關於車的前瞻
需要一定的前瞻保證提前檢測到道路前方的資訊，在入彎時需要減速，出彎時需要加速，而加減速需要一定的距離，所以前瞻理論上應該至少等於感測器採集資料週期內車子前進的距離+加速或減速需要的距離。
目前看來前瞻的作用更多體現在提前轉彎，在速度快時，提前轉彎顯得尤為重要。而且前瞻越大以後過小s彎時車的左右擺動幅度會越小
如何放置電感，使得兩個感測器採集到的資料差，經過某種函式變換後，與實際偏差線性相關
主電感水平橫向放置，這樣能保證感測器不受橫向的導線影響，那麼十字路就與普通的彎道就沒什麼區別了。
輔電感水平向前放置，這樣在沒有彎道的時候檢測不到訊號，而一旦檢測到彎道就有明顯的訊號出現，而且可以根據兩邊訊號的強弱來判斷是左直角還是右直角還是十字等等
如果兩組電感不夠可以考慮再加一組，暫目前看來兩組已經足夠。
函式變換已經找到了，過程如下：採集實際資料，包括偏離中心線的距離x，和對應的兩個感測器的示數差e；將資料輸入matlab，利用cftool工具進行擬合，發現e=a*sin(bx)這個函式的擬合效果非常不錯；求這個函式的反函式，就得到了x=1/b * arcsin(e/a)；現在根據兩個感測器的示數差e就能得出感測器偏離中線的距離x了。
顯然我們的控制演算法需要的是乙個線性的量，如果不進行這種變換，直接用e進行控制，那麼控制起來會經常出現過頭的現象，而用x進行控制則要平滑得多。而且這樣經過變換後還有乙個好處，如果環境改變，我們就只需要修改變換函式，使得得出正確的偏移量，而後面的控制演算法的引數可以不用改，這樣就把資料的採集與處理和控制演算法分離開來，除錯起來更容易。
利用多組感測器得到更精確的定位
參看官方給的參考方案，主電感可以採用兩組，採集兩個方向的磁場強度，從而推測出電感與中心線的夾角等等其它資訊。這個還有待深入研究。
聽說有人兩個電感跑2公尺8，嚇傻o_o
速度控制
需要給從 a
m/s到
b m/
s經過的時間 t
s設定乙個目標值，然後朝這個目標努力。總體目標是，速度控制平滑穩定，加速減速反應迅速。
現狀：採用裸增量式pid控制方法，目前只用了p，且加了限幅，結果是速度不穩定，在目標速度上下來回波動，週期比較長。
原因分析：直立車與四輪車相比，它的速度控制和直立控制是直接耦合在一起的，因此速度控制不能剖開直立控制來做。初步分析現在的演算法，問題出在，在速度帶到目標速度前，速度控制量就已經飽和，而只有當速度超過目標速度後，速度控制量才會下降，而剛開始下降時，車依然是加速的，這勢必會大大加長速度調節週期。
在速度控制上，我們之前所做的理論分析遠遠不夠就開始編碼看現象，這是浮躁，得改。
後來確實遇到了很多問題，事實證明，無論做什麼，一步一步扎扎實實走是很重要的
關於智慧型車的一些坑
最近上手學校乙個智慧型車專案，專案初期踩了很多坑，做個簡單小結。由於是接手上一屆學長的，並且以前是跑的最好的一輛車，所以當時對於車的效能無比確信，那麼問題也就從這裡來了。車子由於一年的擱置裡邊很多東西已經不是很好了，當時猜得乙個很大的坑是下橋之後的乙個檢測，檢測前方是否有白線，我們將去年寫好的程式燒...
對於今年AI電磁組的一些看法
卓大好，記得開始的時候ai電磁組的萌新們還在擔憂ai跑不好而猶豫是否使用傳統pid，現在經過浙江賽區的比賽來看，這個問題的答案已經毋庸置疑了。那新的問題出現了，根據賽場上的情況來看，您怎麼看待小白四輪組使用ai技術呢？僅抱有吃瓜態度無意引戰，個人認為新東西學到還是賺到的 使用電池接頭製作的t型手環 ...
人工電磁特異材料的一些研究
背景 材料的電磁特性就兩個引數，磁導率和介電常數。大多情況下，這兩個值都應該是正的。不過自然界也有極少數的材料，這兩個引數在某一些頻率下是負的或者等於零。這類特意材料能夠產生很多特異的效果，比如隱身，光計算等等。這方面的研究主要分為兩個方向 不同的特異材料組合在一起，能夠產生什麼樣的效果。研究的難點...