速电动汽车智能驾驶系统研发

ABSTRACT
In recent years, the automobile industry has developed rapidly and the car ownership has increased year by year. While the popularity of automobiles brings convenience to human beings, it also causes energy consumption, environmental pollution, traffic congestion and a large number of traffic accidents. Investigate its reason, the energy loss and environmental pollution are caused by the increase of the number of cars, the increase of internal combustion engine consumption, the increase of vehicle exhaust emissions and the increase of noise; traffic accidents are caused by the reasons of drunk driving, the irregular operation of drivers, the untimely handling of information by drivers and so on, which bring safety to people's lives and property. There is a great threat. In order to reduce energy consumption, reduce pollution and minimize the instability of human operation, people are increasingly inclined to the research and application of intelligent electric vehicles.
Compared with traditional cars, smart electric vehicles have no pollution, freeing drivers from cars is not only conducive to human physical and mental health, but also more convenient for human travel.
This paper combines the development trend of modern society, according to the relevant design requirements and market demand analysis of small low-speed electric vehicle, redesigns the driving system of the original electric vehicle, and finally designs an intelligent driving system of low-speed electric vehicle. The intelligent driving system mainly includes environment perception system, intelligent steering subsystem, brake subsystem, acceleration subsystem, industrial computer and PLC control system. For the environmental perception system, this design uses binocular stereo vision technology and multi-threading technology to control two Basler CCD cameras to achieve synchronous shooting of road environment, obtains the three-dimensional information of the target object through the principle of binocular vision measurement and related algorithms in the system, and realizes the dual-target positioning and image preprocessing through MATLAB software. Operation; Intelligent steering control method based on model predictive control is designed to achieve intelligent steering control; industrial computer and PLC control the optimal braking parameters of ''brake

第1章绪论
1.1课题研究背景及意义
随着科技的发展，人们的各方面条件也都得到了极大提高，同时人们交通出 行结构也发生了根本变化，汽车逐渐成为人们生活中的主流交通工具^[1_^2]。根据我 国公安部交管局公布的近几年全国机动车和驾驶人数据，2015年底，全国机动车 保有量达2.79亿辆，其中汽车有1.72亿辆，汽车占有率为61.65%，但根据最新统 计数据，截至到2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆； 在汽车保有量中，私家车保有量为1.98亿辆，汽车占有率上升到73.53%，由以上 具体数据可知，2019年比2015年汽车增加0.78亿辆，相比于2015年汽车数量增 长了 45.35%，汽车在人们生活中所占的比重越来越大，人们对汽车的依赖越来越 强，汽车给人们的生活带来了极大的方便。但人们在感到高兴的同时也面临着汽 车增长带来的诸多问题^[3]:
(1) 能源的过度使用和环境污染问题。一般汽车都由内燃机提供动力支持， 汽车流通量越大，石油能源消耗越严重，尤其是近几年来汽车的爆炸增长致使我 国石油能源越来越匮乏。汽车在运行过程中会产生尾气污染、噪声污染以及热辐 射污染等，汽车尾气中包括一氧化碳、氮氢化合物等有害物质，会严重损害人们 的身心健康^[4_^5]。为了更好的解决这些问题，越来越多的汽车公司、高校等部门开 始致力于新能源汽车的研究^[6]。新能源汽车包括纯电动汽车、混合动力汽车、氢能 源动力汽车以及太阳能汽车等无污染的新型环保汽车，根据我国公安部交管局公 布的最新统计数据，到2019年底，全国新能源汽车拥有量达到了 344万辆，占汽 车总数量的1.37%，比去年增加了 83万辆，其中纯电动汽车有281万辆，占新能 源汽车总数量的81.74%。相比较之下，在新能源汽车中纯电动汽车更具发展前景
P-8]
O
(2) 随着汽车数量的增加，伴随着越来越多的交通事故的产生^[9]。人们乘车 出行时，由于天气、驾驶员操作不当、驾驶员反应迟钝、酒驾等原因，使得交通 事故频频发生，在给人们带来财产损失的同时，也给人们的生命安全带来了极大 威胁^[1()]。通过统计分析，一个正常驾驶员在驾驶时虽然需要视野开阔，但也很难 感知到行车时车周围所有的行车信息；一位正常驾驶员大脑一般只能同时处理30 到100个交通信息，遇到复杂路况，无法同时顾及所有情况。但智能驾驶汽车则

不同，相比于人类驾驶员而言，它有着独特的优势。一个技术成熟的智能驾驶汽 车可以在车的四周安装多个传感器，同时感知车360度的交通信息，并且中央处 理器可以同时处理3000个以上的交通信息，无论是感知范围还是处理信息的能力 都是人类驾驶员无法企及的。所以，相比较而言，智能驾驶汽车无疑是更安全， 更可靠，有着更广阔的发展空间。
(3) 汽车数量增多，交通拥挤越来越严重^[11]。一个交通事故的产生可能为后 续的行车带来很多不便；人类驾驶员行车时是有反应时间的，例如在十字路口驾 驶员不知道交通指示灯是否会变成红灯时，就需要减慢速度，而后的车则必须被 迫减速；另一种情况是交通路口红灯变成绿灯时，驾驶员需要慢慢加速，后一个 驾驶员看到前一个车辆加速前进他才加速启动，以上三种情况都会造成交通拥堵， 降低交通效率。但若是智能驾驶汽车，会大大减少交通事故的产生；另外在交通 路口，当它预先知道不会变成红灯时，那就可以快速通过；另一种情况是当红灯 变成绿灯时，智能驾驶汽车可以同时启动，减少了驾驶反应时间。通过相关人员 统计分析，完全无人驾驶时人们的交通效率会提高百分之四十五左右。
通过分析，智能驾驶电动汽车结合了纯电动汽车和智能汽车二者的优点，相 比于传统汽车，更加环保，提高了交通效率，最大程度的保障了人们的生命财产 安全，更加具有优势和发展潜力^[12]。智能驾驶电动汽车也是当今汽车行业发展的 必然趋势，本文通过参考国内外相关文献，设计了自己低速电动汽车智能驾驶系 统。该智能驾驶系统主要包括环境感知系统、转向子系统、刹车子系统、加速子 系统以及PLC控制系统。采用双目立体视觉技术和多线程技术进行环境感知，通 过设计压力反馈感知人员操作，利用西门子S7200 PLC控制器实现系统控制和人 机操作切换。为智能车的研究和发展做出自己的努力。
1.2智能车辆国内外研究现状
1.2.1国外研究现状
(1) 美国的智能车
对智能汽车的研究西方发达国家相对起步较早，世界上第一辆智能车是由美 国Barret Electronies公司于1950年制造的，该智能车被命名为AGVS，通过加装 传感器和相关控制算法控制智能车在预定轨道上行驶。虽然此时的智能车智能化 水平还很低，但人们己经意识到智能车在未来社会发展中的价值。在20世纪80 年代，由美国的Carnegie Mellon大学研究的NavLab系列智能车控制系统已经比 较完善，该车可通过传感器实时釆集环境信息，控制器可以对采集的信息进行识 别处理并进行评估整合，最终制定合理的输出结果。其中NavLab-1智能车和 NavLab-5智能车经过不断测试和完善，最终NavLab-1智能车在当时最高车速能够 达到88km/h，而NavLab-5智能车经过上万公里的行程实验，平均速度己经达到 102.72km/h，并且在行驶过程中该车控制器能够实现自主控制，智能化水平很高。
如今Google的智能车在世界范围内都是十分先进的，如图1-1所不，在1997 年到2002年Google公司开始致力于智能车的研究。人工驾驶过程中积累了大量 的信息，通过积累前人经验，Google公司在研究过程中实现了智能车辆的自主驾 驶。目前Google智能驾驶汽车已经行驶超过30万英里，Google智能汽车通过安 装摄像头以实时采集周围环境的三维图像，检测周围事物的运行规律，做出判断、 预测以及决策；雷达系统可以跟踪周围物体，检测汽车盲点；车道保持系统，在 驾驶过程中，如果摄像机等传感装置感知到汽车偏离预定轨道，会通过震动方向 盘来提醒驾驶人员；通过红外摄像头来达到夜视辅助效果；除此之外还有GPS惯 性导航系统、车轮角度编码器、激光测距仪等传感器，能够协调辅助智能车达到 安全驾驶的目的^[13]。
 
图1-1 Google智能车 Fig. 1-1 Google Smart Car
 
(2) 英国的ULTra智能车
英国的ULTra智能车由英国的布里斯托大学研制成功，如图1-2所示，在2010 年应用于希斯罗机场，可以用于运载客人，十分方便。该车己经不再以汽油为燃 料，转而以电池为主要动力，没有污染，且整个运行过程十分安静，为乘客创造 了舒适的乘车环境；该车操作简单，乘客只需通过按钮输入目的地即可，ULTra 智能车在行驶过程中面对复杂路况可以实现自主变速、刹车以及躲避障碍物等功 能，安全可靠。到达目的地后，人可自行离开，ULTra智能车会停在原地，直到下 一条呼叫指令。
 
图1-2英国ULTra智能车 Fig. 1-2 UK ULTra Smart Car
 
(3) 德国“shelley”智能车
“ shelley ”智能车是由德国汉堡一家公司通过对一辆轿车进行智能化改造研发 成功的，如图1-3所示。Shelley的优点在于可以应对诸多复杂路况，其安装有智 能计算机、全球定位仪，在车的前后位置安装有激光摄像机和各种其它传感器。 “shelley”智能车通过路面导航系统和全球定位仪来构建三维地图，另外，内部有 识别各种道路交通标志的算法，在行驶过程中遵守交通规则，且该车能够根据不 同路况实现紧急刹车、加速等功能，提高了其智能化水平。
 
图1-3奥迪TT-S双门轿跑改造的智能车shelley Fig. 1-3 Intelligent Car Sheley of Audi TT-S Double-door Car
 
1.2.2国内研究现状
相对于西方的一些发达国家，我国对智能驾驶汽车的研宄起步较晚，科研条 件和科研水平与一些发达国家都有一定差距^[14_^15]。但随着我国改革开放，与世界
增进信息交流，逐渐意识到智能车在未来社会对军事、生活以及工业生产的作用， 是机遇也是挑战。我国在20世纪80年代开始真正致力于智能驾驶汽车的研究和 发展，并加大科研资金以及科研人员的投入，将智能驾驶汽车作为我国未来汽车 行业的发展方向。在我国863计划中，将遥控驾驶智能移动平台研究立项，各个 企业、高校以及一些科研部门积极投入到智能驾驶汽车的研究当中。经过我国诸 多科研团队、科研人员的不懈努力，克服各种困难，也研制成功了许多具有代表 性的智能驾驶汽车。
(1) 红旗HQ3智能车
我国的第一辆真正意义上的无人车是由国防科技大学在1992年研制的，如图 1-4所示，红旗HQ3无人车完成从长沙到武汉286公里的高速全程无人驾驶实验 于2011年7月14日首次完成，在研发过程中对其可靠性、小型化等各方面都进 行了改进突破，标志着我国无人驾驶达到世界先进水平。国防科技大学自主研制 的无人车在全部实验过程中对超车、雨天、雾天等不同路况下都进行了多次检查 实验，全程平均速度为87km/h，仅在特殊路况进行人工干预，占总程的0.78%。
 
