??智能源车辆是集环境感知、规划决策、多级辅助驾驶等功能于一体的综合性系统。它集计算机、现代传感、信息集成、通信、人工智能和自动控制于一体，是典型的高科技综合体。目前，智能车辆的研究主要致力于提高汽车的安全性和舒适性，并提供优秀的人车交互界面。近年来，智能车辆已成为世界车辆工程领域研究的热点和汽车工业增长的新动力。许多发达国家都将其纳入了自己的智能交通系统。

??根根据比赛组委会对智能视觉组模型和传感器的限制，我们使用C型模型和摄像头作为模型框架。C车型模具有舵机和电机，是一种相对灵活的四轮车型，适应性高，稳定易控制。由于智能视觉组对于尺寸方面没有任何限制，所以机械结构对于整车的性能至关重要，只有在车模拥有较好机械结构的前提下，控制算法才能发挥出其应有的效果。本次比赛的重点是使智能车能够更好地适应高速运行，保证其在高速时仍具有较高的机械强度和灵活性。在规则允许的范围内，我们优化模进行了优化改装，本章将根据实际情况介绍车模机械的改进内容。

??当四轮智能汽车出现直线偏差、转弯费力、轮胎磨损快等情况时，主要与轮胎安装角度有关，涉及一个非常重要的转向轮位置角度定位问题，称为前轮定位。其功能是保证智能车直线运行时的稳定性，使其转向轻便，减少轮胎磨损。前轮为转向轮，其安装位置由四个项目决定：主销内倾、主销后倾、前轮外倾和前轮前束，反映了转向轮、主销和前轴在车架上的位置关系。

??从侧面看车轮，转向主销(转向车轮时的旋转中心)，称为主销后倾角。设置主销后倾角后，主销中心线的接地点与车轮中心的地面投影点之间的距离 (称为主销纵向倾斜距离，与自行车前轮叉梁向后倾斜原理相同)，使车轮接地位于主销延长线后端，车轮依靠行驶中的滚动阻力向后拉，使车轮方向自然朝向行驶方向。设置大的主销后倾角可以提高直线行驶性能，增加主销纵倾距。但主销纵倾移距过大，会使转向沉重，而且由于路面干扰而加剧车轮的前后颠簸。

??从车前后方向看轮胎时，主销轴向车身内侧倾斜，称为主销内倾角。当车轮以主销为中心旋转时，车轮的最低点将低于道路，但事实上，车轮的下边缘不能低于道路，而是将转向车轮与整个模具的前部一起提升到相应的高度，使模具本身的重力能够将转向车轮恢复到原来的中间位置，因此模具很容易纠正。此外，主销的内倾角还减了主销轴与路面交叉口与车轮中心平面与地面交叉口之间的距离，从而减少了转向时舵机上的力，使转向更轻，减少了从转向轮传输到舵机的冲击。

??从前后方向看车轮时，轮胎不是垂直安装的，而是略微倾斜，呈八形开口，称为负向外倾斜，而向相反方向开口称为正向外倾斜。模型通常将倾角设置得非常小，接近垂直。如果设置大倾角，轮胎会磨损，降低轮胎摩擦。

??所谓内八字脚，是指左右前轮分别向内。该结构的目的是纠正上述前轮外倾角引起的车轮向外旋转。如前所述，由于外倾，转向变得容易。另一方面，由于车轮倾斜，左右前轮分别向外旋转。为了纠正这个问题，如果左右两轮有向内角度，正负为零，左右两轮可以保持直线，减少轮胎磨损。

??智能汽车程序基本完整，各种轨道元素可以完成后，前轮定位可以根据实际情况进行调整。通过改变上梁垫片的数量，增加后倾角。经过智能汽车的长期调试，发现适当增加内倾角可以使车轮与地面有更大的接触面积，然后增加汽车与地面的摩擦，使汽车转向更灵活，减少摩擦不足造成的转向不足。

