【智能车学习】电磁车算法优化总结

前言

随着省赛的落幕，近一年的智能车的生涯也就此画上了句号，虽然结果没有那么耀眼，但也算对得起三个大一萌新这么久以来不分昼夜所付出的心血。
在此我想对电磁车中的算法和赛场上一些的状况作进一步总结，也算是给自己一个交代。

电感排布方案

我们知道，电感的基本排布分为水平，竖直和八字几种方案，而电感摆放位置的不同，可能会影响车体循迹的姿态。
通过实测我们发现：水平电感有助于直道循迹，八字电感，则有赛车助于过弯，竖直电感在普通赛道上值几乎很小，只有在某些特殊元素（如环岛）才会突增。
我们采用的是水平和八字电感共同循迹的方式，即在左右两端分别放上八字和水平电感，在电磁杆的中间和靠近赛车的中心位置各放置一个水平电感，用于特殊元素判断。具体排布可参考下图。
另外，为了更精确的采集赛道电磁值以至于不失真，需将电磁前瞻的高度稍微降低。

舵机算法修正

基本的舵机控制算法在上篇文章中已经提过，这里对其部分优化方案进行说明。

分段式PD算法

而在PD参数中，P参数控制响应速度，D参数消除稳差，那么可以想到，如果全局使用同一个PD参数，则会出现无法控制既在直道上平稳运行，又能很好的过各种弯道的局面。这时候就需要我们对PD参数进行分段控制。
而由于电磁车只能依靠电感传回的电磁信号判断赛道路况，所以可以将左右两边的电感值差作为分段控制的依据。
具体代码如下：

    /* * * 分段PD * * */
    if(backup<=15)    angle_P=60;
    else              angle_P=95;

其中backup即为左右电感求得的偏差值，backup的值可以根据具体赛道及电感情况进行缩放处理。

使用函数曲线整定PD参数

上述的分段PD的办法是对其参数进行直接赋值，这种方法虽然可行，却不能达到很好的连续性效果，对此可以想到一种函数曲线的方法，将P的值关联backup，利用函数曲线对P值进行输出，从而更好的控制赛车在各个赛道元素上行驶的状态。
以下提供两种方案：

    /* * * 舵机算法1 * * */
    if(backup<=15)    angle_P=63+backup*2;
    if(15<backup<22)  angle_P=33+backup*4;
    if(22<backup<=30) angle_P=backup*5.5;

	int k;
	angle_P=22+(int)(n*n*k);

电机控制

目标速度的确定

上篇文章的末尾提到了目标速度的确定，由于不同路况赛车的最高速度不同，需要对不同路况分别设置目标速度，具体代码如下：

	set_speed_L=90+(int)((30-backup)*1.2);   //弯道最低+直道加速

差速控制算法

利用舵机控制赛车转向的同时，我们也可以利用差速对其进行辅助。同样根据backup的值对赛道路况进行判断，分别控制对赛车的两个轮子进行控制，达到差速的效果。程序设计上可以将上述set_speed_L计算公式中的90改为动态的bend_L/bend_R，再在具体bend_L/bend_R的计算中控制差速。
具体代码如下：

      bend_L=(int)(90*cs_L);
      bend_R=(int)(90*cs_R);

      set_speed_L=bend_L+(int)((30-backup)*1.2);    
      set_speed_R=bend_R+(int)