图1-4红旗HQ3智能车 Fig. 1-4 Red Flag HQ3 Smart Car
 
(2) Smart系列智能车
Smart-V智能车是由武汉大学和奇瑞公司在2010年9月底研制成功的，并 在光谷园区内上路实验，随后在全国“2010智能车未来挑战赛”中夺得越野项目 第一名，该车对原车进行了全方位的改装，包括转向、刹车、油门、换挡等各系 统都可通过计算机实现自动控制，同时该车通过一个开关盒的切换开关实现人工 驾驶和自动驾驶的随意切换。另外设置有“手刹”，通过一个急停按钮实现紧急刹 车，同时在该车的前部横排支架上安装有一个摄像机，车后安装有两台相机辅助 感知周围环境，车顶安装有三维激光扫描仪，但该车整体设计相对比较复杂，成

本相对较高，价值大概170万人民币。随后几年经不断改进，研制出最新的 Smart-VII智能车，如图1-5所示。
 
图1-5武汉大学最新智能车smart-VII
Fig. 1-5 The latest smart-VII of Wuhan University
 
(3) THMR-V智能车
清华大学自1986年以来，一直致力于智能技术的研究，可以说清华大学智能 驾驶技术己经比较成熟，THMR-V智能车是由清华大学何克忠教授带领团队研发 成功的，该智能车综合了多方技术优点，取长补短，安全可靠。该车在智能车车 速上做出了重大突破，最高时速可达150公里，这在技术上就要求传感器感知系 统强大，定位精确，反应灵敏。另外该团队对车道线识别技术做了大量研究实验， 最终提出了基于扩充转移网络的道路理解技术，另外对系统的信息处理算法做了 优化，大大减小了计算量，整个处理周期不足20毫秒，保证了智能驾驶的实时性 要求。
(4) 百度Apollo智能车
百度Apollo智能车处于我国智能车领域的先进行列，如图1-6所示。百度 Apollo于2017年4月19日向整个汽车行业提供了一个开放、系统、安全可靠的 软件开发平台，我国很多无人车研究者可以借以参考，从而在此基础上学习、开 发并搭建自己的智能车硬软件系统，百度Apollo为我国的汽车行业做出了卓越贡 献。2018年2月15日，Apollo无人车亮相2018年中央电视台春节联欢晚会广东 珠海分会场，在春晚直播中，百余辆无人车跨越港珠澳大桥。百度Apollo在我国 智能车领域做出了重大突破，迈出了我国智能车关键技术的重要一步。百度Apollo 也是全世界范围内关于无人驾驶中智能驾驶技术的首次系统性开放。
 
图1-6 Apollo智能车 Fig. 1-6 Apollo Smart Car
 
综合以上国内外高校、公司以及有关部门对智能车研究的现状和己经取得的 成果，可知各个国家都在致力于智能驾驶汽车的研究，人类正在向更高级的人工 智能不断迈进，是机遇也是挑战。中国是一个发展中大国，我国在诸多行业中都 有着自己的优势，同时也希望在汽车行业新一轮的竞争中能有自己的一席之地。
对于高度自动化电动汽车的智能驾驶系统是非常复杂的，其研究条件也十分 苛刻，相比较而言，低速电动智能驾驶汽车成本较低，更容易实验、推广应用。 本文针对低速电动汽车设计智能驾驶系统，选用的车型也是环保无污染的小型电 动汽车。
1.3低速电动汽车市场分析
近些年来，环境污染越来越严重，国家和人民保护环境的意识都在逐渐增强， 对于较短程的出行，很多人宁愿不选择汽车出行，人们更需要一种小型、舒适、 方便的代步工具，所以市场上电动汽车逐年增多，对于短途出行、接送孩子上下 学等，相比较一般汽车，电动汽车基本无污染，出行更加灵活，续航充足，显得 更加适用；另外对于短途快递运输、旅游观光、无人巡逻、车道清洁、车间货物 搬运等，低速电动汽车显然也有着更广阔的应用前景^[16_^17]。
通过查阅资料，低速电动汽车也开始“微型化”，逐渐摆脱低端的“屌丝”形 象。更多权威人士认为未来两种产品形态将会趋于统一，现有铅酸类低速代步车 产品将逐渐升级为锂电池微型电动汽车。
低速电动汽车是指速度低于70km/h的简易四轮纯电动汽车。一般最高速度为 70km/h，而外形、结构、性能与燃油汽车类似。目前在山东、河北等地，此类低 速电动汽车一般用铅酸电池作为驱动，且市场需求巨大^[1849]。据统计，2015年全 国新能源乘用车产量200万辆，仅山东省低速车产量就超过30万辆，全国低速车 产量预计在65万辆。其中超过95%的低速电动车动力电池为铅酸电池，锂电类低 速车占比不到5%。
微型低速电动车一直缺乏统一的行业标准，企业产品性能参差不齐，在国内 某些区域呈现自发成长与发展的状态，面临着管理空白、安全隐患突出等制约产 品规范化的困境。
2015年下半年以来，低速电动汽车被解禁的消息逐渐被业内提及探讨。政策 及标准在地方层面已有出台及实施。截至目前，我国己有14省市出台27个为低 速电动汽车“解禁”的政策，具体见表1-1。
表1-1典型地方政府低速电动汽车相关政策
Table 1-1 Typical Local Government Policies on Low Speed Electric Vehicles
城市 主要内各
~~纯电动汽车最高速度不超过50km/h，行程大于等于70km，有C4牌照和电动汽
车单独牌照，行驶公路标准不超过一级。
淄博 纯电动汽车最高速度不超过70km/h，行程大于等于70km，有C3牌照和电动汽
车单独牌照，行驶公路标准不超过一级。
大丰 纯电动汽车最高速度不超过60km/h，行程大于等于70km，有C3牌照和电动汽
车单独牌照，行驶公路标准不超过一级。
阜阳 驾驶员必须有机动车驾照，电动汽车有单独牌照，行驶公路标准不超过一级。
2016年以来，微型低速汽车“解禁”的探讨一直在行业内进行。4月14日， 国家标准化管理委员会在其网站上对2016年第一批拟立项国家标准项目公开征求 意见。《四轮低速电动乘用车技术条件》成为第一批拟立项项目。2016年10月28 日，国家标准委下达2016年第三批国家标准制修订计划的通知，本批计划制定、 修订的标准共计191项。其中，一直备受行业关注和期待的四轮微型电动车技术 条件就被列于其中。通知指出，四轮微型电动车技术条件项目周期为24个月，主 管单位为工业和信息化部，起草单位为中国汽车技术研究中心、上海机动车检测 中心，标志着微型电动车国标制定工作正式开始。未来国家政府将对微型电动汽 车加强管理，逐渐走向规范化。企业蓄势待发，新能源汽车在2015年迎来发展爆 发期，随着国家的政策推广和补贴，微型低速电动汽车也迅速成为产业关注的焦 点，销量的迅猛增长在新能源汽车推广下显得更为突出，一些传统车企也开始纷 纷布局微型低速电动汽车以抢占市场^[2()_^21]。
通过以上分析，选择低速智能电动汽车为研究对象有着很大的发展前景。
1.4论文主要研究内容
(1) 低速电动汽车智能驾驶系统总体设计。
首先，利用双目相机感知周围环境；其次，在工控机上对采集的信息进行图 像处理和决策分析，并把决策指令传给PLC控制系统；然后，PLC根据决策指令， 控制转向子系统、加速子系统和刹车子系统等，实现运动控制。
(2) 利用多线程技术实现双目相机环境图像采集。
双目相机采用两枚Basler工业相机。首先，根据双目相机安装方式，设计专 用高精度调整支架。然后，利用Visual Studio软件，釆用多线程技术控制双目相机 同步拍摄环境图像。
(3) 相机标定和图像预处理。
首先，分析平行光轴和相机间距误差等因素对测距精度的影响，实现对相机 参数的精确标定。然后，使用MATLAB软件，对相机标定后采集的数据进行降噪 预处理，为环境三维建模提供标准数据。
(4) 智能驾驶中控系统设计。
首先，实现转向控制子系统、刹车子系统和加速子系统的控制机构设计和控 制程序设计，使电动汽车具有人工驾驶和自动驾驶两种工作模式，并能够进行自 由切换。
(5) 以小型电动巡逻车为试验对象，搭建试验平台，验证智能驾驶系统。
1.5本章小结
本章主要介绍了当今社会汽车行业的现状以及发展趋势，通过比较传统汽车 和智能驾驶电动汽车的特点，有力证明了智能驾驶电动汽车在未来社会中更具优 势和发展潜力。传统汽车相比于成熟的智能驾驶电动汽车内耗严重、污染环境、 降低了交通效率，智能驾驶电动汽车更加安全可靠。智能车在未来社会中的军事、 生活以及工业生产中会发挥巨大作用，国内外的很多车企、技术团队和高校都在 致力于智能驾驶汽车的研究并取得了很多研究成果。

第2章低速电动汽车智能驾驶系统总体设计
2.1低速电动汽车智能驾驶系统设计
本文在设计之前借鉴了诸多国内外相关文献，通过计算分析，在原有的驾驶 系统上进行设计改造，最终设计了低速电动汽车智能驾驶系统。该系统不但能更 好的实现原来的驾驶功能，还能更智能的实现对驾驶环境的感知、行车速度控制、 转向控制以及制动控制等功能^[22_^23]。整个智能驾驶系统如图2-1所示，低速电动汽 车智能驾驶系统主要分为三个模块：感知、决策和控制。本设计主要利用两台参 数相同的CCD工业相机感知行车环境，采用陀螺仪、速度传感器、GPS、扭矩传 感器、压力传感器等感知车辆自身的行车状态，并将其反馈给工控机和PLC控制 系统，通过工控机、PLC的分析决策，最终把不同控制信号发送给相关控制器， 利用转向子系统、刹车子系统、加速子系统等执行机构控制智能车运行^[24]。另外 为了使该驾驶系统功能更加齐全，还附加了人工驾驶和自动驾驶的切换设计、斜 坡停车设计。
 
