对于红外光电传感器来说，对应不同的路况（主要是黑白），接收管接收到地面漫反射的红外线后，两端电压会有所不同。 即传感器接收管面向白路，其电压会有所不同。 越高，如果面向黑色路径标记线，电压越低。 基于这个原理，可以提出一种比较通用的路径离散识别算法：通过普通I/O口将接收管电压读入单片机，通过端口输入的高低电平逻辑来判断是否 传感器位于路径标线上方，然后进行过滤 通过检测标线上方的所有传感器，可以粗略判断此时车身相对于路面的位置，从而确定路径信息。
这种离散算法简单易实现，对硬件和算法要求相对较低，即使在传感器数量较多的情况下也能获得较高的识别精度。 但其致命缺陷之一是路径信息仅基于间隔排列的传感器的离散值，无法为两个相邻传感器之间的“盲区”提供有效的距离信息。 因此，在传感器数量有限的智能汽车赛事中，其路径识别精度很大程度上受到传感器数量及其间距的限制。
即使传感器数量不受限制且路径识别精度足够高，离散路径识别算法仍然存在难以克服的固有缺陷。 由于离散算法得到的路径信息是离散值，如果直接应用到转向和车速控制策略中，必然会造成转向和车速调节的阶跃变化，从而产生以下不利影响 对赛车性能的影响：一是转向和车速控制僵硬，对路径变化不敏感，容易出现超调和振荡现象； 其次，舵机输出角相对于路径是阶跃延迟响应，是一种追求高速性能的高车速短决策周期控制策略。 一般来说，控制故障很可能是由于舵机响应不够引起的。
为了解决上述问题，一方面，我们可以从路径识别算法入手，寻找一种识别精度高、不受传感器数量限制、识别信息连续的路径识别算法； 另一方面，我们也可以从控制算法出发，寻找一种基于离散路径信息的路径识别算法。 连续控制算法。 本文围绕第一个想法，提出了一种通过以有限间隔排列的传感器收集连续数据来实现连续路径识别的方法。
光电传感器特点
这种系列化方法主要是基于对光电传感器特性的深入研究。
其实红外光电传感器的特性并不像上面说的那么简单（白色区域电压高，黑线电压低）。 其电压与传感器距黑色路径标记线的水平距离成定量关系：距离黑线越近，电压越低，距离黑线越远，电压越高。（具体对应关系与光电管型号和距地面高度有关。
因此，只要掌握了传感器电压-偏移距离特征关系，就可以根据传感器电压确定各个传感器与黑标线的距离（而不是仅仅粗略判断传感器是否在线），并且 然后就可以得到车体的相对路径标记的直线位置，从而获得连续分布的路径信息。
连续路径识别算法
传感器特性测量
传感器电压-偏差距离曲线的测量是实现连续路径识别的基础，需要在软件调试阶段提前完成。 下面以一组实际设计的传感器为例来说明曲线测量的过程。
预校准
考虑到赛道的差异性以及传感器温漂对传感器电压整体变化的影响，每辆车起步前都需要对赛道进行预标定，为赛道的归一化过程提供准确的归一化基础。 下面算法的路径识别部分。
标定过程中，小车处于停车状态，但传感器及其电压A/D转换通道仍在工作，单片机不断记录读取的电压值。 将小车在赛道上移动，使所有传感器都能扫描到白色路面和黑色赛道标线，这样单片机就可以记录路面传感器的最大值（白色区域电压）和最小值（黑色区域电压） 在轨道上。 区域电压），为算法中的归一化过程提供基本参数。
路径识别
路径识别（即路径信息获取）是控制算法的核心内容，每一步都在单个决策控制周期内完成。 首先，在每个决策控制周期中，传感器电压通过A/D转换转换为数字量并读入单片机。 然后，使用校准过程中获得的传感器电压的最大值和最小值对获得的传感器电压进行归一化。 下一步是识别可用于确定路径信息的有效传感器。 然后，需要调用传感器特征曲线参数来计算路径信息。 最后，为了提高路径信息的准确性，减少单个传感器检测和数据转换的误差，可以对基于三个有效传感器计算出的三个偏移距离进行平均，以获得更准确的路径信息。
值得注意的是，这样得到的路径信息是车身中心到路径标线的距离，是一个不断变化的量。 它不仅可以在传感器位于轨道标线正上方时检测轨道，还可以在传感器偏移时进行检测。 移动标记线时给出具体的偏移距离，从而消除传感器间隙的“盲区”，实现连续路径识别。
问题与展望
与普通离散算法相比，连续路径偏差识别算法不仅具有精确定位、连续响应的特点，而且从理论上讲，连续算法在任意数量传感器配置的控制系统中都能保证更好的路径识别效果。 控制的流动性提供了可能性。
同时需要指出的是，在使用该算法时，在硬件设计中还需要注意一些相关问题：
需要根据实际路径标线宽度和传感器距地面的高度来选择合适的光电传感器。
为了保证算法的简单性，并使所有传感器共享分段线性模型，最好保证所有传感器的一致性，即所有传感器的特性曲线具有大致相同的形状。 这其实是很难实现的，但是如果在设计的时候稍加注意，比如对组件进行分层筛选，还是可以部分改善问题的，给算法实现带来便利。
