基于SOPC的高精度超聲波雷達測距系統(tǒng)設(shè)計

　　上述經(jīng)卡爾曼濾波算法優(yōu)化后的數(shù)據(jù)會送到LCD液晶屏顯示，一部分數(shù)據(jù)顯示為實時數(shù)值數(shù)據(jù)，另一部分則先存儲，然后在LCD液晶屏的指定區(qū)域顯示為實時波形數(shù)據(jù)。

4 濾波參數(shù)設(shè)置

　　當系統(tǒng)檢測到物體處于靜止狀態(tài)時，利用一維卡爾曼濾波算法進行濾波去噪;當系統(tǒng)檢測到物體處于運動狀態(tài)時，則采用多維卡爾曼濾波算法，由于我們采用的超聲波傳感器的測量范圍較小，在短距離變化內(nèi)，我們可以將運動物體近似看成勻速運動，所以對于運動物體，采用二維卡爾曼濾波算法進行濾波去噪。根據(jù)實際系統(tǒng)的噪聲和系統(tǒng)調(diào)試情況，一維濾波模型和二維濾波模型的系統(tǒng)參數(shù)設(shè)置如表1所示，其中 為采樣時間間隔，由于該系統(tǒng)無額外控制量，所以考慮設(shè)計控制矩陣B為零矩陣。

5 應(yīng)用結(jié)果

5.1 輸入測量值分析

　　圖5是系統(tǒng)的輸入測量值，被測量物體首先處于運動狀態(tài)，由于系統(tǒng)噪聲和測量噪聲干擾，從該圖中可以看到實際測得的物體距離值存在較嚴重的噪聲干擾，上下波動比較大。

　　隨后物體處于靜止狀態(tài)，繼而又處于運動狀態(tài)，我們可以看到在檢測過程中，物體距離測量值都有較大的噪聲干擾，波動較大，我們使用卡爾曼濾波算法的目的就是對測量值進行去噪處理，以提高系統(tǒng)的測量精度。

5.2 濾波輸出數(shù)據(jù)分析

　　圖6是經(jīng)過卡爾曼濾波算法濾波之后的距離數(shù)據(jù)。卡爾曼濾波算法在工作中，需要一定次數(shù)的算法迭代過程才能實現(xiàn)數(shù)據(jù)收斂，即達到較好的濾波效果。由圖6可以看到每當物體運動狀態(tài)轉(zhuǎn)換后，在經(jīng)過一定次數(shù)的濾波算法迭代后，數(shù)據(jù)都能達到很好的去噪和收斂效果，對比圖5含噪聲的測量數(shù)據(jù)，在精度上有大幅提高。

　　卡爾曼增益可以用來衡量卡爾曼濾波算法在工作過程中的去噪效果，在實際的濾波系統(tǒng)中，卡爾曼濾波增益會隨著迭代次數(shù)的增加而成指數(shù)下降，以此來實現(xiàn)濾波去噪的效果。圖7展示的是卡爾曼增益的變化過程，我們可以看到在每次運動狀態(tài)轉(zhuǎn)換后，卡爾曼增益都會快速下降，以使數(shù)據(jù)收斂。

5.3 性能數(shù)據(jù)分析

　　表2列出了該系統(tǒng)對測量數(shù)據(jù)進行濾波處理的性能分析，當系統(tǒng)數(shù)據(jù)收斂后，我們對數(shù)據(jù)進行統(tǒng)計整理并列于表2中。由表2可以看出，該系統(tǒng)對噪聲有很好的濾波效果，可以大大提高系統(tǒng)的測量精度。

6 總結(jié)

　　利用本文提出的設(shè)計方法設(shè)計實現(xiàn)的超聲波雷達測距系統(tǒng)，結(jié)合了軟件設(shè)計方法和硬件設(shè)計方法的優(yōu)勢，可以高性能的完成距離的測量，同時，卡爾曼濾波算法的引入，提升了系統(tǒng)的抗干擾能力，大大提高了系統(tǒng)的測量精度。

參考文獻：

　　[1]栗素娟, 朱清智, 閻保定. 基于NiosⅡ的機器人視覺伺服控制器的研究與設(shè)計[J]. 電子設(shè)計應(yīng)用, 2007, (6):104-105

　　[2]方茁, 彭澄廉, 陳澤文. 基于NIOS的SOPC設(shè)計[J]. 計算機工程與設(shè)計, 2004, 25(4):504-507

　　[3]王銳, 雷金奎. 基于軟核Nios II的SOPC數(shù)據(jù)采集系統(tǒng)的設(shè)計[J]. 計算機測量與控制, 2008, (8)

　　[4]唐思章, 黃勇. SoPC與嵌入式系統(tǒng)軟硬件協(xié)同設(shè)計[J]. 單片機與嵌入式系統(tǒng)應(yīng)用, 2005, (12):5-8

　　[5]Auger F, Hilairet M, Guerrero J M, et al. Industrial Applications of the Kalman Filter: A Review[J]. Industrial Electronics IEEE Transactions on, 2013, 60(12): 5458-5471

　　[6]Welch G,Bishop G. An Introduction to the Kalman Filter[J]. University of North Carolina at Chapel Hill, 1995