图2-1智能驾驶系统总体设计
Fig. 2-1 Overall Design of Intelligent Driving System

2.2感知系统
为了确保无人车对环境的理解和把握，智能驾驶系统的环境感知部分通常需 要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行 为，可行驶的区域，交通规则等等。无人车通常是通过融合激光雷达（Lidar)、相 机（Camera)、毫米波雷达（Millimeter Wave Radar)等多种传感器的数据来获取 这些信息^[25]，下面对激光雷达以及相机传感器做一下具体分析。
激光雷达是一类使用激光进行探测和测距的设备，它能够每秒钟向环境发送 数百万光束脉冲，它的内部是一种旋转的结构，这使得激光雷达能够实时的建立 起周围环境的三维地图。通常来说，激光雷达以10Hz左右的速度对周围环境进行 旋转扫描，其扫描一次的结果为密集的点构成的3维图，每个点具备（x，y，z)信息， 这个图被称为点云图^[26] (Point Cloud Graph)。
激光雷达因其可靠性目前仍是无人驾驶系统中重要的传感器，然而，在现实 使用中，激光雷达并不是完美的，往往存在点云过于稀疏，甚至丢失部分点的问 题，对于不规则的物体表面，使用激光雷达很难辨别其模式，在诸如大雨天气这 类情况下，激光雷达也无法使用。另外激光雷达价格较高，智能车加装激光雷达 的话会使得计算量加大。
对于相机传感器，我们通常使用图像视觉来完成道路的检测和道路上目标的 检测。道路的检测包含对道路线的检测（Lane Detection)，可行驶区域的检测 (Drivable Area Detection);道路上路标的检测包含对其他车辆的检测（Vehicle Detection)、行人检测（Pedestrian Detection)、交通标志以及信号检测（Traffic Sign Detection)等。随着智能驾驶算法的研究深入，产生了多目视觉和双目视觉，双目 立体视觉技术模拟人眼，可以直接通过双目测量原理得出目标物体的三维坐标。 经过综合比较以及结合研究对象的实际应用场景，本设计最后采用双目立体视觉 方法来对环境进行感知^[27_^28]，主要设备选型如下：
(1) 两台相同的CCD工业相机
无人车可以采用多种方式来感知周围环境，有雷达传感器为主视觉为辅的感 知系统，但价格相对较高，计算过程相对比较复杂；有多视觉感知系统等等，本 设计采用的则是采用双目立体视觉技术感知周围环境，相机位于汽车前上方。如 图2-2所示，釆用两台参数相同的Basler scA1300-32GC的千兆网口工业相机采集 环境数据，具体见第三章采集系统搭建，这里不再赘述。
 
图2-2 Basler相机 Fig. 2-2 Basler camera
 
(2) GPS车速里程表
GPS要定位空间中某一点的位置，其实就是定位某点的三维坐标，要求某点 的三个参数，即需要建立三个方程，就需要至少3颗卫星的位置作为参考点，一 般需要四颗及以上数量的卫星数据进行定位，如图2-3所示，这里采用Intest公司 生产的GPS多功能速度传感器，型号为IN-GPS100M2，其中频率达100HZ，检测 速度范围为O.lkm/h到500km/h，另外采用工控机作为上位机对采集信息进行存储。
 
 
图2-3 GPS车速里程表 Fig. 2-3 GPS speedometer
(3) 惯性测量单元（IMU)
GPS的使用也有自己的局限性，GPS在传输信号时会受到周围环境的影响， 尤其在大城市中，由于信号传输会受到许多高大建筑物的阻拦，GPS信号会发生

多路径反射，以至于最后的定位信息会出现几十厘米到几米的偏差，对自动驾驶 汽车来说这是十分危险的，所以我们可以见到在自动驾驶的实验检测阶段经常是 在空旷地带或者高速公路等遮挡较少的地方。为了弥补这种误差，如图2-4所示， 这里加装有惯性测量单元（IMU)，IMU—般是使用六轴运动处理的组件，他包括 三坐标轴上的加速度和三轴向陀螺仪，一共包括六个自由度的参数，其中加速度 传感器感知上下左右前后三个方向的受力，通过受力分析计算出三个方向的加速 度，陀螺仪在这里起到检测三个方向角加速度的作用^[29]。
假设智能车以X轴为轴心，在1秒钟转了 45度，那么该车在X轴上的角速 度就是45度/秒，由加速度计算实际运动距离要经过两次积分，所以若加速度数据 不够准确，那么计算出来的位移数据也会有偏差。一般情况下，GPS和IMU配合 使用，IMU的频率比GPS要高，在下一次定位之前，IMU已经对车的运行和位置 进行了多次预测分析，再加上和GPS定位位置的比较，从而不断纠正误差。
 
图2-4惯性测量单元IMU
Fig. 2-4 Inertial Measurement Unit IMU
 
(4) 转角传感器
本设计是在原转向系统上进行的再设计改造，对于智能转向系统在原转向系 统的基础上加装C68049XF25849366ANA76100BA集成式方向盘转角传感器，如 图2-5所示，具体用来检测驾驶系统方向盘转过的角度。该角度传感器由ML90316 芯片、5个槽型光电传感器SG278编码阵列、齿轮传动以及CAN总线通信，该传 感器主要利用光电传感器和角度测量芯片相互配合，从而测量出转向电机带动转 向轴转过的角度，再通过CAN通信把信号转换成处理器可以识别的信号。
 
图2-5转角传感器 Fig. 2-5 Angle Sensor
 
2.3控制决策系统
(1) 工控机选型：工控机（Industrial Personal Computer，IPC)即工业控制计
算机，相比于一般电脑，在一些复杂、相对温度较高、环境相对比较潮湿、有粉 尘烟雾、运行过程中会出现震动等相对恶劣的运行环境，工控机都有更好的适应 性、工作可靠。工控机更能适应智能车在行车过程中的实时性要求，智能驾驶系 统在运行过程中需要通过感知系统不断采集周围环境，对采集信息不断进行实时 处理并及时做出调节响应，从而保证驾驶系统平稳工作。工控机具有可扩充性， 工控机采用底板和CPU卡结构，针对系统的输入输出端口可以扩充多个板卡，能 够更好的与外界的监控、检测等设备连接。工控机有更好的兼容性，他能支持多 种操作系统，多种编程语言。通过以上分析比较，本低速电动汽车智能驾驶系统 最终选择工控机为中央处理器，通过比较不同厂家的产品，最终选择工控机型号 为RK-608MB的工控机整机，如图2-6所示。


图2-6 RK-608MB工控机整机
Figure 2-6 RK-608MB industrial computer
(2) 

PLC选型：虽然单片机也是常用控制器，但因为单片机在开发过程中需 要不断试验矫正，周期过长，且在一些复杂场合抗干扰能力差，不够稳定。而PLC 由于结构紧凑、编程简单、维护方便、模块统一、可扩展性好等特点，在各种工 业现场控制系统中得到了广泛的应用。本文针对智能驾驶系统的控制要求，以及 综合考虑各类PLC产品的特点、性能、价格等特点，最终选择西门子公司生产的 S7-200小型PLC来实现控制系统的设计和开发，如图2-7所示。

2.4执行系统
智能车的整个控制决策系统是由上位机和下位机组成，上位机釆用型号为 RK-608MB的工控机整机，上位机可通过Visual Studio2013软件控制CCD相机采
集周围环境；下位机采用西门子S7 200PLC控制器及其扩展模块，下位机通过扩 展模块与多种传感器相连，采集速度、制动踏板压力、转向扭矩方向、转向角度 等信息，然后传输给工控机整机进行分析处理。系统采集频率可达100Hz，并在数 据处理过程中对采集数进行保存。上位机分析计算之后把决策信号传回PLC200 控制器，控制转向、刹车、加速等执行子系统运行工作，对于各个智能子系统的 具体结构原理可见第五章节，这里不再赘述。
2.5本章小结
本章通过分析比较激光雷达、毫米波雷达等传感器和相机传感器各自的特点， 最终设计了基于双目立体视觉的信息采集系统，对其他的一些主要传感器进行了 分析比较并确定选型^[3()]。对于控制决策系统，通过对比工控机和其他一般电脑处 理器的特点，对比PLC和单片机各自的特点，选择了 RK-608MB的工控机整机和 PLCS7-200控制器作为主要的控制决策机构。对于执行系统，通过对原电动汽车 驾驶系统上刹车、转向、加速机构进行改装，最终完成了低速电动汽车智能驾驶 系统的总体框架设计。

第3章利用多线程技术实现双目相机环境图像采集 3.1双目视觉系统测量原理
双目立体视觉技术最早始于上世纪60年代，通过这些年的研究扩展，该技术 己经十分成熟，该方法不但计算速度快，测量精确，而且搭建简单、成本低廉， 己经得到了广泛的应用^[31]。
总的来说双目立体视觉测量技术其实是通过两台相机模拟人的两只眼睛同时 拍摄周围环境，由两台相机和目标物体构成三角形，通过逻辑运算和数学推导， 把图像中目标物体的二维平面信息转化成更具体的三维信息，其中利用了三角形 相似，根据比例得出目标物体到相机成像平面的具体距离^[32]，如图3-1所示。
 
Figure 3-1 Binocular Ranging Principle
如图3-1所示，图中参数表示意义如下：
〇、〇^r 一一分别代表左右两相机；
P一一现实世界中被测物体的位置；
p¹、p^r 一一目标物体p分别在左右两相机成像平面上所呈现的点; /——左右相机焦距；
x_r一一分别为〆和，到左右相机成像平面边缘的距离；
Z一一为目标物体到两相机平面的距离，
T——为左右相机中心点的距离。
目标物体在左右相机成像平面上的成像视差^可计算得
 

 

d =\x_t-x_r\
设点〆到，的距离为s，由图3-1可知得出x s = T-(x_l-x_r)
由三角形相似原理可得
T~(x_l -x_r) T
z-f 'z
由公式（3-3)解得目标物体到相机的距离Z为
^Xl ~^Xr
由公式（3-4)可知，要计算目标物体到相机的垂直距离，我们需要知道/、r、 四个重要参数。当相机焦距和两相机位置固定时，r和/一定，目标物体 到相机的距离与目标物体p在左右相机成像平面上的成像视差I ^ I成反比，
1'-\1值越大，2越小，1^-\1值越小，2越大。目标物体的位置改变时，1^-'1 的大小改变。
3.2基于双目立体视觉的硬件平台设计

双目立体视觉采集系统硬件平台搭建的质量十分重要，由以上3.1章节双目立 体视觉测量原理可知该测量平台需要两款工业相机。随着近几年工业技术的发展， 有CCD相机和CMOS两种类型的相机相对性能较好^[33]。但CCD和CMOS相机各 有不同，CMOS相机价格相对较低，CCD相机成本较高，但拍摄效果相对不如CCD 相机稳定，因为本文设计的智能驾驶信息采集系统是以视觉为主，其他传感器为 辅的驾驶系统，对相机要求较高，所以这里依然选择CCD相机。经过综合比较， 这里选择两台Basler scA1300-32gc的CCD工业相机，镜头选择两个焦距相同的 Basler Lens C125-0818-5M F1.8 f8mm镜头，具体如图3-2所示，相机参数见表3-1。

表3-1 Basler scA1300-32gc工业相机参数 Table 3-1 Basler scA1300-32gc industrial camera parameters
项目名称	参数
传感器供应商	Sony
传感器	ICX445
快门	全局快门
最大图像	1/3，，
传感器类型	CCD
分辨率（H*V)	1294*964
分辨率	130万像素
像原尺寸（H*V)	3.75um*3.75um
帧速率	32fps
单色/彩色	彩色

 
 
如图3-3所示，两台CCD工业相机固定在双目板上，相机轴线平行，通过千 兆网线与电脑相连。且通过旋钮旋转调整两相机之间的距离，相机间的距离调节 范围为6到30cm。双目板固定在对应三脚架上（这里选择云腾三脚架）。
 
