2020-11-14

这是一个使用STC8A8K单片机控制的循迹机器人程序,通过OLED显示、HPWM设置电机速度、延迟函数及传感器检测来实现路径跟踪。程序中定义了按键、蜂鸣器、LED灯和电机控制引脚,并根据传感器读取的黑白线状态调整小车行驶方向,包括直行、转弯和调头。同时,程序还包含了防止小车偏离赛道的错误处理机制。
摘要由CSDN通过智能技术生成
#include<stc8a8k.h>
#include<oled.h>
#include<delay.h>
#include "hpwm.h"
//左电机
sbit LPWM=P2^0;
sbit LA2=P0^4;
sbit LA1=P0^5;
//右电机
sbit RPWM=P2^1;
sbit RA2=P0^6;
sbit RA1=P0^7;
//接传感器
sbit L1S=P1^2;
sbit MS=P1^1;
sbit R1S=P1^0;

// sbit L1S=P1^0;
// sbit L0S=P1^1;
// sbit R0S=P1^2;
// sbit R1S=P1^3;
//定义黑白线的信号,根据实际模块定义,1是高电平,0是低电平
unsigned char blackline=1;
unsigned char whiteline=0;
//*************************************
sbit key=P3^4;//接按键

sbit beep=P0^3;//接蜂鸣器
sbit led=P0^0;//接LED报警灯

unsigned char keyflag=0;
unsigned char crossnum=0;
unsigned char startflag=0;
unsigned char LV=0,MV=0,RV=0,preLV=0,preMV=0,preRV=0;
//循迹函数声明,先声明后定义,不然main都不知道有这个函数,在main函数后面定义具体程序代码
void trackline0();
//这个是定义,不声明,后面main函数可以直接用,
//小车前进,根据速度两个轮子速度差,进行前进,转弯等
//vleft:0-1之间,是比例
//vright
void qianjin(float vleft,float vright)
{
  HPWM_Set(0,8000,vleft);
	LA2=1;
  LA1=0;
	
	HPWM_Set(1,8000,vright);
	RA2=1;
  RA1=0;
	
}
void back(float vleft,float vright)
{
  HPWM_Set(0,8000,vleft);
	LA2=0;
  LA1=1;
	
	HPWM_Set(1,8000,vright);
	RA2=1;
  RA1=0;
	
}
//小车停止
void stop()
{
 
	LA2=0;
  LA1=0;
	
	RA2=0;
  RA1=0;
}
//*******************************************主函数
void main()
{
  L1S=1;
	MS=1;
	R1S=1;
	OLED_Init();
	HPWM_Init();
	OLED_ShowString(0,0,"Please press start...");	
  delay_tms(100);
  while(1)
	{
		//*****************************
		//检测按键是不是按下,开始启动
		if(key==0)
		{
			delay_tms(10);//延时去抖动
			if(key==0)
			{	
				startflag=1;
			  OLED_ShowString(0,0,"I am running...");	
				//开机先动一下
				qianjin(0.35,0.35);//
				delay_tms(1000);//延时
				stop();
				delay_tms(2000);//延时
			}
		}
		//**********************如果开始标记等于1,说明按下启动键,这时候小车才开始跑
		if(startflag==1)
		{
			//开始循迹,请看这部分代码,太长了,单独拉出来写,方便看主程序逻辑
			
			trackline0();	
	
		}
			
	}
}

//trackline0();
void trackline0()
{
	
	if(L1S==0)LV=0;
	else LV=1;
	
	if(MS==0)MV=0;
	else MV=1;
	
	if(R1S==0)RV=0;
	
	else RV=1;

	if(LV==blackline && MV==whiteline && RV==whiteline)//1 00  
	{
		qianjin(0.25,0.45);//左转弯
	}
	else 	if(LV==whiteline && MV==blackline && RV==whiteline)//0 1 0 
	{
		qianjin(0.3,0.3);//直走
	}
	
	else 	if(LV==whiteline  && MV==whiteline&& RV==blackline)// 00 1 
	{
		qianjin(0.45,0.25);//右转弯
	}
	
	else 	if(LV==blackline && MV==blackline && RV==whiteline)//110 判断是左转90度
	{
			stop();
		 delay_tms(2000);
// 		  qianjin(0.25,0.25);//直走
// 		  delay_tms(20);
		  qianjin(0.05,0.55);//左转弯
		//back(0.35,0.35);
		 while(1)
			{
				delay_tms(20);
				if(R1S==blackline)break;
			}
		
		
	}
	else 	if(LV==whiteline && MV==blackline && RV==blackline)//011 判断是右转90度
	{
				stop();
		 delay_tms(2000);
  		 qianjin(0.45,0.05);//直走
	  delay_tms(30);
// 			  back(0.35,0.35);
		  while(1)
				 
			{ delay_tms(20);
				if(L1S==blackline)break;
			}
		
	}
		else 	if(LV==blackline && MV==blackline && RV==blackline)//111 判断是终点,调头
	{
				stop();
		 delay_tms(2000);
		qianjin(0.35,0.35);
		delay_tms(500);
	  	back(0.35,0.35);
			  delay_tms(500);
			  while(1)//如果中间的传感器碰到黑线,就跳出循环
				{		  delay_tms(20);
					if(MS==blackline)
						break;
				}
	}
		else 	if(LV==whiteline && MV==whiteline && RV==whiteline)//000找不到直线,如如果前面是直走,就转360度,如果是之前右边,就左转,之前左偏,就右转
	{
		if(preLV==whiteline && preMV==blackline && preRV==whiteline)//0 1 0,就调头,右转,
		{
				qianjin(0.4,0.15);//右转弯
			  delay_tms(500);
			  while(1)//如果中间的传感器碰到黑线,就跳出循环
				{		
					if(R1S==1)
						break;
				}
			
		}
			if(preLV==blackline  && preRV==whiteline)//1 0,之前是左偏,那么就右转
		{
		   qianjin(0.4,0.1);//
				
		}
			if(preLV==whiteline  && preRV==blackline)//01,之前是右偏,那么就左转
		{
		   qianjin(0.1,0.4);//
				
		}
		if(preLV==blackline && preMV==blackline && preRV==blackline)//111,之前三叉路口,就右转
		{
			qianjin(0.4,0.1);//
			
		}
		return;		
	}
			preLV=LV;
			preMV=MV;
			preRV=RV;
				
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值