果果的博客

代码放在仓库https://github.com/gwyxjtu/myrio_car

一、实验设备与软件
1．NI myRIO一块，小车一台，自备iPad或手机。
2．软件系统：Win7系统，Labview2015开发软件，NI myRIO2015驱动程序，APP软件Data Dashboard For LabVIEW。
3．在iPad或手机上自行下载APP软件Data Dashboard For LabVIEW，Data Dashboard免费支持运行iOS，Android的智能手机和平板电脑。

4. 由于实验室电源有限，且点亮不稳定，自行从网上购置了12V锂电池一块，红外传感器两个。
   二、实验具体内容
   实验一：手机遥控小车
   首先是按照电路控制连接电机驱动电路，连接线路板。其中D0留给之后控制小车轮子旋转方向，PWM用于控制小车轮子转速。
5. 问题以及解决方法：
   (1) 12V不能单独引导面包板上方的联通列中，最好单独插在一行，因为12V电压较大，面包板电阻不可忽略。
   (2) myrio板子同样需要接地，否则会出现轮子一会正向转动，一会反向转动且只能受到微弱无规律的控制。
   (3) 具体芯片的调试方法可以先对调两组芯片，然后观察控制效果，如果两个轮子都不受控制，很有可能是。
   
6. 设计思路和程序图
   按照差分的思路设计小车路线控制，具体线路设计连线图如下，总共只用到了两个myrio的四个A组端口，分别是两个PWM，占用A组29，31端口，和d0分别输出给两个电机。
   
   PWM的使用方法就是两个参数，两个电机的占空比分别是p1+p2,p1-p2，p1用来控制小车的整体速度，p2用来跳街两个轮子差异，也可以用来转向，在后面的实验中负责补偿小车速度。
   实验二：基于红外传感器的自动循迹小车
7. 传感器原理以及连线
   红外循迹的传感器共有四个接线端，分别是VCC，GND，D0，A0，接线时候VCC接myrio的5V电压，GND连接地端，D0指的是红外的数字输出，A0指的是模拟输出，我们这里使用D0数字输出，即用螺丝刀调节红外传感器灵敏度，使得在黑线和普通地板返回不同的数字数值。如果使用模拟输入，则需要在程序中新增共享变量动态调整。
   Labview中加入NImyrio的digital in，同时设置myrio的端口，我们这里使用A口的15和17引脚。
8. 程序框图以及算法设计
   开始想到的思路有两种，一种是用红外传感器识别黑线，如果离开黑线则调节，第二种思路是用两个红外传感器夹住黑线，反馈调节。
   最终我们选择了第二种思路，即用两个传感器来夹住赛道，原因是第一种的设计思路对传感器质量要求较高，同时过抖的弯道，比如垂直，第一种设计只能以十分卡顿的试错方法来过弯，而夹住赛道的方法有更多的控制手段。
   设计框图如下，现在进行详细介绍
   
   首先将框图划分为三个区域，其中区域3就是实验一的差分控制，即p1和p2分别负责转速和转向补偿。区域1是一个逻辑判断，即四种情况，分别为：一，左侧右侧都没压黑线。二，左侧右侧都压住黑线。三，左侧压，右侧不压黑线，四，右侧压，左侧不压黑线。为了保证小车能成功通过十字路口，所以两侧都为黑线的时候直行，两侧都不压黑线的时候视为在赛道上，同样直行，如果一侧压住一侧不压，这时候就需要转向来控制，这里使用一个共享变量cons_1，在区域一的上方标记，用来控制自动转向的灵敏度，灵敏度过低会冲出弯道，灵敏度过高会左右摇摆，行进效率低下。仅仅依靠区域1和区域3的框图已经可以实现循迹，但是控制效果不佳，很容易速度过快冲出赛道。区域2在后面的优化里详细描述。

3. 优化方法
   仅凭借区域1和区域3的控制不足以完成很急的弯道。所以加上区域2的优化，区域2首先判断区域一传来的函数值，让小车在弯道时一边轮子转速为0，即在输出的地方直接乘以0，在另一个轮子上给出compensate_1的转速，具体可以通过ipad调节。
   如果需要更快的车速过弯，则需要再转弯时给小车整体一个倒退的速度，即强制减速，然后旋转，这里赋值了一个常数0.7，经过测试0.5到0.8之间都可以，由于转弯速度和转弯稳定程度是不可调和的一对矛盾，这里只能取一个折中。具体的演示再视频中展示。
4. 问题以及解决方法
   （1）弯道过激，小车冲出弯道的问题，这里使用强制减速和自转的方法调节，实际运行的情况小车会在弯道的时候减速，符合生活经验，开车在弯道时确实需要减速。
   （2）十字路口，这里选择十字路口走直线穿过。