??舵机摆杆的长度直接影响舵机的扭矩。由公式舵机转矩 = 舵机摆杆力 * 摆杆长度，得：舵机摆杆力越大，反应越灵敏，转向速度越快。扭矩一定时，摆杆越长，输出力越小，所以摆杆不能太长，否则轮胎不能左右转动。从这个角度来看，拉杆越短越好。但我们知道，拉杆越长，舵机转一小圈，拉杆的范围就越大，也就是说，摆杆的长度决定了舵机和拉杆变化的比例，即相应的速度。所以我们希望摆杆很长，这样轮子转向的响应速度会很快。

??综合虑,我们选用的舵机摆杆的长度在 30mm 左右。同时考虑到阿克曼转向理论，理论转角如图 1.1，四个轮子路径的圆心大致上交会于后轴的延长线上瞬时转向中心，这样可以使车辆在过弯时转向轮处于纯滚动状态，减少过弯时的阻力，减小轮胎的磨损，提高车辆转弯性能。

  根据杠杆原理，将与舵机连接的舵盘适当加长，再将转向传动杆连接在加长的输出盘的末端，就可以在舵机输出较小的转角下，取得更大的前轮转角，提高舵机的响应的速度。结合舵机重心，结构件安装等问题，最终使用了立式安装方式。

  硬件电路在整个智能车系统中虽然是基础，但是也是整个体系中比较重要的一部分，是保障整个系统能够稳定运行的基础。硬件电路的设计不仅需要考虑功能性，而且需要对其稳定性及可靠性进行准确的设计，需要不断的测试与改进。

  主要从系统的可靠性、稳定性、实用性、简洁、美观等方面来考虑硬件的整体设计。从初代板到最终板，我们经历了各种大大小小问题以及功能实现的讨论，才有了最终的硬件方案。

  可靠性、稳定性以及实用性是一个系统能够完成预想功能的最大前提。在原理图与PCB的设计过程中，我们考虑到各个功能模块的电特性以及之间的耦合作用以及信号线之间的干扰。对易受干扰的模块做了电磁屏蔽作用，而其他部分则做了相应的接地、滤波、模拟与数字电路的隔离等工作。

  简洁、美观是指在满足了可靠、稳定等的要求后，为了尽量减轻车模的负载，降低模型车的重心，应使电路设计尽量简洁，尽量减少元器件使用数量，缩小电路板面积，使电路部分重量轻，易于安装。在设计完原理图后，注重PCB板的布局，优化电路的走线，整齐排列元器件，最终做到电路板的简洁以及板子的观赏性。

  电源模块是硬件系统稳定运行的关键保障，是能源供给的核心。整个硬件系 统的工作完全由电源供电的可靠性决定，电源供电不稳会导致电池损耗、单片机 复位、电感采集数据不稳定等问题。因此电源设计是硬件电路的重要一环。设计中，除了需要考虑电压范围和电流容量等基本参数之外，还要在电源转换效率、降低噪声、防止干扰和电路简单等方面进行优化。在 PCB 布局中电容的去耦作用尤为重要。本次竞赛的电源需求包括 3.3V、5V、6V、12V等。

  5V稳压模块我们使用的是LM2940-5 稳压芯片，该芯片为输出电压固定的低压差三端稳压器;输出电压5V;输出电流1A;输出电流1A时，最小输入输出电压差小于0.8V;最大输入电压26V;工作温度-40～~+125℃;内含静态电流降低电路、电流限制、过热保护、电池反接和反插入保护电路。

  6V电源模块我们采用的是AS1015芯片通过调节滑动变阻器使其输出的电压为6V左右来给舵机供电使用，其原理如图3.3所示。

  我们采用的是74lvc245芯片芯片有20个引脚，DIR和OE非 是控制引脚，VCC和GND是电源引脚，A端和B端为8个输入输出口，在发送和接收方向上都具有非反向三态总线兼容输出，由OE控制输出，所以还具有隔离的作用。   其原理图如图3.6所示。

  为了能够准确的测量感应电压，还需对其进行进一步放大，一般将电压峰值 放大到 1-5V左右就可以进行幅度检测。我们选用 OPA4377运放芯片，OPA4377是一款低噪声 5.5MHz 带宽CMOS运放，具有低噪音，低功耗，失真小的特点。我们使用肖特基二极管1N5819为电路起到保护、钳制作用。其原理为肖特 基二极管1N5819由两个二极管反向串联组成的，一次只能有一个二极管导通， 而另一个处于截止状态，那么它的正反向压降就会被钳制在二极管正向导通压降 0.5-0.7以下，从而起到保护电路的目的.将周期性变化的波形的顶部或底部保持在某一确定的直流电平上。运放模块原理图如图3.7所示。

