控制方法[2]在同一硬件平台和同一运行场地上进行了 30 次实验
比较，实验结果如表 2 所示。从表中可以看出，由于调档控制系统所采用的控制模型的单一
性和不准确性，其控制的鲁棒性较差，而本文设计的速度模糊控制系统则大幅度的提升了智
能车的行驶速度，并具有良好的鲁棒性。
表 2 实验结果
测试指标 模糊速度控制 三档速度控制 五档速度控制
圆形道（半径 1m）上的平均速度 2.3m/s 1.8m/s 2m/s
道路摩擦系数减半后的失控次数 1 21 10
车身增重 30%后降低的平均速度 0.1m/s 0.3m/s 0.25m/s
6.结论
针对寻线智能车运动速度控制模型难以建立的问题，本文将模糊控制算法应用于寻线智
能车的速度控制，设计了一种基于单目视觉的智能车速度模糊控制系统。实际运行结果表明：
该系统具有速度快、稳定性好和鲁棒性强等优点。本文提出的设计方法和控制思想在各种移
动机器人和车辆自主导航应用中有一定的参考价值。
本文作者创新点：用 CMOS 传感器作为智能车的视觉机构，并以一种新颖的方式将模
糊控制理论应用于智能车的速度控制。
参考文献
[1] 张淑军, 孟庆春, 吴槟, 费云瑞．移动机器人智能寻线导航与策略控制[J]．控制与决
策,2005,20(5):529-532．
[2] 邱寄帆．移动机器人寻线导航系统的设计与实现[J]．微计算机信息，2006, 9-2:201-203．
[3] 冯建农, 柳明．自主移动机器人智能导航研究进展[J]．机器人，1997, 19(6):468—473．
[4] 卓晴, 王琎．基于面阵 CCD 的赛道参数检测方法[J]．电子产品世界,2004,4:141-143．
[5] WIJESOMA W S, KODAGODA K R S. Design of stable fuzzy controllers for an AGV [J].
IEEE International Conference on Intelligent Robots and Systems, 2000, 2:1044-1048.
作者简介：黄剑，(1985-)，男，武汉科技大学信息科学与工程学院，硕士研究生，研究方向
为智能控制.方康玲，(1945-)，女，武汉科技大学信息科学与工程学院，教授，博士生导师，
研究方向为智能控制和过程控制.
Biography: Huang Jian, male, College of Information Science And Engineering, Wuhan
University of Science and Technology, Master; Research direction: intelligent control.Fang
Kangling, female, College of Information Science And Engineering, Wuhan University of Science
And Technology, Professor; Research direction: intelligent control and process control.
通信地址：湖北省武汉青山区武汉科技大学146号信箱 邮 编：430081
传感与控制-基于单目视觉的智能车速度模糊控制系统.pdf
