【《基于树莓派的智能机器人设计》8300字（论文）】

[9]。②霍夫变换检测圆形实现跟随对象从每个方向看去基本都可以认为是圆，任意二维坐标系中的圆形都由圆心坐标和半径三个变量组成（见公式3.3），将其映射到三维空间中，均可以由（a,b,r）确定一个点，均可以通过霍夫梯度法进行圆形检测。（x−a)（3.1）在实现过程中发现未经过图像处理的灰度图像存在较多的噪声，黑白相间的亮暗点噪声对霍夫圆检测影响较大。因此在霍夫圆检测以前需要将灰度图像进行中值滤波处理，即在OpenCV库中调用cv2.medianBlur()方法，其中输入参数为gray_img图像文件，经过中值滤波处理的img文件作为参数传入cv2.HoughCircles（）方法，完成霍夫圆的检测算法，识别出图像中所有的圆形。将识别出圆形的圆心坐标和半径存放在numpy类型的数组中，命名为Circle。(a)未经处理的图片（b）霍夫圆检测后图片图3.4霍夫圆检测图3.5自动跟随程序流程图（4）跟随对象的检测和判定通过霍夫圆检测算法可以得到图像中各圆的圆心坐标和半径，将各坐标映射到hsv_img图像中，可以得到带色调（H）参数的圆形，调用OpenCV库中的cv2.inRange()方法筛选出符合网球颜色的圆形图像，统计各圆形像素点数目占比，选出最大的圆形。若其大于设定的阈值，则认为是跟随目标。否则，判定图像中无跟随目标，小车跟随丢失。（5）小车运动状态调整小车运动状态的调整主要分为调速和转向两种方式，通过判定采集图像中跟随物体的坐标与初始坐标间的差值，确定小车的转动方向与转动角度；通过对比图像中跟随目标的半径大小和初始状态下的半径，得到小车与跟随目标的距离关系，若实际半径大于初始半径，则小车应该后退；若实际半径小于初始半径，则小车应该向前行驶。判断得到小车应该采取的运动方式后，根据表3.1中的方式，修改电机驱动参数，完成小车的跟随功能。图3.6小车运动姿态调整4系统测试与结果本次毕设小车最终实物图如图4.1所示：图4.1小车实物图4.1功能测试4.1.1自动避障功能测试测试的场地选择在明亮的室内，利用纸箱和垃圾箱等杂物按照无规则的方式堆放形成测试使用的障碍物场地，中间留出足够小车同行的通道，障碍物的选择尽量避免表面为黑色，表面凹凸不平的物体。（a）小车驶入避障测试场地（b）小车驶出避障测试场地图4.2自动避障功能测试测试过程中发现小车运行状况良好，能够穿过既定的障碍物场地，电机运行平稳，未出现突然加速或停止的情况，基本实现了自动避障功能。4.1.2自动避障功能优化功能测试结束后，分别对超声波避障和红外避障进行模块测试，其中对超声波模块测试过程中发现HC-SR04超声波探测器对于水桶，垃圾桶一类圆柱体或者体积较小的石头等表面弯曲的物体时，测距结果不稳定，存在误差。产生这一问题的主要原因是超声波波束对探测目标的入射角对测距存在影响，因此，文献[13]中提出对同一障碍物进行多次测距，多次测量结果求取移动平均值的方法减小误差。变量的局部均值可以用变量的移动平均值来衡量。在优化过程中，t时刻的移动平均可由公式4.1得到：MA（4.1）其中α表示权重的衰减程度。在实际实验过程中发现，针对常见的曲面障碍物，α取值为0.7时测量值和真实值之间的误差较小见公式4.2。 （4.2）其中St表示t时刻MA后的测量值，St表示t时刻实际测量值，S(t-1)表示t-1时刻MA后的测量值。图4.3HC-SR04对两个目标的五组测量值对于第一组测量值（172.48cm，174.27cm，173.37cm，173.84cm，173.35cm）St=0.7*173.35+0.3*(0.7*173.84+0.3*(173.37*0.7+0.3*(174.27*0.7+0.3*(172.48*0.7))))=173.1cm实际摆放距离为173cm，误差为0.1cm。对于第二组测量值（10.03cm，5.37cm，2.67cm，6.60cm，7.89cm）St=0.7*10.03+0.3*(0.7*5.37+0.3*(2.67*0.7+0.3*(6.60*0.7+0.3*(7.89*0.7))))=7.43cm实际摆放距离为7cm，误差为0.43cm综上所述，对多次测量的结果进行移动平均处理，处理后的误差属于可接受范围内，大幅降低由于障碍物选取带来的干扰和误差，提高超声波测距的精度，几乎不会对避障算法产生影响。