任务概要

  • 参考文档中 Tutorial – Line Following BubbleRob 部分，学习：
    • 巡线小车任务描述
    • 自定义线路径的添加与编辑
    • 光感巡线小车的简单逻辑与巡线效果
  • 参考文章 Vision Sensors 章节，学习：
    • 视觉传感器的概念
    • 视觉传感器的参数设置
    • 视觉传感器相关 API
  • 学习 PID 算法原理
  • 学习数字图像处理相关知识
  • 在任务1的基础上，调整单目摄像头的角度，使之能够看到地面上的路线
  • 结合小车底盘模型设计合理的 PID 算法，编写脚本实现基于单目图像的巡线功能
    • 调节量是什么？轮速？舵机转角？是调节增量还是位置？
    • 偏差量是什么？左半边跟右半边黑色像素的数量？线中心的位置？斜率？

完成情况

  • 已熟悉巡线小车的任务描述，并熟悉 V-REP 软件的基本使用，如车身与轮子的物理引擎的设计、动力学模型的参数设置、传感器的添加与使用、驱动关节的设计与控制、控制脚本的编写、自定义线路径的添加与编辑等功能，已了解视觉传感器的概念、参数设置和相关 API 。
  • 已学习 PID 算法原理，大致理解 P、PI、PID 控制等方案的异同。
  • 已在任务 1 的基础上，调整单目摄像头的角度，使其能看到地面上的路线，并实现了基于 PID 控制理论的巡线功能。

自定义路线

巡线小车必不可少的就是路径，在 Tutorial – Line Following BubbleRob 有比较详细的介绍。我们在 [Menu bar–>Add–>Path–>Circle type] 添加 path ，打开 Object Movement with the Mouse 开关，这样我们就可以用鼠标控制 path ，然后在左边工具栏打开 Path Edit Mode ，这样我们就可以比较方便调整路径的形状。

最终，我们设计并添加了如下图所示的路径。

传感器

传感器是巡线小车的核心组件,为实现巡线，我们为其添加了 3 个 Vision Sensor ，分别是 MyBot_Left_Sensor、MyBot_Middle_Sensor、MyBot_Right_Sensor。这三个传感器可以在 [Menu bar –> Add –> Vision sensor –> Orthographic type] 添加，并设置角度为 [180;0;0] ，并这三个传感器拖进我们的小车中。值得注意的是，我们需要将这三个传感器设置为 Perspective mode ，并设置分辨率和角度。我们将分辨率设置为 8*8 ，将拍摄角度设置为 45 度。

以下是我们在任务 1 的机器人基础上，添加完 3 个视觉传感器的静态效果图。

工具函数

我们实现了 motor 工具函数，该函数用于两个前进电机的动力设置，其相关代码如下。

我们使用的是 Ackermann 转向运动学模型。根据该运动学模型，车辆在转弯时，其两个转向轮的转向角度是不一致的，但其角度可由数理公式推导而出。为此，我们实现了 steer 转向工具函数，实现两个转向轮能够按照模型进行不同角度的转向。

基于非 PID 的巡线功能实现

我们先实现非 PID 控制的巡线功能，我们的思路很简单：通过在主循环里，我们通过 readVisionSensor 读取视觉传感器的数据，根据左右传感器的数据情况，进行转向；若只有左边的传感器检测到线，则向左转向；若只有右边的传感器检测到线，则向右转向；若左右传感器都检测到线，则直行。

在读取视觉传感器数据之前，我们需要获取传感器实例，具体代码如下。注意到，我们用数组维护传感器实例，这是为了后面，我们能够方便地读取数据。

我们在 Threaded 脚本的主循环中，通过调用 sim.readVisionSensor 获取各传感器的数据，并跟阈值（0.6）进行比较，若小于阈值，则表明已探测到线，否则表明未探测到线。

在获取到数据后，我们即可用其来控制机器人转向的角度：当只有左传感器探测到线时，设置转向角度为左转 30 度；当只有右传感器探测到线时，设置转向角度为右转 30 度；其余情况，设置转向角度为 0 度，即进行直行运动。

