国外主要有瑞士联邦理工大学研制的两轮遥控机器人J0K以瑞士为核心控制器，分析美国南方大学的数据和传感器信号，通过控制算法执行美国卫理公会大学设计的两轮移动小车。这两款移动小车相应的操作指令都是通过系统软件开发工具IAR来选取的，软件不具备自站立功能。我国已开始编程进行平衡小车的研究，小车的路径感应采用工字型电感，信号选取是谐振后再进行，但随着科技的进步，各研究所、大学陆续制作了频率、运算放大、倍压检测等，并反馈给单片机，单片机根据不同的设计方案、不同的用途、不同的控制方式，计算出很多小车当前的位置偏移量；小车的姿态信息采集采用陀螺仪自平衡系统。 主要有Swa两轮移动小车，Free Mover双MPU6050，目前的小轮移动小车都是经过卡尔曼滤波^1后输出的，它的主要缺点是算法复杂，价格昂贵。无法实时获取姿态；小车测速装置采用Mini编码器，可以检测目前的两轮IN平衡小车的姿态信息采集，一般采用陀螺仪测速度大小、方向；小车特殊元素识别采用红外传感器、加速度计进行数据采集，姿态信息融合装置，激光雷达传感器，电感器，陀螺仪。通过算法，获取准确的姿态信息。
双轮自平衡车的稳定性非常差，系统是基于电磁信号的检测，通过单片机处理，控制任务复杂，目前的双轮自平衡车在实现自主直线行驶、特殊要素识别等功能方面还有待提高，无法弥补路面上稳定准确的跟踪行驶。本系统设计主要针对目前双轮自平衡车存在的不足，本设计基于I）型小车模型，由单片机最小系统模块、运算放大器模块、电机驱动模块、电源模块、传感器模块、人机交互模块组成。通过各系统实现小车的姿态检测和平衡控制，陀螺仪、红外部分协调配合，为小车提供硬件基础，如传感器等，再通过卡尔曼滤波法采集数据进行姿态融合进行直立控制，大大提高了系统直立控制的稳定性。 同时采用级联pm算法对直立环和速度环、转向环控制以及电机控制进行串行控制，提高智能平衡车在运行过程中的稳定性和抗干扰能力，保证小ffl丨系统设计框图系统各模块功能如表1所示。表一系统模块功能表2.2陀螺仪MPU6050序列号模块功能1微控制器RT1021，整个系统的核心控制器MPLI6050由三轴加速度计和三轴陀螺仪组成，主要有AMS 1117、MC34063，为各功能模块提供稳定的2个电源，用于测量小车的角速度和角加速度。传感器采用3.3 V固定电源电压MPU6050、红外传感器、Mini编码器、系统环供电，通信方式为软件HC通信协议。芯片内置16位3AD转换器，用于环境信息检测。
MPU6050接口电路如图4所示。 4 电机驱动 HIP4082，控制电机输出 DVCC_3V35 运算放大器 OPA4350，电感信号放大 6 人机交互 OLED，无线模块，拨码开关，方便系统调试 U8 m 2 主要硬件设计 ^11|1 2.1 电机驱动电路 采用集成芯片H1P4082设计电机驱动电路，如图2所示，该芯片具有欠压保护，击穿保护等特点，通过单片机的PWM接口输出相应频率和占空比E R32=M .7K的PWM信号，该信号通过集成芯片H1P4082控制MOSX DGND管的导通与截止，实现电机控制。 DGND 陀螺仪模块 图4 MPU6050接口电路 2.3 智能平衡车机械结构设计 2.3.1 车体结构设计采用D 型车模型，如图5 所示： 东莞市博斯电动双车集团-数码科技有限公司 单片机与电机驱动电路之间的电气连接可能会对电机控制产生干扰，为防止这种干扰，在两个电路之间增加了光耦隔离电路，如图3 所示，避免了输出信号对输入信号的影响，提高了电路的抗干扰能力。同时光耦隔离电路具有电平转换功能，可以把输入信号转换成单片机可识别的TTL 电平信号。
小车的机械平衡点对于小车的平衡控制至关重要，在组装小车时，应尽量使重心保持在轮胎的中心位置，因此将电路板安装在车轮的正上方，使重心保持在轮胎的中心位置，提高小车运行时的稳定性。小车电路板的安装如图6所示。2.3.3电池固定Nl-Cd充电电池较重，占整车的比例较大，影响重心，因此电池固定的位置至关重要。因此将电池安装在小车模型轮胎的后面，并用扎带固定（见图7），使重心后移。重心的后移使小车有了机械平衡点，使转向更加灵敏，小车模型运行更加稳定、流畅。图3光隔离电路还可以减少小车模型外部配重块的使用。3.2算法部分3.2. I PID算法P1D是一种闭环控制算法，被控对象的值通过测量机制反馈到被控对象的控制机制中。PID算法从比例控制（P）、积分控制（I）和微分控制（D）三个方面进行控制。串级PID控制算法是一种使调节时间更短、系统速度更快、系统工作频率更高的控制算法。串级PID控制由两个PID控制器组成，一般以外环输出作为内环控制的期望值，再以内环控制器输出去控制对象，实现串级控制。这种算法可以大大减少二次干扰。以外环控制为主导，先调试内环，当内环输出稳定后，再结合内环输出调试外环，这样内环控制器就可以根据外环输出实时控制系统，使系统响应更快，大大提高系统稳定性。