  因为在识别过程中，识别到水果的图片，要通过一个125Hz的激光去打靶来触发裁判系统，故我们组采用NE555电路来产生一个125Hz的PWM来实现此功能，当EN引脚给高电平激光就会发射125Hz的信号。其原理图如图3.8所示。

  人机交互模块由 TFT 屏幕、按键、蜂鸣器、无线串口、发光二极管等组成。主要用于调整车模运行方式、告知车模使用者车模状态及显示相关工作参数。其部分电路原理图如图所示。

  编码器模块的作用是计算出当前的车速，其原理图如图3.10所示。

  通过舵机电源给云台舵机供电，由Open art传过来的信号来实现转向以便于识别标靶。其原理图如图3.11所示。

  比赛中采用RT1064单片机作为主控芯片，其特点在于快，主频高达600MHz，对于智能车上来说相当奢侈了，所以完全不需要担心计算的速度问题，主函数的执行速度经过测试大约在1ms到1.5ms左右，因此控制周期可以大大降低。

  软件控制流程图如图 4.1 所示。对摄像头采集图像进行预处理，之后根据图像搜索赛道边界，并计算赛道中心，由此编写程序获得所需偏差，实现转向与速度控制。

  使用总钻风摄像头采集赛道信息，采集回188*90大小的赛道图像，图像采集帧数设置为100，实际测试对于我们的程序来说过高的帧数并没有显著的提升，为了保证稳定性所以没有继续加大帧数。图像的曝光度和增益等参数根据现场条件灵活选取。

  对赛道图像进行预处理，首先对赛道信息的部分变量进行复位，再使用大津法进行阈值计算，根据该阈值判断每个像素点的黑白。详细计算过程不作为文章重点，在此不一一给出。

  计算阈值后进行隔列处理，对于图像的188列间隔抽取导出到新数组，构成一个列数减半的图像。这样做的好处是在尽可能获取赛道特征的情况下，减少所需要的计算量。实际测试中发现对于赛道特征的提取完全没有影响，故采用该方案。

  采取继承式搜线策略，首先从理论中线开始，对离车身最近的一行进行从中间往两边扫线，使用这一行的实际中线开始，作为下一行的扫线起始点，依次类推，向远处扫到发现赛道边界或者遍历完整个图像为止。这样既获得了赛道边线的数据，也获得了赛道结束的位置，可以作为赛道类型的判断依据。

  向左右扫线时可以在计算出来的阈值基础上进行一定程度的宽泛，从而增强程序的适应性，然后根据连续黑点可以判断出是赛道由黑变白，从而记录为赛道边界。

  赛道正常状态下可以直接根据左右边线进行平均计算出赛道中线值，特殊情况下需要使用到补线。

  补线的方式分为以下几种： ①半宽补线：通过预先固定好摄像头角度，在理想情况下测出赛道在图像中的实际宽度，然后使用数组记录该图像对应的赛道宽度数据。半宽补线时要求至少赛道左或者右边界是完整的。补线时可以直接在左或右边界的基础上，加或者减半宽数据，获得所需要的中线。在车模运行中，入环岛前、出环岛时、出入岔口时和第一次经过车库时需要用到该补线方法。 ②丢线补线：图像中出现左右同时丢线的情况，有可能是十字或者赛道反光，这时图像丢线区域仅为一小部分，通过在丢线区域前后进行中线计算，然后直接两点法做直线即可。 ③环岛内补线：在环岛内，因为环岛的曲率有大有小，所以直接根据常规方法计算出的中线往往不能满足环岛内的行驶要求，所以要针对环岛内单独处理。通过在环岛内取最远处的边界点，与最近行的中心点，两点法连线做直线，获得一条斜拉的直线。实际测试发现使用根据曲率拟合的曲线和斜拉的直线表现出的效果没有区别，所以采用更为简单的斜拉直线。

