简介

今天来分享一下我是如何用最短的时间进行智能小车的PID调速的。在疫情期间比较无聊，在某宝买了一个智能小车底盘和一堆零件，基于Arduino Due和树莓派进行开发，Due负责底层控制，树莓派进行上层控制器开发，比如斯坦利控制器或者模型预测控制器进行轨迹跟踪。 本次采用Simulink工具链完成，小车的所有代码均基于Simulink Target Support Package完成。  
 

所需要的硬件&软件

1.普通带编码器的直流电机。 2.Arduino Due控制板及数据线（类似dSPACE MAB进行RCP开发,但是性能完全没有可比性，开个玩笑）。 3.Matlab&Simulink R2019b （民间通用版本即可）。 4.电脑一台。

前期准备工作

（1）安装Arduino硬件支持包

这并不是本文的重点，网上有许多这方面的教程，包括MATLAB录制的研讨会均有类似的视频教程。有意的同学可以自行查阅相关资料，十分简单。如下类似教程。 https://blog.csdn.net/u013732401/article/details/70161200

（2）Simulink模型

新建Simulink Model,并且打开Library Browser。找到Simulink Supprot Package for Arduino Hardware  
  按照下图搭建模型。其中Tachometer模块在硬件支持包中的Sensor模块里（2019b有，低版本2018a并没有，需要自己通过编码器脉冲的上升沿或者下降沿捕获进行），具体通过高低电平进行捕获的模型在硬件支持包中的DrivePID例程中的Encoder子模块中有搭建。  
  可以看到，Tachometer输出量并不是help中讲的RPM，而是脉冲/每分钟。Tachometer模块中设置的即是编码器的单个信号线连接的PIN口（这里用一根信号线就无法测量方向了，请注意编码器信号线是5V电压，本次使用的单片机IO最高容忍3.3V，需要初中知识进行分压电路的搭建，如果使用其他芯片，请查询数据手册该IO口的最高容忍电压），采样时间设置0.05即可。由于我智能小车轮子转一圈采集390个脉冲，轮子直径64毫米。所以简单计算即可得到轮速转一圈行驶的距离，单位m/s。后面经过了一个一阶低通滤波器，这个在网上可以找到关于一阶低通滤波的公式，然后进行搭建，这里就不是赘述了。 接下来进行驱动模块的搭建，关于L298N驱动模块的使用，这里我使用一路电机进行调试，29和27PIN脚设置成高电平和低电平，PIN2设置为ENA。在Arduino 支持包中，PWM模块输入值0-255对应0-100%占空比，PWM频率在Due中驱动模块固定1KHz。  
  Step阶跃信号目的在于仿真时间2s时进行阶跃输入，占空比改变至100，我们需要做的就是进行数据记录，记录本次仿真的时间，输入和输出。如何记录呢，那么我们需要在相应的信号线上右键，选择Log Selected Signals。我们需要对Step输出线，低通滤波后的速度进行Datalog。最后设置Arduino外部仿真调试环境。  
 
  在Set COM port端口中可以手动输入您的硬件串口号如果在上传程序失败的时候。接下来进行在线调试，类似keil软件中的debug模式。在2019b以下版本的同学点击仿真按钮旁边的下拉菜单选择External模式即可。我在使用2018a版本无法进行数据datalog，可以通过串口进行数据传输，具体请查阅相关资料。  
  点击按钮开始离线仿真，模型会编译成代码刷写进硬件。前期准备工作完成，相信无论用基于模型设计的方式还是手动写代码的方式，完成以上工作都不会难。接下来就进入本次教程的正题。

正题

数据导出到Workspace

如图所示，点击Data Inspector  
 
  分别将左侧数据拖入进对应的框图即可查看数据记录效果，如果您已经有小车并且已经进行开环PWM测速，您需要关注以下的每一步。只要您有相应的PWM和速度值都可以使用以下方法进行PID调速，不仅限于使用Aruduino类似的快速原型开发。如图所示，右键数据，进行导出，导出至Workspace即可。  
 