设计中采用串级PID对小车垂直环和速度环进行串级控制，串级控制原理图如图9所示。图7 汽车电池安装示意图3 主要软件设计1 5 1 9 串级控制原理图如图9所示，串级PID控制以速度环作为外环，垂直环作为内环，速度环输出作为垂直环输入。垂直环系统软件设计是智能平衡车设计的关键，根据系统输出控制电机输出，实现小车自主平衡。 根据直立系统的设计要求，软件需要完成直立环控制、速度环控制、转向PID控制算法和速度控制算法作为环控制、姿态采集和专用元件辨识的数学表达式，其中直立环控制采用a=Kp-(O.-a^+K,•92(1)采用卡尔曼滤波法对陀螺仪采集数据进行姿态融合，采用级联PID1算法串联控制直立环和速度环，同时：a为直立环输出；a,为速度环输出；A为小车姿态。采用级联PID算法控制转向环和电机，保证小车状态融合后的输出角度；为小车角速度；e(Imagine)为速度运行稳定可靠，主程序设计流程图如图8所示。 尺、、为直立环微分控制系数；为速度环比I1进入中断丨情况控制系数；为速度环积分控制系数。
从图中可以看出直立环控制采用PD控制，由于编码获取陀螺仪数据过程中容易产生噪声，因此电压采样值、电压采样值、速度环控制采用PI控制，防止噪声被放大。从公式（1）和（2）可以看出直立控制为获得电感值卡尔曼滤波的负反馈控制器，速度控制为正反馈控制器，两个控制器串联计算电感获得小车位置速度后，即可得到给定速度下小车保持直立的算法。 综合以上两式可得： 电机输出处理～EZ返回等待a=Ki,-i^ai)+Kd-^-^,,[^1*e(k)+中断K,■Xe(i)](3)I(初始化)3.2.2卡尔曼滤波算法图8主程序流程图卡尔曼滤波是一种适用于线性系统对系统做最优估计的算法。卡尔曼滤波本质上是根据当前传感器测量值和前一时刻的预测值及误差对当前时刻的系统状态进行预测。公式(4)和(5)用于计算当前时刻预测值，也就是说，通过上一次最优测量值计算出下一时刻的预测值，其中的误差就是对当前状态的最优估计。公式(5)和(7)分别是预测误差与测量误差，也就是噪声。可以看出，卡尔曼滤波(8)就是系统状态的最优输出。 按照小倩传感波算法，这也是一个滤波的过程。
利用测量值和系统状态预测值计算针对当前系统状态的最优卡尔曼滤波算法，卡尔曼滤波算法由状态预测方程、均方误差方程、最优化估计组成，最后更新系统状态滤波器增益方程、滤波器估计方程、滤波器均方误差更新矩阵方程，具体方程如下。4 结果分析状态预测方程–Ax^+Bu,_x(4)均方误差方程:/v^AP,_^+Q(5)4.1 系统综合调试，H{滤波增益方程:标尺，:(6)H，Hr+R在图10所示的PVC轨道上对坡道、圆环滤波器估计方程■-A+Kt(z丨-叫)(7)环、障碍物进行调试测试，随后对系统进行综合调试。 调试结果如表2至表5所示。式中：表示时刻z和时刻z-1的后验状态估计，即系统状态更新后的结果，也称最优估计。f，表示时刻/的先验状态估计，即基于前一时刻的最优估计来预测该时刻系统状态的预测值。P，表示时刻*的先验估计协方差，即基于前一时刻估计的协方差来预测该时刻系统状态的协方差。P，/V，表示时刻<与时刻t-i之间的后验估计协方差，即系统的不确定性。//表示连接状态和测量的关系。
表示传感器测量值。 表示卡尔曼系数，即卡尔曼增益。 表示过程激励噪声协方差。 / 表示 1 的矩阵。对于单个模型和单个测量， /=1。图 10 PVC 轨迹表示测量噪声协方差，可通过观测获得。 表2 匝道试验结果 序号 轨道长度/m 特殊轨道元素 正向行驶时间/s 反向行驶时间/s 试验次数 成功次数 157 匝道 23.2 23.555 257 匝道 22.6 22.855 表3 环形试验结果 序号 轨道长度/m 特殊轨道元素 正向行驶时间A 反向行驶时间/s 试验次数 成功次数 169 环形 27.25 27.866 269 环形 27. 1 27.565 表4 障碍物试验结果 序号 轨道长度/m 特殊轨道元素 正向行驶时间/s 反向行驶时间/s 试验次数 成功次数 157 障碍物、匝道 24.3 24.68 6 257 障碍物、匝道 24.5 24.887 综合试验结果 序号 轨道长度/m 特殊轨道元素 正向行驶时间/s 反向行驶时间/s 试验次数 成功次数 1169 障碍物、匝道、环形 28.76 29.025 2269 障碍物、坡道、环形28.54 28.985由以上数据可知，小车平均速度2.5m/s行驶，通过坡道成功率为100%，通过环形成功率为83.3%，越障成功率为81.25%。可见，本低通滤波器控制系统的设计[J].现代电子技术，2020，43(4)：2丨-24。设计的智能自平衡小车能以2.5m/s的速度平稳快速行驶，并能自动识别并通过坡道、环形、障碍物，满足设计[7]程华，张雪婷，方义全。基于扩散卡尔曼滤波的计算要求。