  赛道偏差使用加权平均的方法，对每行的中线与车身理论中线作差，获得计算后的赛道偏差。通过对每行设置不同的权重，可以使得车模获得不同的前瞻，以匹配不同的速度。

  在此对各元素特征进行简要概述： ①环岛：一边是直线另一边丢线数目满足条件即入环，陀螺仪计满数据即出环。 ②岔路：赛道宽度变大且远处中间出现黑色部分，并且左右边线斜率在限定范围内，出岔路判断条件可宽松一些。 ③Tag码和车库：均需要对黑白跳变点进行计数，Tag码跳变点数目相对车库更少，且车库处出现了丢线，故可以由此分辨处二者区别。 ④其他元素：不需要特殊处理。

  舵机部分我使用的是位置式模糊PD控制。因为对于舵机来说更需要实时性，所以采取了积分分离的位置式PD控制。

  模糊控制则是为了减小车模运行时的晃动程度，尽可能的忽略小偏差带来的抖动，加强车模的稳定性和不同赛道的适应性。通过不同赛道上，偏差以及偏差变化率的大小不同，使用模糊控制可以计算出不同的Kp和Kd参数，使用这些参数再计算，可以在不同条件下得到不同的转弯性能。

  比如在小S弯，使用模糊控制可以尽可能地减小车模在其中的抖动，实现小S直冲的效果。在180°弯则可以获得较强的转弯性能，配合基础Kp甚至可以实现内切过弯。其问题在于十字处，因为我们没有来得及针对十字特殊处理，所以如果出现过分的斜入十字，就会有可能导致十字处左拐或者右拐。

  解决的方法是加上一个略大一点的基础Kp和Kd，略大一点也只是相对更改之前，和模糊计算出来的数值对比还是很小的。进而可以在对其他赛道影响不大的情况下解决这个问题。

  电机部分分两次进行控制，一次是差速位置式PD计算，一次是控速增量式PI计算。差速PD计算是为了和舵机配合，所以也使用了模糊控制，使用相同的模糊规则表进行计算，使用单独的差速系数来控制差速的幅度，最终计算出一个目标速度。差速数值的计算方法程序会在附录中给出。

  算出目标速度之后，就是通过增量式的PI控制电机，此处的PI参数由于时间关系，没有调整的足够精准，导致了大幅度加减速时会有影响，下文会指出。

  出库和入库采用直接调用预先编写好的路径程序，从而保证了出库和入库的路径不变，只需要确定出入库时的车身位置和姿态即可。

  出库位置摆放好即可，入库则需要根据斑马线的位置，选择何时入库，通过多次测试就能得出最合适的位置。

  比赛任务要求车模在Tag码前停车，并进行相应的识别等任务。对于高速运动的车模来说，主要难度在于快速的停车，以尽可能地减少刹车距离，保证不冲出停车区域的同时，压缩所消耗的时间。

  由于刚才所说的电机控制不够强力，所以不得不加入其他的方法来更快地减速。在此使用的是电机直接全速反转来减速，效果尚佳，缺点在于不够精准，容易导致车模后退一小段距离，需要再往前走回去。另外就是堵转时间较长，容易导致驱动电路发热或烧板。

  根据比赛要求，需要在比赛过程中需要部署神经网络识别动物、水果、数字、AprilTag码。根据识别的结果进行相应的动作。

  识别任务属于典型的计算机视觉，借助于人工神经网络实现。传统的图像滤波很难实现所有的视觉任务，必须部署人工神经网络。同时在此也感谢逐飞科技在赛前提供的入门思路和教程给予了我们一定的启发

  由于机器学习相关的开发环境搭建十分复杂，需要安装的软件包非常多。并且对于计算机的CPU可能由于在兼容性的问题而无法运行（一个不小心开发环境还会挂掉），并且陪伴我的笔记本属实寒酸，没有独立显卡，训练人工神经网络实在是有点力不从心。只好转战Google Colab。

  Colab全称为Colaboratory,是免费的Jupyter运行环境,并且完全在云端运行。并且提供了全套和最新的Keras软件支持包，完美契合人工神经网络的搭建的需求。简单来说，可以在这个网站上编程，调用最新Keras API搭建模型，而不需要安装任何支持包；并且模型的训练可以借助云端的算力，而不是计算机本身的算力。其实Colab提供的算力并不多。大概相当于一个装有中低端独立显卡的笔记本电脑。不过胜在使用方便。我生成和训练人工神经网络的模型几乎都在Colab上进行。