实验三：可以避障的自动循迹小车

1. 传感器原理以及连线
   避障使用的是实验室提供的红外测距传感器，共有三个接线端，分别是5V vcc，GND接地端，A0模拟信号输出。这里使用两个传感器，这样可以判断转向方向。
2. 程序框图以及算法设计
   这里设计的避障优先级高于寻路，所以避障有权利给寻路的输出乘以0然后加上自己的输出。右上方是d0，即当两个传感器都检测距离低于一个阈值的时候倒退。
   
   情形一：两个距离很远
   按照循迹来，给循迹的输出乘以1，并且加上0，d0全部对F进行或运算，即不变。
   情形二：两个距离都很近
   输出乘以0，并且给一个avoid_acc，同时d0反转。即过近自转的速度，实际展示为贴近墙壁后旋转的角度，这里设置为0.3，旋转的角度略大于90度。
   情形三：一侧距离过近，一侧距离过远
   让一个轮子不转，另一个轮子旋转，绕过障碍。
3. 优化方法
   先前版本的设计是检测距离过近的时候直线后退，这样有一个致命问题，就是小车会卡在距离阈值那里，前前后后运动，所以这里没有选择直线倒退，选择两个传感器都过近的时候自转。即为一侧前进，一侧后退，具体的演示参考视频，效果很不错。

三、调试经验总结
1）轮子完全不转

1. 可以尝试点击程序前面板的停止，如果停止后轮子转动，则程序已经运行。估计是程序逻辑的问题，或者参数初始化失败，重新赋值参数。
2. 如果点击停止后轮子仍然不转，则检查电路，我们遇到的情况有，电机正负交叉，接地失败，电池没电，myrio电池没电等等。
   2）轮子一直全速转动，不受控制
   大可能是程序没烧上去，原因是myrio电量不足，程序是调试模式，是存储在DRAM里的，断电重连后需要重新烧写程序。
   3）轮子不受控制，或控制逻辑完全错误
   可能是myrio没有接地，myrio也需要接地，否则会随机控制，或控制失败。
   4）轮子一侧转一侧不转，一边受控制，一边不受控制
   1. myrio端口连接错了一位，就是一侧受控一侧不受控。
   2. 测距红外没有提示灯，这时候可以对调测距红外来检查是否是传感器的问题。
      其他调试思路：
3. 元器件芯片一般不会坏掉，尤其是不可能两个芯片同时坏掉，如果错误是对称的，一般不要怀疑芯片，如果错误不对称，则对调两个芯片查看错误是否对调。
4. 通过观察myrio上的红色指示灯，是wifi模块，如果每次ipad控制红色灯都会闪烁，则说明myrio已经收到了信号，通信过程错误可以排除。
5. 可以通过dashboard来判断是否读取到信号，用手机先退出dashboard，在重新连接启动，如果能保存到上次运行的参数，则说明myrio已经存储了数据，通信过程没有问题。

起因

腾飞杯虽然得到了电子信息赛道的特奖，但是对于我个人来说还是有一些遗憾，对项目也是很不舍得，希望能做到更好！

这里展示一下自己所作的内容，其中部分源代码暂时不能开发，等评奖结束后可以开源，目前包括csdn异步http和异步mysql爬虫，哔哩哔哩批量视频爬虫等。

开工前的期望

后端和爬虫

1. 爬取的范围更为广阔，搜索撸棒性更强。
2. 保留原文格式，方便读者阅读。

前端

1. 晃动问题，不能让所有节点完全离开界面，不能让用户找不到节点的位置，这个是腾飞杯版本的最难受的地方。

驱动

1. 模式切换问题，切换操作过于复杂。

总工作量

1. 前期图书馆预约和维持脚本，并尝试团队维持脚本，虽然最后由于稳定性原因没有推广。
2. 新版数据库设计，关系表和内容表分离，提高效率。
3. 配合小明的爬虫写了一套异步数据库接口，和小明的异步http爬虫配合不错，最终分四天大致上完全部数据。
4. 提供少量python的数据库调试接口，这个比较简略。
5. 完善后端java中socket和前端通信部分，升级为新版数据库所对应的版本，目录升级为二级目录，内容更为丰富。
6. 调试前端，debug。
7. 节点关系表存储设计和接口。

部分后端的AI推荐算法相关工作等待若哥和钱龙完成，我这里使用random代替。

新版爬虫数据系统设计_v2

搜索正文存储表 spyder_main_table

id	keyword	link	tittle	abstract	content	child_len	value
int	char 50	char 100	char 200	TEXT	TEXT	int	int
主键	搜索的关键词	本文连接	文章标题	内容摘要（第一轮的摘要在搜索界面存储）	内容全文	子链接的总个数	节点权重价值，目前没有使用