基于Arduino的目标跟踪估计[J].计算机应用与软件，2021，38（2）：191-197， 5 结束语[8]赵云娥，吴振强。基于Arduino的双模智能避障小车系统设计与实现[J].现代电子技术，2017，40（21）：94-97， 本设计主要研究分析智能平衡小车的控制算法、机械结构、系统软硬件设计，同时完成基于MPU6050及互补的相应参数及功能调试，实现智能平衡小车自滤波四旋翼飞行控制系统设计[J].传感器技术。该系统硬件设计以单片机RT1021为控制核心，采用集成运放OPA4350完成[1 0]付忠云，朱海霞，孙金秋，等。 基于惯性传感器信号的频率选择、放大和检测，研究MPU6050滤波算法，为小车提供精确的位置信息[.丨].压电与声光，2015,37(5):821-825。线性稳压芯片AMS 1117-3。3V、AMS 117-5V等线性稳压器为系统各模块供电，陀螺仪MPU6050作为姿态[1 1]程华，张雪婷，方义全。基于扩散卡尔曼滤波算法检测系统，通过电机驱动电路和Mini编码器实现电机法目标跟踪估计[J].计算机应用与软件，闭环控制实现小车的姿态检测与平衡控制。
软件设计主要以小车姿态融合算法为核心，通过融合自适应卡尔曼与小波的卡尔曼滤波算法，对陀螺仪数据进行最优估计，大大提高了MEMS陀螺仪去噪方法[J].仪器技术与传感器，系统直立控制稳定性，同时采用级联P1D算法，提高智能平衡车在运行过程中的稳定性和抗干扰能力，为控制提供了有力的保障[1 3]李春晖，马建，杨永建，等。基于改进的自适应系统。利用红外传感器和电感器平方根体积卡尔曼滤波算法[J].系统工程与圈实现特殊要素识别。实现了智能平衡车的自主直立驾驶和特殊要素识别，小车在保持直立状态下可完成前进、转弯、避障、上坡、绕圈等动作[1 4]高志伟，戴学武。 自平衡车LQR-PID平衡及双轮路径跟踪控制器的研制[J].控制工程，2020，27，对自平衡车的发展具有一定的参考意义。(4):708-714，[15]周树道，张阳春，王敏。双变量串级PID球控制系统的设计与实现[J].科学技术与工程，2021，21(4):1454-1458。[1]韩帅，刘曼璐，张俊俊，等。基于级联变量理论的四旋翼无人机模糊自适应补偿算法研究[J].机械设计与控制，2020(9):197-200。仪器仪表学报，2019，33(10):46-52。[2]何华光，梁超，尹金伟，等。基于ARM与遗传算法的四旋翼无人机路径跟踪系统[17]窦立欢。 基于自适应模糊PID的两级倒立摆稳定智能小车设计与实现[J].现代电子技术，2015，38(19):152-155。(6):124-127。[3]付新东，张大兴，袁帅.两轮自平衡小车的状态研究[18]夏国庆，陈华珍.基于模糊理论和P1D的双反馈与输出反馈控制[J].仪器技术与传感器，两轮自平衡机器人智能控制系统[J].现代电子技术，2018(8):90-93，41(21):117-120。[4]王素青，熊伟堂.基于STM32的两轮自平衡小车[19]盛光润，高国伟，李宣业等四旋翼飞行器串联系统设计[J]. [5]王晖,余利军,董泽泉,等.基于STM32的跟踪平衡车研究[2 0]刘金贤•先进PID控制MATLAB仿真[M]•北恒车实验教学平台研究[J].实验技术与管理北京:电子工业出版社,2016:474-502.基于单片机的智能平衡车设计摘要:为满足人们的出行需求,提高平衡车的智能化水平,本文采用D型小车模型平台,以RT 1021单片机为核心控制单元,通过MPU6050姿态传感器采集小车姿态信息,采用卡尔曼滤波算法对陀螺仪数据进行融合分析,得到系统当前状态的最优输出。 最后采用级联 PID 控制电机输出，设计出基于单片机的智能平衡车，实现直立、自动寻迹、主动避障。系统设计主要包括人机交互模块、传感器模块、电机驱动模块、运算放大模块；由硬件软件两部分构成信号输入与控制反馈的闭环系统。人工试验表明，在室内 PVC 轨道上，平衡车能以平均 2. 5 m/s 的速度实现自主直立、寻迹、避障，且抗干扰能力强，满足设计要求。关键词：平衡车；RT1021 单片机；MPU6050；级联 PID；卡尔曼滤波