图3-3双目采集系统
Fig. 3-3 Binocular Acquisition System
 
3.3双目立体视觉系统的软件设计
在计算机Windows系统下安装相机驱动Pylon Viewer软件、Pylon IP Configurator软件和Visual Studio 2013软件，在接通硬件设备之后，通过Pylon IP Configurator软件把相机IP地址和电脑IP地址设置成统一网段，Pylon Viewer软件
可实现两相机具体的调节。我们可以通过Visual Studio 2013软件编写相关程序， 实现双目图像同步釆集。
如图3-4所示，首先打开相机，初步调节镜头光圈和焦距使得成像相对清晰， 在自动增益功能选项（GainAuto)，包括三个部分：Off、Once、Continuous，分别

为关闭自动增益，做一次自动增益和做连续自动增益，里我们选择做连续自动增 益；在自动白平衡选项（alance White Auto)，有Off、Once两个选项，这里我们选 择做一次自动白平衡（Once);在图像从相机中输出的格式（PixelFormat)功能中 有黑白、YUV422, RGB彩色三个选项，这里我们选择RGB彩色选项；在手动设 置帧速率（Acquisition Abs)选项，我们把帧速率设置成32。再次调节镜头光圈和 焦距，使图像达到相对理想状态，两台相机参数相同。
 
图3-4相机参数调节
Fig. 3-4 Camera Parameter Adjustment
 
3.4多线程采集技术
在C语言和C++语言中，C++实现了面向对象的程序设计，处理速度更快、 更加严谨、精确、数理化、层次分明、封装性好、运行更加安全。经过多方面考 虑，我们选择用C++来编写代码。但一般情况下C++程序代码的执行都是单线程 的，即按逻辑顺序逐行执行，从程序开始的第一行一直运行到最后一行，其中当 程序代码执行到某一行时，其他行的代码都是处于等待状态，如果我们用此程序 来控制相机，则只能运行单个相机，不符合我们的双目立体视觉相机同步采集的 要求。
多线程技术的应用则很好的解决了这个问题。我们可以创建一个新的线程， 一个线程在运行的同时，其他线程也可以平行运行，提高了工作效率，使系统资 源的利用率更高。其实电脑在运行时，CPU需要处理来自用户的各种需求，但由 于处理速度快，我们感受不到时间间隔，同理，该技术主要是更加充分的利用了 电脑的CPU的工作效率，通过多线程用最短的时间对用户的需求做出响应^[34]。
值得注意的是同一进程的多个线程在执行程序时内存是共享的，我们要实现 两个相机图像同时存储有时就会出现问题，一个图像正在保存，另一个图像可能

就无法保存，为了解决这一问题，我们给程序设置了带有互斥量的锁，使得图像 保存更加流畅。具体如图3-5所示。
for (uint32_t i = 0; i i ount Of Image sToGrab && cameras [0]. IsGrabbingO; ++i)
{
std::lock_guard<std::mutex> mtK_locker(mtx);
cameras[0] ■ Retr ieveResult(5000，ptrGrabResultj TimeoutHandling_ThrowExoept ion); CImagePersistence：：Save (imageFileFormat_Png_J "new. png' ptrGrabResult); //xiugai2 ();
spr intf_s (str₃ "%d' i); pr intf (〃％s\n' str);
//puts (str); if (i < 11)
{
line = 1 ine. replace (line, f ind (feline [25])₃ 1₃ str);
图3-5 C++多线程程序锁
Fig. 3-5 C++ multithreaded program lock
根据双目立体视觉系统设计的具体要求，我们通过Visual Studio 2013软件编 写C++程序时，只需双线程程序即可，即每个线程控制一台相机，由互斥锁保证 两台相机图像成对保存，实现同步采集。具体程序如图3-6所示。
Hint main (int argc，char* argv[])
{
DWORD idl^ id2;
Create Thread (NULL, 0, (LPTHREAD_START_R OUT INE) mainS, NULL, NULL, &idl); Create Thread (NULL, 0, CLP THREAD_START_R OUT INE：) mainS, NULL, NULL, &id2); system(〃pause〃）； return 0;
图3-6多线程图像采集程序
Fig. 3-6 Multithread Image Acquisition Program
3.5本章小结
对于双目立体视觉技术，双目采集系统的硬件平台搭建的好坏十分关键，本 章介绍了双目采集系统工作的基本原理，对硬件做出了多方面比较选择，同时对 硬件平台的搭建做出了具体介绍。我们在对相机硬件系统进行调试的同时，也对 多线程软件系统进行了多次调试，最终设计的多线程采集系统，在不同环境下采 集稳定，采集速度快，安全可靠。

第4章相机标定和图像预处理
4.1双目标定的意义
计算机技术快速发展，更多的行业开始运用计算机视觉来解决环境感知问题， 双目立体视觉是计算机视觉技术中的基础。虽然人们用两台相机代替人的眼睛感 知周围世界，但任何设备都达不到理想精度，或多或少都存在一定误差。同理， 由于制造工艺和制造技术的影响，相机存在一定的畸变，由于安装问题，相机存 在位置和位姿等一定偏差。由双目立体视觉原理可知，待测物体的三维信息是由 两台相机拍摄的成对二维图像按照一定的逻辑算法推导而来，由于相机制造误差、 镜头畸变、安装位置误差、位姿误差等会造成拍摄的实际图像与理想图像存在一 定偏差^[35]。
为了最大程度消除这种误差，就需要对双目釆集系统进行标定，即找出双目 采集系统拍摄图像与实际图像的偏差。由双目测量原理，完成求取物体的三维信 息，我们需要双目相机的内外参数，镜头焦距/，旋转矩阵尺和平移向量r。
4.2双目相机标定的坐标关系
要通过二维图像计算物体的三维信息，首先要建立坐标系，通过坐标系转换 计算获得。在这里我们建立了四个参考坐标系，第一，在两相机的成像平面上建 立像素坐标系和相面坐标系；第二在相机光心和光轴处建立属于相机的相机坐标 系；第三，实际图像所在的世界坐标系；第四，根据测量物体具体建立起来的物 体坐标系，下面对每个坐标系逐一进行理解。
(1)像素和相面坐标系
在相机成像平面上我们建立坐标系，如图4-1所示，像素坐标系为0_/Wv， 为像素坐标系的坐标原点，其中每一个像素为一个坐标单位；另外定义直角坐标 系0X7，其中0为坐标原点，X为横向坐标轴，F为纵向坐标轴，横纵坐标单位 为mm。对于两坐标系的位置关系，相面坐标系位于像素坐标系图像内测，X轴 和w轴相互平行，F轴和v轴相互平行，共同组成在物体成像平面上的坐标系。

 
 

图4-1像素坐标系和相面坐标系 Fig. 4-1 Pixel and Phase coordinates
因为像素坐标系和相面坐标系在同一平面上，所以两坐标系可以相互转换。 坐标系以mm为单位，大于坐标系中的以像素为单位，为了方便计算， 我们选择相面坐标系向像素坐标系进行转换。设像面坐标系的坐标原点0在像素 坐标系O/v中的坐标为(％,&)单个像素尺寸等于办、办，则我们可以把相面坐 标下的某一点的坐标〇c，>〇,转换成与之对应的像素坐标0,v)，转换关系如下
如图4-2所示，定义摄像机的光心为相机坐标系的原点，为方便计算，

相机坐标系的Xp 两坐标轴应分别与像素坐标系的_W、v两轴平行，其中；为
相机光轴。具体如图4-2所示，相机坐标系^轴与相面坐标平面垂直，并穿过相
面坐标系的原点0，的连线正好为相机镜头的焦距/。
(3) 世界坐标系
实际物体都是存在于现实世界的三维空间中，我们可以人为定义相应世界坐 标系来表示实际物体的位置。但是，世界坐标系一旦确定，相机和实际物体在世
界坐标系中的位置就都是固定的，且存在一定的关系。定义世界坐标系为

(4-2)
(4) 物体坐标系
世界由很多物体组成，每个物体都在世界坐标系中占据不同的位置，每个物 体的位置都可以用世界坐标系表示，世界坐标系一旦确定，物体的位置就确定下 来了。但为了描述物体的局部特征，局部位置等信息，世界坐标系就显得不太方 便，这时我们建立了物体坐标系来更好的描述物体特征，同时通过世界坐标系， 又把不同的物体坐标系关联起来，使得我们的计算更加方便。

4.3双目相机标定原理
相机拍摄过程中由于本身原因使得拍摄结果会与实际存在一定的偏差，包括 焦距、主点、畸变以及各坐标之间位姿关系等。相机标定的结果就是通过一定方 法计算出这些偏差的具体数值，然后对图像进行校正、消除误差^[36]。当然每种标 定方法都只能一定程度上去消除误差，不可能完全消除。相机标定结果的好坏对 后续的三维重建等工序都有很重要的影响。同样标定方法也有很多，第一，相机 自标定法，Maybank和Faugeras首次提出基于Krnppa方程的相机自标定发法，后 来又进行了发展研究，此类方法需要多幅图像进行标定，虽然鲁棒性高，但需要 解非线性方程组，计算量非常大；第二，主动视觉摄像机标定法，相对相机自标 定法，此方法可以通过线性方法求解，而且鲁棒性好，但需要知道相机的某些运 动信息，对于无法确定相机位置、无法进行可靠控制的场合不适用；第三，传统 的相机标定法，此方法可以对任何相机模型进行使用，并且标定精度高。
本文就是使用张正友标定方法，通过高精度的标定板棋盘格来计算相机的内 外畸变参数。此方法中，首先通过多线程程序控制两台相机同时拍摄标定板，拍 摄15对图像以上，然后通过MATLAB工具箱进行解析计算。
设空间中某一点P拍摄过程中，在成像平面上像素坐标系中的位置坐标为 p =卜vf，增广矩阵为戶=卜v if，在世界坐标系中P点的坐标为
尸r Zf，增广矩阵为戶r Z if,则其转换关系如下
sp=M_x\R t]p (4-3)

式中，S —	_ 一比例因子；
R-	_ 一旋转矩阵；
t——	—平移向量；
	一一相机的内部参数矩阵;

Mi具体可表示为
 
 

	a	(P	uo
Mx =	0	P	vo	(4-4)
	0	0	1

 
 
式中，（％,v。） 相机主点坐标；
a、（3 主点在像素坐标系中的偏移量；
cp——畸变系数；
假设模型平面上Z = 0,则式（4-3)可转变为

 