  经过训练的人工神经网络需要部署在小车上，也就是需要一个平台。在我们的方案中，将人工神经网络部署在OpenArt平台上。OpenArt可以加载经过量化的人工神经网络，将传感器采集的图片送入网络中进行识别。

  最开始时按照逐飞给出的训练模型脚本和模型实例，使用输入层的尺寸为32323，再用逐飞给出的量化脚本进行量化。

  不得不说，按照这样的方案来，识别率确实是惨不忍睹。分类结果基本上根据曝光度来决定。让我在很长一段时间内对能否顺利完成比赛任务产生了怀疑。

  后发现在逐飞给出的资料中，发现tflite类型的文件也可以在OpenArt上部署，并且同样的模型在量化后识别率高出nncu类型的模型很多，之后就采用了tflite类型的模型进行部署。仅仅是采用tflite模型，识别率提高了很多。

  相较于识别动物&水果模型，识别数字相而言较为轻松。对模型和训练集的要求都不高。在准备过程中数字一直是轻松省心的任务。

  数字识别模型输入层尺寸48483也就是48*48像素的RGB色彩图片。其中加入比例系数为0.6的DropOut层。

  通过阅读逐飞给出的生成模型脚本，可以发现，逐飞采用的方法是Keras-Tensorflow框架。只要对Keras-Tensorflow有一定的了解就可以根据自己的需求自己动手搭建人工神经网络。其中非常重要的一点就是输入层的大小，其实也就是传感器采集图像后送入网络的图片的尺寸；逐飞给出的实例中采用32323.属实是小了。用以识别数字已经比较勉强，识别动物和水果比较吃力。

  经过实际测试，以OpenArt的算力，输入层为64643的普通结构的，参数大约在600K个左右的网络，识别速度绝对能达到要求。数字模型最终采用的结构如图所示：

  由于识别对象只有十个即数字0_{9，识别率很容易验证。在实际验证后，模型的准确率往往都是95%以上。除去光照造成的影响，完全可以识别出所有的数字。并且由于模型的尺寸很小（相较于动物水果模型）,识别速度也很快。大约有3}4 fps。总结，数字识别部分只要不和动物水果模式一起使用，就没什么大的问题。识别率也很高。

  相较于数字识别，识别动物&水果难度大大提高，识别对象多了两个数量级。图片承载的信息也更加繁多。数字都是白底黑字，而动物水果背景丰富，内容更加多样。当卓老师公布全部907张图片之后，我心头一紧。图片数量多，内容复杂。想要做出能精确识别这十个种类并在计算机上运行，不难。但是经过量化后可以在移动端上运行，并不容易。

  最终，动物&水果模型采用了量化后的MobilNet结构。并且准备了两个版本。

  图5.2是MobeilNet模型在Alpha 参数为0.5并且加上系数为0.6的DropOut层时的模型结构；图5.3.2是MobeilNet模型在Alpha 参数为0.75并且加上系数为0.6的DropOut层时的模型结构。后者的参数达到了1.5M个。所占存储内存达到了1.8MB。“重量级模型”。

  之所以会准备两个模型，是希望比赛时可以根据赛场状况调整。“重量级”准确率高，识别速度较慢，“轻量级”正相反。两者在识别中大概会有1s左右的差距。数据上的准确率其实两者相差无几。最后都是100%。Loss值都在0.001~0.0001这个区间。

  实际上，Alpha系数为0.75的重量级模型，实际测试中的准确率略胜一筹。但轻量级对于OpenArt的运行资源要求更少，更快，更稳定。

  过拟合是机器学习中很难避免的问题。因为在机器学习的一些模型中，如果模型的参数太多，而训练样本又太少的话，这样训练出来的模型很容易产生过拟合现象。在训练bp网络时经常遇到的一个问题，过拟合指的是模型在训练数据上损失函数比较小，预测准确率较高（如果通过画图来表示的话，就是拟合曲线比较尖，不平滑，泛化能力不好），但是在测试数据上损失函数比较大，预测准确率较低。

