此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第四部分--边线处理与方向控制，专栏及开源方案链接：

llo：第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总

1. 边线处理

在方向控制中，一种基于几何关系的常用控制方式是纯跟踪控制。对于纯跟踪控制，相信做智能车比赛的小伙伴都不会陌生，而在纯跟踪控制中，最重要的就是确定预锚点。

预锚点是位于小车目前路径上的一点，使用纯跟踪控制可以使得小车从当前点平滑的过渡到目标点。可以看出为了确定预锚点，需要设定小车的目标路径。为了方便，我们直接将赛道的中线设定为小车的目标路径。

一种比较简单的提取赛道中线的方式是在确定了两条赛道边线后，从图像下方往上依次取左右边线的一个点，将这两个点的中点当作中线上的一点。这个方法对于直道效果不错，但并不适合大转角处。

我们采用的方式是对单独左（右）边线进行跟踪从而得出中线的方式。因为在去畸变和透视变换的帮助下，我们已经得到了俯视视角下的赛道边线，而赛道的宽度又是固定的（45cm）。这意味着我们只需要将左边线向右侧“平移”22.5cm，或将右边线向左侧“平移”22.5cm即可得到中线。对于左边线上的每一个点，首先计算此处的切线，然后将该点沿切线法向向右侧移动22.5cm即可得到中线上的一个点。注意，这里的22.5cm需要将单位换算成像素。

由于我们并没有对边线进行曲线拟合，而是用一系列离散的点来表示这条曲线。所以曲线上一点的斜率我们利用拉格朗日中值定理来近似，即计算该点前后两点连线的斜率作为该点切线斜率的近似。为了降低噪声的干扰，我们首先对得到的边线进行了三角滤波和等距采样。

• 三角滤波：使得曲线变得平滑，降低异常噪声的干扰。
• 等距采样：使用线性差值的方式，对曲线上的点进行重新采样，使得采样后的相邻两点之间的距离相等。

类似的，对于计算得到的中线，我们同样对其进行了等距采样。

由于中线既可以从左边线得到，也可以从右边线得到，这意味着我们的方向控制有两种不同的选择，即巡左中线和巡右中线。这给了方向控制极大的灵活性，在下一篇（第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解（五）元素识别）中可以看到，我们会大量利用切换巡左中线和巡右中线的方式，控制我们的小车顺利的通过各种不同的赛道元素。

由于在前一部分我们提到过，我们对中线进行了等距采样，这极大的方便了纯跟踪控制中的预锚点的选取。假设等距采样时，每2cm采样了一个点，而我们希望将预锚点设置在前方60cm处，那么只需选取第30个中线点作为预锚点即可。

然而这种方式仍然有一定的问题，由于中线可以从左边线和右边线中得到，如果两种选择得到的中线起点位置不同，在来回切换左中线和右中线时，预锚点也会来回变动。这可能导致舵机异常的抖动。

在上图中，我简单的绘制了一个左右中线起始点不同的现象。为了避免这种现象对方向控制的影响，我们还需要对中线进行一次归一化，使得不同情况下的中线都有着相同的起始点。简单的，我们直接设置了一个固定起始点位置，如果中线超出了起始点，就将中线截断，而如果不足起始点，则将起始点和中线相连接。

2. 方向控制

经过上述边线处理，我们可以得到一个较为稳定的预锚点，并将其用于纯跟踪控制。在纯跟踪控制中，预锚点的距离是一个很关键的参数。较远的预锚点可以使得小车的移动更加平滑（S型弯基本无转向），但会导致过弯过于切内线，从而容易撞上路肩；而较近的预锚点则会使得小车更好的贴合预设的赛道中线，但严重时会产生控制震荡。一种常用的设定预锚点的方式是使得预锚点和当前速度正相关，即高速行驶时“看”远一些，低速行驶时“看”近一些。但我们由于时间不足，同时也由于主要精力放在了靶牌的识别上，未进行相关尝试，仍采用的固定预锚点距离的方式。

3. 感言

虽然我们认为自己的边线识别方案做的不错，但小车控制上还有较大提升空间。也欢迎四轮组的大佬来交流控制经验。

SJTU-AuTop完整开源方案链接，如果觉得我们的方案对您有帮助，请在github上帮忙点个star吧:)

llo：第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总