当标定板足够多时，趋于理想状态，由公式(4-13)可知
v,=〇 (4-14)
张正友标定法，通过对标定板进行双目图像采集，利用公式(4-1)到公式(4-14)
进行推导计算，最终得出摄像机内部参数结果如下
^vo = - B_uB₂₃) / (B_uB₂₂ - B₁₂)
2 =万33 -[万13 + ^V◦(万12万 13 ^_ 万11万23)] / 万11
a
j3 = ^AB_n/(B_nB₂₂-Bf₂)
r = -B_na²/]/A
u₀ = yv₀ la-B_l3a² /2
相机的外部参数如下
K—\
r₂=jK~\ ^r3=^ri^X r2
=又 K_\
根据张正友相机标定理论，以上结果都是在理想状态下的推导，实际标定过 程中会有一定不足，这时，釆用最大似然估计法对相机的内外参数进行优化。在 相机标定过程中，需要先对左右相机先分别进行标定，分别标定的结果就是获得 每个相机的内外参数，然后通过提取左右相机的内外参数在进行逻辑计算，求得 相机的旋转矩阵和平移矩阵r，从而获得两个相机的相对位置关系，完成双目标 定[^37]。
设空间中某一点的位置为在左右相机成像平面上的投影坐标为5、乃， 则左右相机的旋转矩阵&和A及平移向量彳、~之间的关系如公式4-17所示。
{P=R(P-t_r)
公式（4-17)又可以转换为 由公式（4-17)和（4-18)可得
\R = RX
\TtRH)
式中，^——旋转矩阵; T一一平移矩阵;
 

4.4双目相机标定结果
在4.3章节中，对双目相机标定原理做出了详细系统的介绍，对相应算法都进 行了严格的逻辑推导，同时在第三章节中我们以两款Basler _ScA1300-32gc型号的 网口相机搭建了双目采集系统，接下来以搭建好的双目采集系统为实验对象，选 择棋盘格数为10*7的标定版，棋盘格边长为29mm，采集20对图像，如图4-4所 示，对其标定结果进行验证分析。
 
Fig. 4-4 Calibration Edition
 
方法1
通过MATLAB软件安装toolbox_calib工具箱进行相机标定。此方法中，在进 行双目标定之前需要先对左右单个相机分别进行标定，值得注意的是在安装 toolbox_calib工具箱时，需要把该工具箱添加到MATLAB路径下，运行MATLAB 软件，打开采集图像文件夹，输入指令calib_gui，运行后选择第一行Standard选 项，则会弹出对话框如图4-5所示。
Q Camera Calibration Toolbox - Standard Version

Image names	Read images	Extract grid corners | Calibration
Show Extrinsic	| Reproject on images	Analyse e『『o『 | Recomp, comeis
Add/Suppress images |	Save
		Load |i 匕 Xlt
Comp. Extrinsic	Undtstort image	Export calib data If Show calib resutts

图 4-5 Standard Version 对话框图
 
 
Fig. 4-5 Standard Version Dialogue
先对左相机标定。选择Image names按钮，因为我们输入保存图像的文件夹名 称‘left’并输入图像格式，这里图像保存格式为‘jpg’格式，所以输入字母‘j’，即可读 取左相机采集的20张标定板图像，然后回车，选择Extract grid comers按钮输入 棋盘格在x轴方向的长度并回车，然后输入棋盘格在y轴方向的长度回车，然后

选择每张标定板的闭环区域回车确定即可。在所有的图片选择完成后生成结果如 图4-6所示。
[Remove camera reference frame I
hto 十ni■十i — l 1'.
图4-7左相机的3D标定模型
图4-8左相机误差分析
Fig. 4-8 Left Camera Error Analysis
以上操作对左相机进行了具体的实验标定，建立了左相机拍摄模型，并且对 左相机存在的误差进行了具体分析。最终得到左相机的标定参数如表4-1所示。
表4-1左相机标定参数
Table 4-1 Left camera calibration parameters

数值 ^
fc = [2180.97423 2172.20709 ]+/-[ 20.51848 20.03365 ]
cc = [ 643.69029 472.72670 ] +/- [ 30.88555 22.11819 ]
alpha_c =[ 0.00000 ]+/-[ 0.00000 ]=> angle of pixel axes =
90.00000 +/- 0.00000 degrees
kc = [ -0.02008 -1.12524 -0.00310 0.00089 0.00000 ]+/-
[0.08216 1.24364 0.00305 0.00409 0.00000 ]
err =[ 1.15423 0.85060 ]
以上就是左相机的全部标定过程，并建立左相机的3D标定模型和误差分析; 同理，右相机的3D标定模型如图4-9所示。
[fiejnsve cama i^dteepce frama] [Switch to world-centered vievT]
图4-9右相机3D标定模型
Fig. 4-9 3D calibration model of right camera
右相机误差分析如图4-10所示。

图4-10右相机误差分析
Fig. 4-10 Error Analysis of Right Camera
右相机标定参数见表4-2。
表4-2右相机标定参数
Table 4-2 Right Camera Calibration Parameters

数值 —
fc = [ 2194.53096 2182.20103 ] +/- [ 20.32241 19.86528 ]
cc =[ 674.01566 508.26188 ]+/-[ 33.73258 21.27400]
alpha_c =[ 0.00000 ]+/-[ 0.00000 ]=> angle of pixel axes =
90.00000 +/- 0.00000 degrees
kc = [-0.15584 0.83411 -0.00032 0.00606 0.00000 ] +/-
[0.06544 0.55872 0.00280 0.00446 0.00000 ]
err =[ 1.15213 0.84084 ]
右两个相机分别标定完成，但还需要分析两个相机的相对位置关系、旋转向 量R和平移向量T，根据标定工具箱toolbox_calib，在Matlab工作窗口输入指令 stereo_gui回车运行。通过Load left and right calibration file按钮加载刚才得出的左 右相机的参数数据，选择Show Extrinsics of stereo rig可以显示双目相机的3D标定

模型，并保存数据，双目相机3D拍摄模型如图4-11所示。
图4-11双目相机3D标定模型
Fig. 4-11 3D calibration model of binocular camera

双目相机标定结果见表4-3: 表4-3双目相机标定结果 Table 4-3 Calibration results of binocular camera
项目	左相机	右相机
焦距	[2180.97423 2172.20709 ] +/-	[2194.53096 2182.20103]+/-
	[20.51848 20.03365 ]	[20.32241 19.86528 ]
主点	[643.69029 472.72670 ] +/-	[674.01566 508.26188 ] +/-
	[30.88555 22.11819 ]	[33.73258 21.27400]
畸变	[-0.02008 -1.12524 -0.00310	[-0.15584 0.83411 -0.00032
	0.00089 0.00000 ]+/-[ 0.08216	0.00606 0.00000 ]+/-[ 0.06544
	1.24364 0.00305 0.00409	0.55872 0.00280 0.00446
	0.00000 ]	0.00000 ]
旋转向量	R =[ 0.00653 -0.00673 -0.00271 ]
平移向量	T = [-225.25895	0.79361 2.94891 ]

 
 
方法2:
随着MATLAB版本的升级，2016版本以后，MATLAB软件都会提供双目标 定工具箱Stereo Camera Calibration工具箱，不需要复杂的操作即可完成。依然提
供和方法一一样的20对不同角度的标定板照片直接可以选择加载图片文件夹，输 入左右相机拍摄的标定板照片的路径，且输入标定板棋盘格的尺寸29mm，运行程 序后会自动生成标定结果。具体如图4-12所示。
 
 
图4-12 MATLAB双目标定效果 Fig. 4-12 Dual Target Fixing Effect of MATLAB 双目标定模型如图4-13所示


图4-13双目标定模型 Fig. 4-13 Bi-objective Model 双目相机标定误差分析如图4-14所示，
图4-14双目标定误差分析
Fig. 4-14 Bi-objective Error Analysis
通过以上的数据分析和验证可得双目相机的具体标定结果，见表4-4。
表4-4双目相机标定结果
Table 4-3 Calibration Results of Binocular Camera
左相机 右相机
[2197.4 2186.9] [2202.2 2193.9]
[631.4328 479.6147] [647.4492 507.9103]
"0.99999 -0.003245 -0.00285"
0.0032 0.99999 0.000549
0.00285 -0.0005588 0.999996
[-67.415 -1.3469 0.322]
方法2的优点：相比第一种方法操作简单，直接输入路径，不需要手动逐一 选择每张图片的标定区域角点，电脑自动标定，标定精度高，速度快。对于偏离

误差设定值较大的图像可以选择删除，重新标定，提高标定精度。所以这里采用 第二种方法。
4.5图像预处理技术
图像预处理技术有很多^[38]，这里只采用基于MATLAB的图像预处理技术。下 面对基于Matlab的图像预处理过程做简要叙述^[39]。
(1) 图像灰度化处理
在对相机标定完毕后，相机拍摄的图像一般都是彩色的，这里以‘jpg’的格式 存储下来。其实图像呈现彩色由红、绿、蓝三颜色叠加而成，而每种颜色都由0〜255 一系列数值来表示颜色的深浅，每个像素颜色都是三个数的叠加，彩色图像的本 质就是三个数字矩阵叠加的效果。而采集图像的目的是从图像中获取图像信息， 彩色图像占用空间大，运算量大，所以这里需要对图像进行灰度化处理，从而节 省空间、提高运算效率。灰度化处理即把彩色图像数据经过公式（4-20)转化成灰 度图数据。
Y = 0.299/? + 0.587G + 0.1145 (4-20)
(2) 图像平滑滤波处理
相机在拍摄图像时由于会受到环境、自身震动等各种条件的影响，从而拍摄 效果会出现某些像素的突变，我们称之为噪声。除了图像边缘，图像连续像素的 变化应该是平缓的，对于突变像素需要消除噪声，需要进行图像的平滑滤波处理。 这里采用中值滤波处理方案。所谓中值滤波就是利用设定好的N窗口，利用N窗 口进行图像扫描，对整幅图像进行过滤，一般N窗口的像素个数不要设为偶数， 这样容易找到窗口中心像素，以N窗口的中心点的像素值为中心灰度值。滤波计
算公式见（4-21)，中值滤波方法处理速度快，效率高。
g(iJ)=Median{f(i-k),(k,l) e w} (4-21)
(3) 图像锐化处理技术
图像锐化处理简单来说就是平滑滤波处理的反应用，该处理的目的就是突出 图像中物体的轮廓信息，增加图像在物体边缘的色差强度，使得图像轮廓更加鲜 明。加大像素中心点的高频信息，进行高频滤波，对边缘轮廓像素的差距进行放 大，当然，在这之前要先进行平滑滤波处理，否则在图像锐化处理后，图像噪声 会更大，影响图像精度。
该处理技术分为拉普拉斯处理方案和基于Roberts梯度算子的微分锐化处理方 案。具体计算过程：设图像上一点/&,}0，/(;}〇在(x,}〇处的梯度矢量为公式 (4-22)

G[f{U j)] =\ /(/, j) ~/(/+1, j) I +1 /(/, j) j +1) I
假设判断阀值为△，变化后的图像g可定义为公式（4-23)
g(^ y)=
具体处理过程由MATLAB软件实现，结果如图4-15所示。

4.6本章小结
本章具体叙述了双目相机标定原理，通过Basler scA1300-32gc相机搭建的双 目采集系统进行了具体的分析验证，介绍了两种基于MATLAB的双目标定过程并 进行了分析比较。另外本章还具体介绍了利用MATLAB进行图像预处理的详细过 程，为后续的图像分割和识别计算打下了基础。