  实际上，在模型训练结束时数据上的准确率往往有90%，经过实际测往往是达不到这个准确率的。添加DropOut层用来对抗过拟合，在我们组的方案中是行之有效的方法。DropOut的作用很简单，训练时随机屏蔽一些网络，只根据剩余的网络进行预测，频闭的网络的数量占总数量的比值就是DropOut层唯一的参数。例如，系数为0.6的DropOut层即是说训练时每次屏蔽60%进行预测。因此，同样一个模型是否添加DropOut层，对模型最终的尺寸、占据的存储空间是不影响的。

  起初没有添加过DropOut层，训练数据又明显的过拟合的趋势，后来逐步了解了一些对抗过拟合的方法，添加DropOut层就是最简单的一种。最开始DropOut层的参数是0.2。后来听取了一位同学的建议，直接调整到0.6,根据这个同学的说法就是，小型的网络很容易出现过拟合现象，DropOut系数可以给的大一些。经过实际的测试，0.6的比例系数是更合适的，对抗过拟合现象效果更加明显。

  图5.4.0和图5.4.1展示了在没有DropOut层作用的情况下，一个输入层尺寸为48483的模型在训练中准确率和Loss随着训练迭代的变化情况。基本上在训练进行到第10次迭代时就应开始过拟合，后续的训练都会增加过拟合程度。

  可以看出，增加了DropOut层有效的缓解了过拟合的问题，第10次迭代到第20次迭代都在有稳定的降低loss提升准确率。但是过拟合问题仍然存在。第30次迭代以后训练效果都不明显。

  数据增强主要用来防止过拟合，用于dataset较小的时候。之前对神经网络有过了解的人都知道，虽然一个两层网络在理论上可以拟合所有的分布，但是并不容易学习得到。因此在实际中，我们通常会增加神经网络的深度和广度，从而让神经网络的学习能力增强，便于拟合训练数据的分布情况。在卷积神经网络中，有人实验得到，深度比广度更重要。

  数据增强，简单来说就是对原有的数据经进行一些变换，得到新的数据集；这些变换包括：水平位移、垂直位移、伸缩、剪切、旋转等。除此之外还有例如ZCA白化、高斯噪声等适用于数据增强的算法。

  高斯噪声是根据一张图片中某一个像素点周围其他像素点的色彩值，随机的反转中心像素点的色彩值，说白了就是人为的给图像添加噪声，破坏图像原有的“规律”使模型在训练时不会朝着这些无用的“规律”的方向过拟合。

  由图5.9和图5.10分别表示了未增加高斯噪音和已经增加了高斯噪音的图片。为了适应模型训练，原图片已经经过了一些处理，图像边缘增加紫色边框，并且将分辨率将为96*96。

  Keras支持数据增强，自带一部分常用的数据变化方法，例如伸缩、平移、旋转等，但不支持添加高斯噪音，需要在制作数据集的时候手动添加高斯噪音。Keras提供的imageDataGenerator类对象可以很方便的对数据进行变换。

  图5.11是Keras中文文档中关于imageDataGenerator类对象的部分描述。

  根据实际测试的结果，数据增强是对抗过拟合，提高模型准确率的一个重要且有效大的手段。但是过度夸张的数据增强，例如旋转角度过大，高斯噪声用力过猛，平移太狠之类都会反过来降低准确率。所以，数据增强并不是越夸张越好。

  除了图像识别以外的任务就是，寻找空间中的紫色边框。根据AprilTag码的内容，只能确定靶标在空间的大概位置，无法确定靶标和AprilTag码的相对位置，所以需要定位空间中的靶标。

  其实就是找紫框。OpenArt有很多照搬OpenMV的机器视觉算法，其中就有找到图像中黑色矩形find_rect。逐飞给出的方法也是这个办法。但是这个方法是真的拉。对背景的要求太苛刻了。根据我的实际测试，这个方法很容易找例如门等类似矩形的东西。而对紫框视而不见。