搜索内容表 t_spyder_main_content

id	content
主键	内容

子链接存储表 spyder_child_table

id	parent_link	link	tittle	abstract	content	child_len	value
int	char 100	char 200	char 200	TEXT	TEXT	int	int
主键	父连接地址，作为搜索子链接的索引	当前连接	当前连接标题	当前链接摘要(之后的摘要在父文末就有，展开连接后存储新的连接内容)	当前连接内容	子链接数目	权重

推荐内容表 t_spyder_child_content

id	content
主键	内容

评论存储表 t_spyder_comment_table

link	target	nick_name	write_time	content	value
char 200	char 200	TEXT	datetime	TEXT	int
链接	回复的用户昵称，如果没有回复，就存博客链接	用户昵称	评论时间	评论内容	评分

主菜单表，从大keyword映射到小keyword t_spyder_menu

main_keyword	keyword
主菜单节点	子keyword

视频url映射表 t_spyder_url

keyword	url
关键词	视频地址

预估搜索子链接，广搜，深度三轮左右，两轮也行。如果当前连接是最后一轮，child_len为0.

子链接存储的数据结构

爬虫设计思路：

1. 每次get新的连接，在当前索引中存储当前连接的内容，和子链接的数目，然后根据页面的索引，去子链接的表里面存储，当前页面可以存子链接的标题和摘要，展开子链接内容后存子链接的content。

2. 可以递归爬取三层子链接

3. 子链接需要检验重复，就连接编号不能一致，可能会用到ignore

4. ignore查重可能会导致不公平性，比如第一个搜索的节点没有重复内容，第二个就会出现重复内容，最后一个可能百分之七八十都是重复的，效率很低，关联方法可以优化。

关于爬虫想到的两个问题：

1. 子节点不均衡的问题，(目前想到的办法是设置上限，或者设计多对多的关系，感觉怪怪的)

2. 优秀博客筛选：
   内容长度大于一定限制
   标题不能含有特殊标签
   内容，标题，阅读量和发表时间。

bilibili视频爬虫

视频爬虫，哔哩哔哩，两个问题，一个是总存储量，即爬不爬第二页，第二个是弹幕，可以爬.

使用阿里云存储对象，

关键词表单

[‘C语言学习’,‘java学习’,‘python’,‘机器学习’,‘Kubernetes’,‘前端’,‘计算机网络’]
[‘C语言指针’,‘C语言结构体’,‘C语言数组’,‘C函数’,‘C语言标准库’,‘C语言算法’,‘C语言内存管理’,‘C语言字符串’,‘C语言实例’,‘C语言错误处理’,‘java数据结构’,‘Java排序算法’,‘java注解’,‘java基础’,‘jvm’,‘java框架’,‘数据库基础’,‘java高并发’,‘java泛型’,‘java反射’,‘python基础’,‘python面向对象’,‘python异步’,‘python文件系统’,‘python异常处理’,‘python数据科学’,‘pythonweb库’,‘python爬虫’,‘python机器学习’,‘python图像处理’,‘计算机视觉’,‘自然语言处理’,‘社会网络分析’,‘推荐算法’,‘数据挖掘’,‘模型诊断’,‘强化学习’,‘模型融合’,‘搜索引擎’,‘统计学习方法’,‘kubernetes环境’,‘kubernetes基础概念’,‘kubernetes基本架构’,‘kubernetes基本调度流程’,‘kubernetes API’,‘kubernetes Master’,‘kubernetes扩展’,‘kubebuilder’,‘kubernetes存储’,‘kubectl’,‘Ajax’,‘HTML’,‘CSS’,‘JavaScript’,‘Dom’,‘HTML5’,‘VUE’,‘React’,‘Angular’,‘jQuery’,‘物理层’,‘数据链路层’,‘网络层’,‘传输层’,‘应用层’,‘网络安全’,‘无线网路’,‘HTTP协议’,‘TCP’,‘DNS’,‘数字认证’]

socket通信

这里的思路是让java后端和python代码隔离，交互只能通过数据库，否则日后维护将更加困难
get_menu这里，必须维护一个手动版的初始节点

起因

需要本地数据库加速爬虫速度

操作

首先停止mysql服务

net stop mysql

杀进程也可以，不过比较麻烦。

第二部找到安装目录地下的data文件，我一开始想要重置，总给我error说data文件夹下已经有数据，我就直接把data文件夹删除了。

第三步，执行重置操作

mysqld --initialize --user=root --console

重置后会给一个临时密码

第四步，使用刚给的临时密码正常登录

mysql -u root -p

第五步，重置密码

 alter user user() identified by "yourpasswd";

user表重置一下。完事，这下终于知道自己的密码是啥了。

同样是百度搜索这两个滤波器的推导搜不出来，只能自己推一遍了，中间还有几个问题，一个是维纳滤波器的正交假设,另一个是约束滤波那里的G感觉应该是约等于HF~+N。

维纳滤波

约束最小均方