第5章智能驾驶中控系统设计
智能驾驶系统中控系统是智能驾驶系统中的关键部分，主要由工控机和PLC 控制转向子系统、刹车子系统和加速子系统三部分协同运作。接下来将对这三个 子系统分别做详细阐述。
5.1转向子系统设计
5.1.1转向子系统控制方案
转向系统是智能电动汽车的重要部分，一般情况下转向系统的转向控制又可 以分为横向控制和纵向控制^[4()_^41]。总体而言转向控制系统有多种控制方式，包括 机械式液压动力转向系统、电子液压动力转向系统和电动助力转向系统。
对于第一种转向控制系统，由液压泵、v型带和油缸等部件组合而成。其特 点是无论汽车是否需要转向操作，该系统都得保持运行状态，不断提供压力，这 样该系统在一定程度上浪费了大量的资源，在车速很低时，转向需要的力矩较大， 转向系统就比较吃力，对系统损害比较严重。对于第二种转向系统，相比于第一 种工作系统是不需要皮带传动，直接由一个电动栗在电子单元的控制下运行。该 系统在电子单元的控制下可以根据车速、转角等信息自动调节电动泵的功率----低 速高功率、高速低功率，使得操作更方便，节省功耗。对于第三种电动助力转向 系统（EPS)已经广泛应用于汽车行业，该转向电机在ECU的控制下能够更好的 工作，转向时根据车速信息能够提供适当的力矩，不需要转向时则处于休眠状态， 方便控制、维护，同时节省能源，本文就是采用这种控制方案。
5.1.2二自由度整车动力学模型
理想状态下，假设整车在行驶过程中不考虑绕Z轴的位移、绕Y轴的俯仰、 绕X轴的倾角，并且驾驶员在驾驶转向过程中左右轮胎特性一致可以建立二自由 度的整车动力学模型。设O点为汽车质心位置，XOY为智能车转向系统数学模型 的坐标系，如图5-1所示。

 

由公式5-1可知该数学模型的微分方程为
(k₁+k₂) j3-\ —(c^k₁+c_rk₂) =vn(uw_r +v)
u
<
(c_/k₁+c_rk₂) P-\ —{cf + c_rA:₂)w_r — = I_zw_r
. U '
对公式(5-1)和公式(5-2)进行拉普拉斯变换得

5.1.3EPS系统数学模型
一般情况下，一个完整的电动助力转向系统包括助力电机、扭矩传感器、方 向盘、EDU、输入输出轴、减速机构等。建立电动助力转向系统的数学模型需要 忽略非线性带来的影响，以相关部件的惯量和阻尼特性为主要考虑范畴，从而得 出如下数学模型
T_z=T_levr_h+wDe_fcp
T_s=K(〇_c-0_p)
T_d=T_s+B_c0_{c +} J_c6
太+5尤 ^（5_⁴⁾
T^gT_m-T_p=J_e0_e+B_ed_e U = Ri^-L^- ₊ k_lw_m
式中，？；、4、7；一一三个变量分别代表无人车轮胎的回正力、汽车与垂直引力 相反的回正力以及智能车前轮与地面形成的的回正力；
^、^D、㊀f、9 一一分别代表车前轴的载荷、主销内倾量、前轮转角和主 销内倾角；
^Ts, K, ⁶c, ^d_P——分别表示扭矩传感器感受到的扭矩的大小、扭杆的刚 度、方向盘转向角的大小控制转向的齿轮转角的大小；
乃、5、人一一分别代表操作人员手动发出的扭矩、方向盘阻尼的大小以 及转动惯量；
^J_s、B_s、^es 一一则分别表示方向盘的总转动惯量的大小、输入轴上的阻尼 系数大小以及输出轴上的转向角的大小；
g_m、T_m、T” J_e、B_e一一分别代表减速机构的传动比、电机转矩大小、 输出轴转矩大小、输出轴上转动惯量的大小以及输出轴上的摩擦系数的值；
U、R、i、^、w_m 分别表不电机的电压大小、电阻大小、电流大小、
电感大小、电机的转矩系数大小以及电机角速度的大小。
5.1.4智能转向子系统控制设计
本设计中我们采用山东先河汽车转向器有限公司提供的电动助力转向器，原 转向系统的示意图如图5-2所示，接口定义见表5-1，接口示意图如图5-3所示。 在搭建好智能车二自由度数学模型和转动助力转向系统的数学模型之后，本章在 原电动转向系统的基础上进行再设计。

图5-2原转向系统示意图
Fig. 5-2 Schematic diagram of original steering system
表5-1电动助力转向控制器接口定义
Table 5-1 Interface definition of electric assistant steering controller

端子号	插口定义	对应	信号输	信号状态	作用
		线束	入
1	点火信号	红或	输入	电压为12V或24V的电平	给控制器提供接通工作
		紫		信号，高电平有效	提示
2	车速信号	蓝	输入	峰值为12V或24V的方波	给控制器提供车速变化
				信号	信号
3	力矩传感器	红	输入	电压为5VDC的电源正极	用于控制器给传感器的
	电源				供电
4	力矩传感器	黑	输出	电压为0VDC〜5VDC的	用于辅助判断检测主路
	辅路			模拟电压信号	信号
5	力矩传感器	绿	输入	电压为5VDC的电源负	用于控制器给传感器的
	GND			极	供电
6-9、11、 13 10	空
	K-线		输入	正常情况下浮空，接标定	用于传感器的标定
				仪有效
12	发动机转速	黄	输入	峰值为12V或24V的	给控制器提供启动信号
	信号			方波信号或脉冲信号
14	力矩传感器	白	输出	电压为0VDC〜5VDC	用于控制器判断控制电
	主路			的模拟电压信号	机正反转及电流大小
15	空
16	诊断、标定	掠	输入	正常状况下浮空，接电源	用于故障诊断和传感器
	端子			负极有效	信号标定
17	空
18	CANH	黄	输入	与车辆CAN总线连接	用于采集车辆车速及转
					速信号
19	CANH	蓝	输入	与车辆CAN总线连接	用于采集车辆车速及转
					速信号
20	EPS指示灯	绿	输出	电压为12V或24V的 电平信号，髙电平有效	用于故障的显示
21	电源+	红	输入	电压为12V或24V的 持续供电电源（蓄电池）	用于提供电机工作动能
				正极
22	电源一	黑	输入	电压为12V或24V的 持续供电电源（蓄电池）	用于提供电机工作动能
				负极
23、24	电机插口	红\黑	输入	与车辆CAN总线连接	用于控制器给电机供电

		24		21
201918^16^51413^2U 10 98765432 1		1 1		F 1
		_ 23 _		22
		1=1		1=1
—i i 1 n i 1 i—

 
 
图5-3电机控制器接插口
Fig. 5-3 Motor controller socket
图5-3中，左边是车速、转速、扭矩彳目号插口，中间是电机线插口，右边是电 源线插口。对应控制器插口插件型号：1.电机插口护套：KET7123-4129-90端子： DJ621-9.5 电源护套：DJ7021-9.5-21 端子：DJ621-9.5 3.各信号插口 护套： AMP175967 端子：AMP173681
如图5-4所示，为山东先河汽车转向器有限公司提供的电动助力转向器实物图， 该控制器的转向控制信号线是白、黑两线，分别为0到5V的电压信号。两电压相 加为5V，白线端子和黑线端子电压都等于2.5V时电机静止，白线大于2.5V左转，
白线小于2.5V时右转，电压越大，电机转动速度越低，转动力矩越大。
 
图5-4电动助力转向器 Fig. 5-4 Electric Power Steering
 
如图5-5左图所示，为原电动汽车转向控制原理，人为转动方向盘，扭矩传感 器感受左转或者右转的力矩，给转向电机控制器发送电压信号，控制器控制电机 左右转动。如图5-5右图所示，为智能转向设计，我们在原控制基础上进行设计改 造，利用PLC的扩展模块功能，采用PLC模拟扭矩传感器给转向电机控制器发送 电压信号控制电机左右转动，同时角度传感器感知转动角度反馈给PLC控制器， 形成闭环控制系统。切换按钮实现切换PLC的输入信号，工控机信号和扭矩传感 器信号，信号源为工控机信号时为自动驾驶，扭矩传感器信号时为人工驾驶，从 而实现自动和人工驾驶的自由切换。
 
图5-5转向器控制原理 Fig. 5-5 Steering Control Principle
 
5.1.5基于模型预测控制的智能转向控制策略
控制层是电动汽车智能驾驶系统的最底层，其目标是实现控制指令，一般采 用反馈控制。相对于开环控制方法，反馈控制可以更好的检测实际运行结果与理 想目标的差距，从而达到精确控制。
在实际的工业自动化领域，应用最多的闭环反馈控制器有PID控制器^[42] (Proportional-Integral-Derivative Controller)，PID 控制器经过多年的实际验证，已
经十分成熟稳定，该控制器通过误差信号进行控制，其误差信号由比例误差、积 分误差以及微分误差组成。虽然PID控制器控制简单，但如果应用于智能驾驶汽 车转向控制则会存在一些问题，智能转向系统是个复杂的系统，智能驾驶汽车在 行驶过程中涉及到的状态参数比较多，需要对后续的行车道路和方向进行不断预 测，而PID控制器信号处理太简单，且内部不存在系统模型，所以无法对智能转 向系统进行最优控制，经过综合比较，最终本设计的智能转向系统采用模型预测 控制算法[^43] ( Model Predictive Control )，简称 MPC。
(1) 模型预测控制原理及转向应用分析

模型预测控制算法应用于智能转向系统，控制效果好，抗干扰能力强，能够 处理多个参数，且该算法能对转向系统进行预测控制。其控制原理如图5-6所示。 最终需要的输出位置为图5-6虚线位置，点画线为预测输出位置，点画线与纵轴交 点为当前位置，纵轴左侧实线为实际输出量，纵轴右侧实线为预测输出量。行车 过程中，先对未来输入进行预测，但由于预测值只是一个理想值，在实际运行过 程中会受到周围环境的影响，而且系统存在非线性，预测模型不是完全匹配，所 以预测结果会和实际检测结果有一定偏差，需要采用实际结果进行反馈校正。该 算法的全局最优目标不是一成不变的，而是釆用滚动式的优化方法，每次采样都 会进行滚动式优化^[44]。
车量的动力学模型可以得到表示该系统状态的方程式：
\jC = ^X + Bu + Dq)_e+E(p_e (5.5)