  后来改为find_blob.通过调整LAB通道阈值来滤除图像中除了紫色边框之外的成分。要特别注意的就是，光照条件对LAB的阈值影响很大。

  首先我要感谢在本次比赛中，提供RT-Thread开源库的逐飞科技和RT-Thread官方。这为我们省去了大量的移植时间，并且能够较快的根据例程，学习并上手操作系统，学会其中的各个概念，故在此特别提出感谢。

  智能车的难点主要在于赛道信息的采集处理和运动控制算法，大家往往都很重视程序各模块的效果，却经常忽视掉综合程序执行的逻辑顺序和总体效果。

  举个例子来说，以智能视觉组的任务量来说，如果代码风格不够好，有较多冗余代码并且沿用了此前比较流行的NXP公司的K66单片机，那么就会导致程序的执行速度出现问题，并且是会发生在各模块程序组合作用下，一般不会在单模块调试阶段发现。那么这时就是因为程序的耦合导致了问题的加剧。哪怕是性能足够强悍的RT1064单片机，也需要在编程时多加注意程序的顺序或者逻辑。避免浪费算力。

  下面就针对在智能车上，如何使用RT-Thread改善代码，优化程序。并和裸机状态做对比。

  通过参考《RT-Thread编程指南》以及官方入门教程，完全可以做到几天入门。教程相当简单明了，只要基础的概念都有那么学习起来速度飞快，而且网络上的资料也十分充足。

  智能车为了方便调试，经常需要在运行期间查看各个变量的值或者是摄像头采集回的图像，问题在于需要用到串口传输数据或者屏幕显示。这两个部分都比较占用程序运行时间，在裸机状态下，程序同时只能做一件事，如果加上屏幕显示函数，那么会导致程序运行时间变为原来的至少16倍也就是24ms。

  那么就需要在保证车模运行的程序正常执行的前提下，再以较低的优先级加入调试用到的程序。在裸机开发下要实现只能通过查询的方法，效率相当低下。但是在操作系统中就不同了，只需要通过最简单的信号量（不仅限于信号量），即可实现。

  主要原因是RT-Thread 的线程调度器是抢占式的，主要的工作就是从就绪线程列表中查找最高优先级线程，保证最高优先级的线程能够被运行，最高优先级的任务一旦就绪，总能得到 CPU 的使用权。所以只要把重要的程序设置成高优先级并使用信号量等方式，再把调试用的程序设置为低优先级，那么就可以让单片机仅仅在空闲状态下执行调试所用的程序。

  举个例子：在智能车程序中常用做法是把摄像头采集完成时产生一个信号量，用来唤醒高优先级的图像处理线程，那么低优先级的调试函数就要被挂起。在实际应用中，由于摄像头图像处理程序所需要的时间相比图像显示程序时间极短，低一个数量级以上。所以使用多线程后的效果相比裸机状态下只使用显示函数的效果几乎一致，用作观察和调试完全没有影响。再加上串口调试的发送程序，影响更是微乎其微。除此之外，还可以通过对不同线程进行分优先级以及同优先级设定不同时间片等内容，进而可以进行更高度的自定义。

  由此就可以实现多线程下，任务的同步进行。相比于裸机开发，使用RT-Thread操作系统可以说是“低耦合，高内聚”，极大程度上降低了程序之间的相互影响。

  使用线程时要注意的主要有三点，上下文环境、线程的状态跃迁、线程运行时间长度。在创建线程时务必要注意设计要点，在智能车程序设计中，主要是要关注第二个，线程的状态跃迁。

  这里说的状态跃迁指的是线程运行中状态的变化，从就绪态过渡到挂起态。实时系统一般被设计成一种优先级的系统，如果一个线程只有就绪态而无阻塞态，势必会影响到其他低优先级线程的执行。所以在进行线程设计时，就应该保证线程在不活跃的时候，必须让出处理器，即线程能够主动让出处理器资源，进入到阻塞状态。这需要设计者在设计线程的时候就明确的知道什么情况下需要让线程从就绪态跃迁到阻塞态。

  在嵌入式系统中运行的代码主要包括线程和ISR，在它们的运行过程中，它们的运行步骤有时需要同步（按照预定的先后次序运行），它们访问的资源有时需要互斥（一个时刻只允许一个线程访问资源），它们之间有时也要彼此交换数据。这些需求，有的是因为应用需求，有的是多线程编程模型带来的需求。