  同样的方式将两组数据全部导出，分别是PWM和Speed。 返回Matlab主界面，您会看在工作空间看到如下图所示。  
  使用代码即可将数据解析出来，如下图所示。  
  再看工作空间内容，即可得到我们熟悉的数据类型。

系统辨识

我们通过输入和输出基于Matlab的System Identification工具箱即可辨识出小车驱动的传递函数，从而进行PID整定。具体方法如下。打开系统辨识工具箱。  
  将时域数据导入。  
 
  导入后，点击导入后的曲线，然后点击Time Plot即可查看曲线。  
  然后如图选择系统估计的模式。  
  您可以根据您的需要选择辨识的传递函数结构，这里我选择二阶振荡模型。  
  然后点击Estimate,稍等片刻，可以在工具箱主界面查看我们的辨识结果，高亮辨识后的曲线，点击Model Output,即可查看辨识曲线。我辨识出来后的重合度达到98.2。效果还是可观的。  
  这一步的最后，右键上面的辨识曲线，即出现需要的传递函数参数了。  
 

离线仿真

得到系统的传递函数，那当然是十分愉悦的事情，在学习控制理论的时候总是先给出系统模型，但是在实际项目中模型是需要辨识的，这就是课本和实际的差距。我们得到参数后即可在Simulink环境进行仿真环境的搭建了，将上图的参数输入至Transfer Fcn模块中。在进行仿真前，因为进行的是连续系统仿真，所以将仿真时间改成变步长。看一下仿真效果和实际输出基本一致。  
  因为需要PID控制，那么我们可以添加PID控制器模块进行模型的搭建，搭建完如下图所示。简单仿真一下，没有更改PID模块的任何参数，所以结果很差。  
  这时我们需要打开PID模块，点击Tune按钮，请求Matlab帮助我们进行自整定！随后自动打开PID Tune的App。  
  似乎已经帮您完成了整定功能，您只需要调整Robust to Aggressive横条去看系统的响应，选择您喜欢的位置，然后点击Updata Block参数会更新至您的控制器。  
 
  此时您发下PID模块的参数已经被更改了，那么调整模型，在Step模块设置您期望速度，例如我需要小车行驶速度为1m/s。点击仿真看看效果。  
 

控制器离散化

是不是借助Maltab/Simulink环境很简单就完成了PID的整定了，有同学会问，这有啥用，我需要跑进板子里啊，别急，我们现在研究的是S域，计算机控制器是离散系统，我们需要把控制器从S域转换到Z域去。步骤如下图所示。 2019b用户如下图找到该App，2019b之前的用户在Analysis->Control Design->Model Disretizer找到即可。  
  您可以选择0阶保持或者1阶保持进行离散化，采样时间我个人设置0.05s。然后点击s->z按钮，最后Store Setting。  
 
  回到模型，您可以看见算法和模型都从S域变成Z域了。在Solver中将采样时间改成定步长，采样时间设置成0.05，再次进行仿真。很不幸模型输出已经振荡！这时您需要重复上述步骤再次在PID tune中进行整定。这里我就不重复步骤，直接给整定后的  
  这是最后自整定的PID参数。  
 

实车效果

仿真效果可以接受，这个时候我们就完成了PID离散控制器的设计了，接下来就需要刷写到板子里。重新改变模型如下图所示。替换传递函数模型，也可以进行对比。将实车速度替换掉传递函数的反馈值。点击外部模式仿真，看一下实车效果如何。  
  经过模型自动生成代码刷写到控制器后，实车测试和仿真结果图有如下对比，在超调量上有些区别，但是实际控制器中超调更小。最后都趋于平稳。蓝色是仿真结果，紫色是实际控制器效果。  
 

总结

仿真可以节省我们太多时间，如果您使用STM32，S12K进行手工代码开发，可以通过串口进行数据采集导入Excel，然后导入到Matlab进行模型的系统辨识，将PID控制器生成原子子系统，进行编写数据字典，管理输入输出信号和参数（非常重要），再使用Embedded Coder生成代码，在中断服务函数中调用生成的代码函数，基于模型设计的方法可以加快控制器的开发。这是一次在贵平台分享软件开发的经验。如果有问题可以联系我的qq:664157262，一起进步！