该式中&的二次导数在该系统中的作用范围非常小，在控制过程中可以忽略
不计，所以式（5-5)又可以被简化为
iz = ^Z^Bu + D(p_{e (5 6)}
在模型预测控制算法中，计算机需要对采集的信息进行预测处理，但信息采 集是存在时间间隔的，计算机只能通过离散的点经过一定处理，近似的表示成连 续信号，所以该控制模型还需要进行离散化处理，将其转化成离散时间状态方程， 采样的时间间隔相等，用7；表示，可以得到
[x{k + l) = A_sX{k) + B_su{k) + D_scp_e {k) _(5 ?)
式中，4=/+7\A;
b =/+r b；
s s ’
D =I+T D；
s s ’
/: = 0,1,2 …。
在智能车行驶过程中，MPC控制器以期望的横摆角速度《作为衡量标准，在 此基础上控制下一步的行车参数。忽略各种干扰因素的影响，允会以衰弱的趋势 逐渐变化。该衰弱方式可以分为两种情况：以指数方式衰减和以线性方式衰减， 综合比较而言，以指数方式衰减的方式会更加平稳，所以本设计采用指数衰减的 方式进行优化。该模型的期望轨迹方程可表示为：
y^i^k+l)=M^k) (5-8)
式中，

	0	0	0
0		0	0
0	0		0
0	0	0	eK

屮=
 
k₂^ k₃> k_A 行车过程中期望被控制的参数;
^eD、^D、〇e、合e 分别表示衰减系数；
间常数；
针对模型预测控制，把增量数学模型添加到预测系统中有

ajc(^ + 1) = + B_sau(J<^ + D_sy/ [k + \) (5 9)
y ⑷^{= C}>J ⑷”(众-¹)
式中，AX(/：) = X(^)-X(H); x(k)——为控制变量； y(k)——输出变量；
Au(k) = u(k)-u(k -1) 〇
如果智能车目前时间为fc，控制模型的预测控制时域为m，并且有p>m，如 果时间超过+ m时刻，控制增量将保持不变，所以在j > m时候，+ /: I /〇 = 0。 由上文知道^岣和都是已知的，可以通过迭代法对该系统未来状态变化进行
预测，由& +1时刻一直到& + p时刻的预测过程如下
ax(/: + 1I /:) = Aax(/:) + 5aw(/:) + D^x}^/(/:+1I /:) (5-10)
ax(^ + p\k) = Aax{Jc + p-\\ k) + BAu{k + p-Wk^ + D^^k + p\k) (5-11)
与之相对应的模型预测控制中的输出变量为
夕⑷=Cax ⑷+ y (众-1) (5-12)
y{k + p\k) = Cax{Jc + p\k^ + {k + p -\\k) (5-13)
由公式（5-12)和（5-13)可转化成矩阵的表达方式，这里对矩阵进行简写 Y_p{k+\\k) = AAX{k)+BAU (yt) + D^ll^/(yt)+y(yt) (5-14)
由公式（5-14)可知，对于该控制系统的当前状态，状态变量以及控 制时域内的控制增量可以计算得到预测时域内的状态量及输出量，能够
很好的实现控制算法的预测功能。
(3)目标优化求解
在控制时域内，△[/〇〇这一参数是不知道的，所以需要系统设定理想目标，
通过一定算法对其进行优化求解，通过综合比较最终选用的最小指标函数为二次
型目标函数。具体计算过程如下。
ndnj(y(k),AU(k)) =
minZ尸小^{+ f}丨^)1-(^ ^{+ /}⑷巧
i=l
^ Pau {k+i\k^P^ + ps²
i=l
礼n㈣〈碑+ 0 <1㈣
/ = 0,l,2，...m -1
t^+0〈昨+0<〜a“㈣
i = 0,l,2,...p-l

^min (^+0<3^；(^+0<3^；max(^+0 i = 0,l,2,...m-l
式中，>^;-0⁺〇⁼[}^;-(炎⁺¹))^;-0⁺²)".}^;-(^⁺夕)]、
Q一一预测与期望输出偏差的权重矩阵，2 =出agf% & R 控制增量权重矩阵，= 厂²…&]
9
P——松弛因子权重系数；
S——松弛因子；
对于该模型预测控制系统，在不断优化过程中，也在不断调整其相关参数。 对于有些参数是可控的，其中，g和A两个权重矩阵是可以对其进行调整，从而达
到调节目标。e松弛因子主要用于控制收敛状况，当s大于1时，能够使得收敛速 度加快，反之会使得收敛条件得到改善。在公式（5-14)反映了模型预测控制系统 的跟踪能力以及系统控制的平稳性能，最终目标为实现系统快速稳定的跟踪期望 轨迹。
min / = xmnVU (k)^T HVU (k)-G^TVU (k) (5-19)
VU(k) VU(k) ^{v f v f v f}
MVU(k)<b (5-20)
结合公式（5-19)和（5-20)，该系统运行的整个过程被分为m个小时域，系 统的每一个时域运行，都会进行一次滚动优化，使得控制增量不断优化改
变。
At/(/:) = aw(^+1) L Aw(^ + m-l)J (5-21)
△小) = [1 0 L 0]-碑） (5-22)
当这一增量作用到被控制对象上的时候有
u (/:) = u{k-\\k) +au (/:) (5-23)
5.2刹车子系统设计
汽车制动性能的优劣对车的影响十分关键，制动系统必须保障智能车在需要 的时候能够稳定减速或停车^[45_^46]。本设计是从驾驶人员的角度出发，首先分析刹 车系统中各个参数对系统的影响，然后通过分析比较，找到最优控制参数设计智 能刹车系统。电动汽车原刹车踏板实物图如图5-7所示。
 
图5-7原刹车踏板实物图 Fig. 5-7 Physical drawing of original brake pedal
 
5.2.1影响制动性能的参数分析
汽车优良的制动系统是行车安全的基础保障^[47_^48]。通过查阅相关文献，发现 大量的单车道交通碰撞事故中有70%以上的原因是由于驾驶人员制动时没有选择 最大制动力制动，制动力是刹车系统中的一项重要设计参数，行驶过程中需要根 据驾驶员的不同制动意图，输出不同大小的制动力。对于刹车系统可以采取相应 的措施增强汽车的制动力的大小，从而可以更好的保障行车安全。制动系统中最 直接的参数有：制动踏板的位移量、制动踏板力、车速等。
通过查阅资料、实验结果以及对上文分析，刹车系统中的最佳设计参数是制 动踏板的位移量，事实上，驾驶人员也是通过改变制动踏板的位移量实现制动的^[49]。 制动踏板位移量控制简单、容易测量，再配合其他的传感器和控制器可以很好的 形成闭环控制系统^[5()]。
通过以上分析，本设计决定通过控制“制动踏板位移量”这一制动参数来设计智 能驾驶系统中的刹车子系统。
5.2.2智能刹车子系统设计方案
针对刹车子系统我们提出两种设计方案：
方案1:如图5-8所示，在原车的刹车踏板连杆上加装行程可变的步进推杆电 机，自动驾驶时PLC控制步进电机驱动器驱动推杆电机旋转，活塞杆的伸缩带动
踏板的下压和恢复；当人工驾驶时，由切换按钮切换到人工驾驶功能，踩动踏板， 压力传感器感受到压力，给PLC发送压力信号，PLC控制步进电机转动伸缩，从 而达到控制要求。为了一些情况下的特殊需要，在PLC程序中设定数字开关，当 车停在小于20度斜坡时，按下数字开关，刹车踏板下压不会自动弹起。
 
Figure 5-8 Design of Brake Subsystem
如图5-8所示：其中1.制动主缸，2.电动推杆，3.plc控制器，4.制动踏板，5. 车架，6.踏板连杆，7.安装孔，8.活塞杆，9.压力传感器，10.弹簧，11.推杆，12. 电机驱动器和电动机，13.推杆底座，14.缸体，15.活塞，16.铰支座，17.螺栓孔，
18.防滑层。
方案2:与第一种方案相似，由PLC、步进电机、钢丝绳、线轮、弹簧、踏板 连杆组成，工作时，PLC控制电机旋转，通过电机带动线轮旋转，牵引钢丝绳拉 紧，钢丝牵引踏板连杆下压，弹簧牵引踏板连杆恢复。
通过比较分析以上两种方案，第2种方案结构简单，操作方便，但细钢丝在 牵引过程中会受到缠绕精度的影响，影响制动性能，这里采用第1种设计方案。
 
5.2.3驾驶员制动反应时间分析
在驾驶员意识到危险，经过大脑一系列思考处理，到最后开始执行制动操作 所需要的时间为驾驶员制动反应时间，有些理论也包括制动器的响应时间。但在 驾驶过程中会遇到很多需要制动的情况，制动环境各不相同，在不同的环境下制 动反应时间是不同的，而且，不同的驾驶人员就算面对同样的情况制动反应时间 也是不同的，这就很难获得一个准确的制动反应时间标准。通过查阅相关文献资 料，正常情况下，驾驶员的制动反应时间都在2s以内。通过对大量实例进行研究
分析，对不同制动路况进行划分，最终得出6种不同危险情况下的驾驶员制动反 应时间，如图5-9所示。
工况类權
图5-9不同路况驾驶员反应时间统计数据
Fig. 5-9 Statistics of Driver Response Time under Different Road Conditions
也有文献研究驾驶员的制动反应时间存在一定规律，通过大量研究分析，发 现其反应时间非常接近正态分布^[51]，在这里对其进行拟合，参数R=0.87,拟合均 值u=1.387s，接近算数平均值1.36s。
通过查阅有关资料，当人执行制动行为之后，一般制动器响应时间会在0.1s 以内，所以驾驶人员的制动反应时间加上制动器响应时间为1.37s左右，对于速度 48mm/s的推杆电机完成58mm行程伸缩可以在1.36s以内实现，满足制动要求^[52]。
5.2.4步进推杆电机选取及控制方法
根据以上分析，选择常州路易电动推杆有限公司生产的电动推杆，如图5-10 戶斤示。推力250N，速度48mm/s，推杆电机本身行程100mm，但根据刹车踏板下 压行程距离只需要58mm即可。采用弹簧测力计测量刹车踏板下压至最大行程 58mm时，力的大小为185N，电动推杆的最小推力250N大于185N，推杆电机行 程100mm大于制动踏板行程58mm，结合驾驶员制动反应时间的关系，该电动推 杆满足设计要求。
 
Fig. 5-10 Stepper Motor and Stepper Motor Driver
对于运动控制系统一般由控制部分、驱动部分和执行部分三部分组成，控制 部分需要通过驱动部分对执行部分的位置和速度都进行精确控制。在这里釆用S7 200PLC作为控制器，步进电机驱动器为驱动部分，步进推杆电机和踏板连杆为执 行部分^[53_^54]。
 
5.3加速子系统设计及控制方法
如图5-11所示，为原电动汽车加速系统的加速器实物图，该加速系统的使用 原理主要通过驾驶员踩动加速器，加速器由初始位置逐渐被下压到最低位置，在 此过程中加速器输出电压由0V逐渐增长到4.7V,驾驶员通过控制加速器踏板的下 压程度控制加速器输出不同加速电压，从而达到控制电动汽车实现调节速度的目 的^[55_^56]〇

图5-11原电动汽车加速器 Fig. 5-11 Accelerator of Electric Vehicle
 
如图5-12所示，原车加速子系统可以被抽象为图5-12中的（a)图，图5-12 中的（b)图为本文设计的智能驾驶加速子系统，利用PLC扩展模块模拟加速器输 出0到4.7V模拟电压控制加速系统。在该子系统中，自动驾驶时，PLC处理来自 工控机的信号，人工驾驶时PLC处理来自加速器的电压信号。其中重要的是在PLC 程序设定中，当刹车行为执行时加速系统关闭，增加智能驾驶的安全性。 
 