点击仿真按钮运行后，我们可以看到小车成功地完成了巡线任务，其运行轨迹鸟瞰图如下。

尽管，我们成功实现了在不使用 PID 控制的条件下，机器人完成巡线任务的任务，但仍是存在问题。我们仔细查看运行轨迹，即可发现存在不少的抖动，这是需要改进的地方。下图是一个典型的轨迹抖动的示例。

P、PI、PID

在实现基于 PID 的巡线功能之前，我们先分析 P、PI、PID 三者的差异。我们先分析一下 PID 三项的关系：

  • 比例控制 P 是主要的控制方法，承担了 PID 控制中的大部分任务。
  • 为了消除比例控制 P 留下的静态偏差，增加了积分控制 I 。
  • 微分控制 D 只为稳定而存在，其稳定效果应该大于积分控制I的失稳效果，在有大量噪音的系统中，不使用微分控制 D 。

P 控制器，是最基本的控制形式，如果输出的结果偏移量或偏差为常量且可接受，则可使用此方法，缺点是存在静态偏差。

PI 控制器，积分控制I能消除比例控制P留下的静态偏差，能够满足不少控制要求，若不存在稳定性问题，则可使用此方法，其优点是良好的阻尼、静态偏移为零，缺点是反应缓慢。

PID 控制器，是一个完整的三项 PID 控制，在使用积分模式造成不稳定时使用，能够减少上升空间、消除静态误差、减少超调。

基于 PID 的巡线功能实现

我们将左右传感器的像素差异作为偏差量，将转向的角度作为调节量，来实现基于 PID 的巡线功能。

我们需要对前面的传感器数据的处理方式进行修改，具体变动如下。

由于我们直接使用左右传感器的像素差异作为偏差量，所以我们需要将 results 设置为传感器原始数据。

首先，我们实现 P 控制器，需要完成比例控制单元。比例单元，就是我们将偏差量乘以比例系数 kp ，得到调节量。经过多次参数的调整，我们将 kp 设定为 50 ，在该设定下，机器人运动轨迹比非 PID 控制的轨迹平稳许多。

随后，我们实现 PI 控制器，需要完成积分控制单元的设计。在积分单元中，我们对偏差量进行累加，得到积分量，将其乘以比例系数 ki ，最后与 P 控制器一同作用于调节量。

在实现完 PI 控制器后，我们需要完成微分单元的设计。我们现在有了比例控制单元，用于纠正当前的误差，有了积分控制单元，用于纠正过去的误差，还需要微分单元，用来及时预测未来，对还未发生的误差进行纠正。

如上图所示，我们得到了 PID 控制器的表达式，虽然形式简单，但其各个部分的比例系数的确定是比较麻烦的，需要反复调整与测试，最终经过我们多次调整，发现 kp=50 、ki=0.01、kd=1 是一组合适的参数。

效果展示

下面是机器人巡线的示意图，详细细节可参考视频：https://www.bilibili.com/video/av68748101

我们可以看到，基于 PID 控制的巡线功能，相比于非 PID 的巡线，其轨迹更为平滑。

存在问题

本次实验，进行得较为顺利，途中虽遇到了很多问题，但最终还是成功解决了。在读取视觉传感器数据时，由于一开始我们并没有对其结果是否存在进行判定，导致运行时出现了 attempt to index global 'data' (a nil value) 的错误，在仔细研究 Tutorial 代码后，我们发现了此问题的根源，并将其解决。

PID 控制部分并未在 Tutorial 中提及，所以一开始时，我们并不知道如何实现，不知道如何下手。反复查看 PPT 和相关资料后，我们搞清楚了“谁是偏差量”和“谁是调节量”这两个核心的问题，后面的 PID 控制代码的编写是水到渠成的。在实验过程中，我们的参数调整，也算是有些坎坷，调整了很多次，但最终也找到了合适的参数组合。