那些花儿，好怀念，那些时光，好珍贵。
时间过得是有些快了，上研已经两个多月了，可是我的心偶尔还是会回到西邮，回到229，回到那个让我拼命学习的日日夜夜。不禁想起了“飞思卡尔”智能车比赛，一段刻苦铭心的经历，这次比赛可以说是大学生活中让我成长最快的经历。此刻两个队友的名字映射到了我的脑海，梅仔，肖坤，两个可爱的队友，虽然当时闹过别扭，有些不愉快，可是“不打不相识啊！”
梅仔，我们的coder，参加过新卓越的培训，经过老范的指点，编程方面经验丰厚。会使用多种编程语言，从后面利用C#编写上位机，观察小车动态采集回来的数据以及动态的调节车子的PID参数，在小车的调试中，启到了很大的作用。然而，我们的梅仔，有些执拗和偏执，也正是因为这，我们倆闹得有些不愉快。接下来，该介绍我们的PCB制作者，肖坤，河南周口籍。这里我之所以要提到籍贯，是为了说明河南小伙的几个优点。第一，做事细心，有耐心，会一直做下去；第二，特别能忍耐，并调节我和梅仔之间的关系。可以这样说，如果没有他的话，我和梅仔之间必然会闹掰。第三，性格好，肖坤被他们班的女生叫作“坤姐”。当然，这些都是我后来毕业和他们一起吃饭的时候，听到的。
合作（cooperation）真的不是那么容易，在共同完成一个任务时，各司其责是完全不够的，我们必须有足够的交叉，让我们的思想融汇贯通。最好的方式也是最通常的方式，就是坐在一起讨论。我们当时的分工是这样的，因梅仔对编码很在行，所以梅仔主要负责K60的编码工作和调试小车。肖坤负责调试激光传感器、绘制电路板和焊接元器件。尤其是调试传感器，后来基本上都是他负责，感觉那激光传感器就只听他的话似得。虽然我偶尔也动动，但心中总是带着担心，深怕手上的静电把激光弄坏了。而我呢，两边都参加，看程序做算法，虽然我没有经过专业的培训，但是我的逻辑能力还不错，找错误是一把好手。同时，在硬件电路的设计和调试上，也能帮忙分析，对发现错误解决问题，总是屡试不爽。
好啦，现在步入正题，进入问题讨论环节。做“飞思卡尔”智能车中困扰我很久的两大问题，在此也不完全能够提出正解，如果你也对这个问题感兴趣，可以发表你的看法。
第一个问题描述：我们采用的是一对三的方式接收反射回来的激光信号，发送的激光信号是经过PWM（180KHz）调制的，传感器的布局左边[9 8 7; 6 5 4; 3 2 1 ]，右边[1 2 3; 4 5 6; 7 8 9 ]，最终这些激光点都是整齐的打在小车前50-60cm的白色KT板上。因为接收管采用了复用方式，为了判断出来是哪个点对应的激光照射到黑线上面，我们采用分时的方式，分三次点亮所有激光。例如第一次点亮左边[9 6 3]和右边[3 6 9]，第二次点亮左边[8 5 2]和右边[2 5 8]，第三次点亮左边[7 4 1]和右边[1 4 7]，这样就可以采集到所有的点信息。在这里，我不去讨论传感器的具体布局和前瞻远近的问题，假设其处于合适的状态。
我和梅仔的第一个争论，采样频率问题。梅仔的观点是，尽可能的使采样时间短，减小小车状态调节的时间延迟，缩短调节周期，达到对小车稳定平滑的控制。在增加了采样频率后，出现了这样的现象，激光的亮度明显变暗。至于激光为什么会变暗，这个不难理解，单个激光的点亮时间明显缩短，因而观察到的结果就是整个激光的亮度衰减。刚开始调车的时候，效果还不错，紧接着，出现了一些让人不可思议的现象，小车在一些平常行走很正常的地方，却出现了奇怪的行为，如突然左拐或右拐。对此，梅仔刚开始的解释是激光没有对好焦点，然后就让肖坤去调节。可是后来，怎么调节都不启作用，总会有接收不到的点。这个时候，就不得不深入的思考一下了。于是我提出这样的观点——如果我们把器件的寿命考虑进去的话，当器件还是新的时候，无论是器件的响应时间还是稳定性，都是处于最佳状态。刚开始使用这种方式采集数据的时候，发射管的功率和接收管的接收能力都还很不错，可是使用一段时间后，发射管的发射功率明显衰减，导致接收管接收误判，将白板判断为黑板，从而在小车的控制策略上面就会出现大的误操作。后来发现，当我们减小小车的前瞻的时，激光的接收能力明显增强，这在一定程度上验证了我的观点。
我和梅仔的第二个争论，采集数据的量化问题。梅仔对编码有相当的经验，编写出来的代码让人看了相当舒服，有大家的风范。采集数据后，要找到黑线所在的位置，梅仔所采用的思路是从内侧激光点往外扫描，当找到黑线后就停止，然后进行量化。并且，我们的量化方式采用的是倍增点量化（将已知点的中间点也量化），至少初期的时候，我和他都还津津乐道到这个肯定能够增加控制精度，可是却为后面的调试埋下了一大隐患。首先，我们讨论一下量化程序，从理论上面来讲，这种量化方式是完全没有问题的，也不会出现什么弊端。可是在实际的处理问题当中，会出现很多异常的现象，例如，所采集的数据中，多于两点的数据照射到黑线上，这样在量化的过程中，就会忽略掉一些点，从而使得系统的稳定性能大大下降。在所有激光工作正常的情况下，这样量化有一个优点，我们可以完全忽略掉赛场外的背景，而不至于受到赛道外界环境的干扰。（ps：官方当时指出，我们不限定赛道外的背景颜色，主要由主办方来决定，赛前两个礼拜公布）
对此，我想提出一种量化解决方案，既能够很好纠正错误情况的产生，同时又能够不受赛道外部背景影响。方案如下：因为目前大部分的芯片都不存在着容量不足的情况，所以我们可以把传感器采集数据可能出现的情况（包括非正常情况，如某个管工作不正常）按照二进制进行量化，根据实际情况对应量化值，当控制器采集到数据后，通过查表的方式获取采样值的量化值。这个方案的要点是怎样进行量化编码，量化值如何取，在此不作进一步分析。
再说说倍增点量化，之所以有这样的考虑，是因为官方规定的黑线宽度是25mm，而我们的激光点间距小于25mm，所以会出现两点同时落在黑线上的情况。因此，我们决定将中间的一个虚点也纳入到其中，来增加调节的精细度，使控制精准。后来的实践证明，这种方式的量化，给系统的稳定性带来了很大的隐患。因为，稳定状态极不容易达到或保持，跟随系统的误差总是存在，小车一直不停的调节，从而使得车体产生震荡，运行不稳定。刚开始，我们还没有意识到这个问题，通过各种滤波函数来处理出现的问题，可是效果都不理想。后来在一次偶然的尝试过程中，去掉这些虚点，小车的状态一下子上了一个档次，当时真是把我乐坏了。总结一下，出现上述错误主要有两点原因，一是激光点间距本身就不一致，量化时就存在误差；二是智能小车在运行过程中，允许的误差越小，小车跑的就越保守，放不开步子。而事实上，小车在道路上跑动的时候是允许有一定的误差的，只要不超过这个限度，都是合理的。我和梅仔都太过于理想化，忽略了实际情况，才导致后来种种曲折道路。
为青春奋斗不息，我的战友，你们现在还好吗？
写着写着，就这么长了，第二个问题待续。。。