描述

介紹

對于 23 年秋季的 ELEC 424 最終項目，該團隊的任務是創建一輛自動遙控汽車 - 從功能上講，該汽車具有兩個主要功能：

• 準確地遵循定義的車道
• 當它在其路徑中檢測到紅色框時停止

汽車的自主處理和決策是由 BeagleBone AI-64 執行的，輸入數據是從單個網絡攝像頭收集的。汽車默認在車道保持狀態下運行，當它在其路徑中檢測到紅色框時，它會切換到“停止并等待”狀態。經過一段固定的時間后，汽車將恢復車道保持狀態并繼續行駛。

由于我們參考了 Instructable 的用戶“raja_961”之前完成的自主工作，因此該項目的主要挑戰是實現較低級別的功能，例如速度編碼器以及移植參考代碼以在 BBAI64 上工作。

速度編碼器安裝在車輪的軸上，主要測量車輪旋轉的速度。此信息是使用 Linux 設備驅動程序記錄的。然后將其轉換為 Python 中的速度單位，然后再用于反饋網絡以控制汽車的速度。

用戶 raja_961，“使用 Raspberry Pi 和 OpenCV 的自動車道保持車”。教科書。網址：https ://www.instructables.com/Autonomous-Lane-Keeping-Car-Using-Raspberry-Pi-and/

設置分辨率和增益參數

調整比例和微分增益參數是一個反復試驗的過程。這些值不斷變化，直到汽車不僅能夠快速糾正上升錯誤（即響應性地跟隨車道中的轉彎），而且在糾正錯誤時也不會超調。所選值為 k_p = 0.2 和 k_d = k_p * 0.1

相機的分辨率也被調整到最佳位置，它足夠低以允許在 BBAI64 上進行快速處理，同時仍保留準確車道保持和停止框檢測所需的足夠特征細節。所選分辨率為 320x240。

檢測停止盒

停止框檢測是使用覆蓋 HSV 中紅色體積的 4 個角窗完成的。“切片”包含所有紅色值的 HSV 圓柱體區域，4 個窗口位于左右邊緣的頂角和底角。使用cv.inRange和cv.countNonZero函數計算相機幀中紅色像素的數量：

left_lower_red = np.array([0, 40, 100],)

left_upper_red = np.array([25, 130, 200],)

right_lower_red = np.array([150, 40, 100],)

right_upper_red = np.array([200, 130, 200],)

…………

left_mask = cv2.inRange(frame, left_lower_red, left_upper_red)

right_mask = cv2.inRange(frame, right_lower_red, right_upper_red)

mask = cv2.bitwise_or(left_mask, right_mask)

num_red_px = cv2.countNonZero(mask)

如果紅色像素的數量高于停止閾值（=1800），則觸發停止框的檢測。

地塊

?

上圖顯示了汽車在整個過程中的誤差、轉向 PWM 和速度 PWM。特別是在幀 100-200 和 500-600 上，我們可以看到轉向 PWM 與誤差有明顯的關系，因為算法試圖糾正誤差。

?

。

?

?

?