  操作系统必须提供相应的机制来完成这些功能，我们把这些机制统称为进（线）程间通信（Internal Process Communication IPC），RT-Thread中的IPC机制包括信号量、互斥量、事件、邮箱、消息队列。

  在智能车软件设计中，常常需要让中断和其他程序间传递信息。在裸机开发下的做法一般都是设立全局变量的方式，然后使用查询的方法来达成信息的传递。这样做虽然可行，但是带来的是大量的全局变量。这不仅导致了程序的可读性下降，而且大大增加了程序之间互相耦合的现象，很容易出现“牵一发而动全身”的结果。

  那么在使用RT-Thread操作系统的情况下，就可以灵活使用IPC机制来避免这些情况的出现，并且可以更好更简洁的传递有效信息。在这些机制中智能车最常用的就要属信号量了。

  信号量工作示意图如上图6.1所示，每个信号量对象都有一个信号量值和一个线程等待队列，信号量的值对应信号量对象的实例数目（资源数目），假如信号量值N，则表示共有 N 个信号量实例（资源）可以被使用，当信号量实例数目为零时，再请求该信号量的线程就会被挂起在该信号量的等待队列上，等待可用的信号量实例（资源）。

  上文中提到过，摄像头采集完成会产生一个信号量，从而确保图像处理程序可以得到执行。那么在图像处理完成之后，需要立刻让车模作出反应，利用刚才计算好的数据进行姿态控制，由于电机必须相同时间间隔控制，所以就要对舵机进行控制。可以采用的方法是：图像处理程序执行结束后，再产生一个信号量，去执行更高优先级的舵机控制程序，让车模的反应更加迅速，并且避免了无效图像的产生。

  例如：在裸机开发下，如果把舵机控制程序放到中断里。当程序执行速度过快时，容易出现图像采集加处理完成之后，计算出的数据还没有来得及调用，就开始了下一帧图像的采集和处理。这会导致车模错过一帧图像并且计算出的数据和当前控制效果关联性差。这也是为什么不能一味的追求快速的图像处理而忽略掉作为根基的控制效果。

  这个问题其实就是生产者消费者的典型案例，图像处理程序是生产者，舵机控制程序是消费者；从另一方面看，摄像头采集程序是生产者，图像处理程序和舵机控制程序又是消费者，所以严格把握好程序执行的逻辑关系相当重要。程序执行的逻辑出了问题哪怕有再强的硬件和算力，都得不到最好的控制效果。

  使用信号量就能解决掉这个问题，因为从根本上来说，这个问题主要就是舵机控制程序要求必须和图像处理程序保持同步。且在数据没用掉的时候，不允许开始新一轮的采集与计算，也就是互斥的关系。只需创建几个信号量，通过采集和释放信号量就能解决问题，具体的解决方案如图6.2。

  邮箱服务是实时操作系统中一种典型的任务间通信方法，特点是开销比较低，效率较高。邮箱中的每一封邮件只能容纳固定的4字节内容（针对32位处理系统，指针的大小即为4个字节，所以一封邮件恰好能够容纳一个指针）。典型的邮箱也称作交换消息，如图6.3所示，线程或中断服务例程把一封4字节长度的邮件发送到邮箱中。而一个或多个线程可以从邮箱中接收这些邮件进行处理。

  在智能车软件设计中，经常用到地址的传递，或者是变量的传递，之前所说的信号量就不能满足要求了，而邮箱恰巧可以实现该要求，而且4字节内容也足够传送一些关键数据，数组等则可以采用传送地址的方式来实现。

  在智能车程序中仅仅使用了最简单的变量传递功能，实际使用中还有很多部分可以使用邮箱来简化程序，只是限于时间问题，未对程序完成优化，下文会写出具体的改进方案。

  例如在智能车上用到的是用邮箱传递变量，控制蜂鸣器工作的时间在裸机状态下，要在控制蜂鸣器定时工作的前提下不影响主程序的执行，就必须通过在定时器里查询的方式控制蜂鸣器的工作与停止。这样必然会增加程序的复杂度和耦合程度。   但是使用邮箱的方法传递数据，可以