(a)原车加速控制子系统 （h)智能驾驶加速子系统
图5-12加速子系统设计
Fig. 5-12 Acceleration Subsystem Design
5.4中控系统外围电路设计
根据系统输入输出点数和控制要求对PLC的I/O地址进行分配^[57_^58]，如表5-2 所示。

表5-2 PLC的输入地址分配表 Table5-2 Input address allocation table for PLC
I/O地址 ft#~

10.0	步进电机上限位开关
10.1	步进电机下限位开关
10.2	切换开关
10.3	紧急刹车
AIWO	扭矩传感器电压1
AIW2	扭矩传感器电压2
AIW4	加速器
AIW6	角度传感器
AIW8	速度传感器
AIW10	压力传感器
QO.O	脉冲输出
Q0.2	步进电机方向
AQWO	转向子系统电压1
AQW2	转向子系统电压2
AQW4	加速子系统电压1
AQW6	加速子系统电压2

 
 
根据PLC的I/O地址分配顺序以及智能驾驶系统的总体控制要求，我们做出 了 PLC的外围电路设计和具体接线设计，设备采用CPU224和4个EM235扩展模 块，在设计图中因为整体设计尺寸太大，我们这里省略了一些没有用到的接口， 因为扩展模块相同，所以把几个扩展模块整画在一起^[59]。具体如图5-13所示。
图5-13 PLC外部电路接线图
Fig. 5-13 External circuit wiring diagram of PLC

5.5中控系统软件设计
本文采用模块化的编程思想对控制系统的软件进行设计，即编程时对系统的 功能进行划分，分为各个功能子模块，并分别编程实现，在完成个子模块的编程 后在主程序中进行调用^[6()]。如图5-14所示，在系统开始运行初始化后判断智能驾 驶系统的工作模式，人工驾驶这里不做过多阐述，自动驾驶时工控机对来自双目 立体视觉的信息进行处理决策，判断转弯、刹车、速度等情况，角度传感器判断 是否到位，若暂时不需要转向就返回等待后续控制指令。本设计中刹车系统制约 加速系统，由推杆电机调节刹车，PLC模拟加速器调节电压，速度传感器感知速 度变化，结束后保持稳定并返回初始状态，等待下一步控制指令^[61]。 
图5-14控制系统的流程框图 Fig. 4 Flow chart of control system

5.6本章小结
本章主要在原驾驶系统的基础上对转向、刹车、加速各个子系统进行结构以 及模型分析，通过在转向控制结构上加装传感器、控制器以及相关辅助机构完成 了低速电动汽车驾驶系统智能化改造。采用工控机以及PLC扩展模块对各个子系 统进行协同控制，完成了基于模型预测控制算法的智能转向算法设计、低速电动 汽车各个子系统与西门子S7-200 PLC控制器及其扩展模块的外围电路设计，最后 完成了该中控系统的软件控制流程。

第6章实验仿真
6.1搭建智能驾驶系统实验平台

根据第五章对低速电动汽车驾驶系统的智能化改造，搭建实验平台，如图6-1 所示。实际调试过程中，按照先硬件后软件的思路进行调试，在对系统的硬件和 软件调试完毕后，对整个系统进行了实验研究并用MATLAB软件进行了仿真分析。
6.2制动实验仿真
制动试验中，分别对紧急制动和非紧急制动两种情况进行了实验分析，根据 国标GB-12676-1999中关于制动距尚的评定，参考其中应急制动系统性能要求， 公式關:
5_max = 〇.15v ₊ — =33.8m

5_max 为最大制动距离;
实验中根据实际情况我们选择合适的参数，由紧急制动情况下制动公式可得， 电动试验平台以40km/h的车速制动的制动距离满足33.8m以内即可满足要求。国

家标准GB-12676-1999汽车制动系统结构性能和试验方法中规定MFDD (英文 Mean Fully Developed Deceleration的缩写，含义为平均减速度，即汽车在整个减速 过程中加速度的平均值）是一项重要的制动性能参数。具体的实验数据见表6-1。

根据制动数据表6-1可知，采用MATLAB软件绘制出紧急情况和非紧急情况 的制动曲线如图6-2所示。紧急制动情况下的最大制动距离为16.90m，小于国标 规定的最大制动距离，满足设计要求。

	表6-1基本性能试验统计数据
	Table6-1	Basic performance test statistics
类别	单位	紧急制动数据	非紧急制动数据
初始速度	km/h	39.60	39.60
制动距离	m	16.90	32.53
制动时间	二	3.00	5.91
MFDD		3.59	1.86
校正到整倍车速	km/h	40.00	40.00
校正后MFDD	m/s2	3.60	1.86

 
 
6.3调速实验仿真
调速实验中调速电压为0到4.7V，智能车速度调节范围设定在0到40km/h， 在实验中理想的速度电压曲线如图6-3中红色线所示，但在实际运行中，由于路况 和环境的影响，存在一定偏差，实际电压速度曲线为图6-3中蓝色线显示。
6.4转向实验仿真
目前应用比较多的是Carsim软件和MATLAB软件中的Simulink工具箱， Carsim软件主要用于车辆动力学建模，能够预测仿真车辆的稳定性、动力性等各 种性能^[63_^64]。而Simulink工具箱应用范围广泛，高效灵活，对于模型预测控制系 统，它可以持续采样，如果采样时间不等，Simulink也有着很好的适应性，该软件 在动态系统以及欣入式系统中都能仿真建彳吴，其建彳吴过程只需点击拖动彳吴型方块 图即可，操作简单，灵活方便。
由第五章的MPC控制算法，根据模型预测设计的智能转向控制策略搭建转向 仿真平台，首先利用Carsim搭建智能车模型，然后采用Simulink进行仿真分析^[65]。 在Carsim软件的设定中，以B-class，Hatchback为实验对象，此车为后轮驱动， 经过调整更改为电机驱动。该模型的最终输出量为智能车在坐标系中的坐标值 (%，凡），以（m)为单位，偏航角的单位为（°)，偏航率AVz的单位为（°/s)。MPC 控制模型以S函数形式体现在控制系统中，具体模型如图6-4所示。

仿真条件见表6-2。
表6-2转向仿真实验参数数据 Table 6-2 Parameter data of Steering Simulation Experiment

参数名称	参数数据
采样周期7； (s)	Ts= 0.05s
预测时域p	p = 20
控制时域m	m = 10
权重系数	Q = diag (1,1,1.5,1.5) /? = 5000 广=10
衰减指数	ex ~ekl -e^ =ek4 =0.31
松弛因子	^ = 8
转向路径半径	10m
初始角度（度）	0

 
 
当初始速度为40km/h时，可以得到基于该模型预测控制的响应曲线如图6-5 所示：

 

		j 7	\/Vy
1/		:/	V V

1.5 2 2.5
时间/s
 
 
(a)前轮转角仿真结果
 
2.5
时间/s
 
(b)横向位移偏差仿真结果
 
 
(c)横摆角偏差仿真结果
图6-5智能车弯路仿真
Fig. 6-5 Intelligent Vehicle Bending Simulation
由图6-5所示的仿真结果可知，在刚开始行车时，智能车可以很好的沿着道路 前进，前方出现弯道，智能车开始控制转向系统进行转向，这时出现智能车前轮 偏转，同时出现横摆角偏差，智能车根据反馈数据不断进行优化调整，横摆角偏
差逐渐趋于稳定，而前轮转角趋于固定值。当转弯结束，智能车需要重新沿直线 行驶，这时前轮转角出现恢复转向波动，出现横向位移偏差，横摆角偏差变大， 智能车系统进行转向调整后误差逐渐消失，转向成功。由图6-5可知，横向位移偏 差不超过4cm，横摆角偏差不超过1度，智能车运行相对比较平稳。该实验结果 表明，设计的智能转向控制系统能够按照预定的顺序进行动作，而且位置精度能 够满足要求，具有较高的自动化程度。
6.5本章小结
本章通过Carsim软件和MATLAB软件以及Simulink工具箱对低速电动汽车 的智能刹车、转向性能分别进行了简单模拟仿真操作，对调速系统进行了验证分 析。针对制动系统，分别从紧急制动和非紧急制动两个方面进行了仿真分析，结 果表明设计的制动系统在紧急情况和非紧急情况下都能有效制动；针对转向系统， 从横向位移偏差、横摆角偏差以及前轮转角三个方面对智能车转向系统进行了分 析研究，仿真结果表明，低速电动汽车整体运行平顺性较好，转向、制动性能稳 定可靠，响应速度快。

第7章总结展望
7.1结论
(1) 低速电动汽车智能驾驶系统总体设计。
通过分析国内外智能驾驶汽车的研究成果，比较了激光雷达传感器和相机传 感器在智能驾驶领域中各自的应用特点，结合自己实际研究对象以及低速电动汽 车智能驾驶的应用场合，最终选择以双目立体视觉为基础，构建低速电动汽车智 能驾驶系统。该系统主要依靠双目立体视觉采集环境信息，通过工控机和PLC及 其扩展模块分别控制转向子系统、刹车子系统以及加速子系统协同工作。
(2) 利用多线程技术实现双目相机环境图像采集。
搭建双目立体视觉釆集系统，该系统是本设计的基础感知系统，通过分析比 较各个相机传感器，最终选择两款相同的像素130万的BaslerCCD工业相机，釆 用C++编程语言和多线程技术控制两台相机实现同步拍摄，完成了双目立体视觉 采集系统的硬件以及软件搭建。
(3) 相机标定和图像预处理。
通过对比不同的相机标定方法，最终选择通过MATLAB软件对双目相机进行 标定，标定方法准确，标定过程简单；对相机拍摄的成对的目标图像进行预处理， 包括图像灰度化处理、图像平滑滤波处理以及图像锐化处理，降低图像数据的复 杂程度，去除图像上的杂质和干扰因素，为后续的图像分割和三维环境重建提供 标准数据。
(4) 智能驾驶中控系统设计。
在原低速电动汽车的驾驶系统上，对转向子系统、刹车子系统以及加速子系 统进行了设计改造，完成了各子系统控制机构的PLC接线设计和控制软件设计。 针对转向子系统添加基于模型预测的转向控制算法，通过Carsim软件和MATLAB 中的Simulink工具箱对低速电动汽车进行仿真，完成转向、刹车、加速系统的验 证分析。
7.2展望
本设计通过双目立体视觉技术搭建低速电动汽车智能驾驶系统，虽然对其进 行了一定的研究，但还有需要完善和深入的地方，目前且对其作如下展望。
(1)本文设计的低速电动汽车智能驾驶系统功能相对还不够完善，对制动系 统还应该进行深入研究。
(2) 该系统主要是以双目立体视觉为基础搭建的，还应该尝试以多目视觉为 基础、以相机与激光雷达传感器配合为基础等多种方法搭建智能驾驶系统，对其 综合比较，直到搭建出最优驾驶系统。