4.1.3自动跟随功能测试自动跟随功能测试场地选择在明亮的室内，场地选择尽量开阔，环境背景尽量干净整洁。测试跟随对象选择为体积小巧的网球，环境中可适当加入如篮球，苹果等圆形物体造成干扰。图4.4为自动跟随功能测试图。（a）小车向左转向跟随目标（b）小车向前行驶跟随目标图4.4自动跟随功能测试测试过程中发现小车能自动识别并跟随正确的物体移动，能够精确的判断和选择正确的跟随物体，具有一定的抗干扰能力，基本实现了自动跟随功能的要求。4.2结论经过功能测试和模块测试，小车能够准确识别障碍物，使用高效的避障方式绕开障碍物；精确识别跟踪目标，始终与目标保持安全间距，跟随目标完成前进后退转向等操作。测试过程中系统运行平稳，无失控现象发生，小车功能完成度较高，基本完成了既定的设计任务。参考文献CarotenutoRiccardo,MerendaMassimo,IeroDemetrio,CorteFrancescoG.Della.RangingRFIDTagsWithUltrasound[J].IEEESensorsJournal,2018,18(7).ZhibingWang.Algorithmresearchofintelligentfilteringeliminationtreatmentbyultrasonicrangingsignal[J].JournalofDiscreteMathematicalSciencesandCryptography,2017,20(6-7).KlimendaFrantisek,CizekRoman,PisarikMatej,SterbaJan.StoppingtheMobileRoboticVehicleataDefinedDistancefromtheObstaclebyMeansofanInfraredDistanceSensor[J].Sensors,2021,21(17).LechengJia,BinXue,ShiliChen,HanzhongWu,XiaoxiaYang,JingshengZhai,ZhoumoZeng.AHigh-ResolutionUltrasonicRangingSystemUsingLaserSensingandaCross-CorrelationMethod[J].AppliedSciences,2019,9(7).Byoung-HoKim.DesignandAnalysisofCollisionAlarmUsingInfraredDistanceSensor[J].JournalofKoreanInstituteofIntelligentSystems,2014,24(6).罗冬旭.基于FPGA的超声波测距系统设计[D].吉林大学,2021.DOI:10.27162/ki.gjlin.2021.003492.朱宁.基于数字信号处理的超声波测距定位方法研究[D].东南大学,2020.DOI:10.27014/ki.gdnau.2020.000570.陈远.基于超声波传感的障碍物检测和测距系统设计[D].电子科技大学,2019.DOI:10.27005/ki.gdzku.2019.000289.陈余根.数字图像处理中的椭圆检测算法研究[D].武汉大学,2017.王时群.智能吸尘器红外避障控制系统研究[D].海南大学,2015.陈东.基于移动机器人平台的一种避障算法研究[D].北京邮电大学,2010.王冠博,赵一帆,郭嘉,杨俊东,丁洪伟.循迹避障智能小车的实验设计[J].实验科学与技术,2021,19(05):38-42+47.王毅,王恺,张艺谭,刘顿,刘妤.基于超声波传感器的智能跟随系统设计[J].传感器与微系统,2021,40(08):92-95.DOI:10.13873/J.1000-9787(2021)08-0092-04.邓永康.基于OpenCV运动目标检测的跟踪系统开发[D].北京化工大学,2021.DOI:10.26939/ki.gbhgu.2021.001305.蒋亚文.基于运动算法自动跟随的载物车系统研究[D].哈尔滨理工大学,2020.DOI:10.27063/ki.ghlgu.2020.000417.唐安安.自适应指数加权移动平均控制图研究[D].南京理工大学,2020.DOI:10.27241/ki.gnj