在系统中，△的计算方法如下：首先计算出每隔五行扫描到的某一行白线的中点的△值，然后将机器人视野范围内扫描得到的所有行的白线△值累加后求得均值，这个均值就是机器人视野范围内白线的△值。采取这种算法是为了方便处理机器人视野范围内存在多段白线时的情况。以图5为例，机器人视野范围内有两段白线。这个时候，系统将两条白线等效为平均△值对应的白线，这样在机器人眼里始终只有一条白线，有效降低了机器人所应对的状况的复杂度。
    在计算出△值后，系统根据几何原理便可计算出L，计算公式如下：

    L=Xr-[Xc-(Yr-Yc)×△]
    Xr为机器人所在点横坐标；Yr为机器人所在点纵坐标；Xc为白线中点横坐标的均值；Yc为白线中点纵坐标的均值。

3．3 路径跟踪
    移动机器人的路径跟踪就是通过调节机器人的运动速度和方向，使机器人沿期望的路径运动。即L=0且△=0。机器人对路径的跟踪控制可以采用PID控制器、最优控制器、模糊控制器等方式。由于能力风暴机器人是一个具有延迟的非线性时变系统，难以建立精确的数学模型，故采用模糊控制器有一定的优越性。
    根据人的驾驶经验，当人驾驶汽车跟踪附近路面上的一条车道线时，他首先要进行观察，将此直线当作参考路径，衡量车体与参考路径段的横向距离以及它们所处方向的夹角，而这种衡量是以一种模糊的概念给出的，如"距离比较大，角度很小"等。当发现车体离参考路径很远且与期望方向偏角较大时，可以驾驶汽车快速转弯，向期望位置靠拢；而在离参考路径很近，汽车朝向已正对前方车道线上某一位置时，就不需转动方向盘来改变行驶方向，而是一直保持当前行驶状态，直至离车道线上拐点比较近时，再找下一个参考路径段。可以根据上述人的驾驶经验设计模糊控制器，视觉导引的机器人控制系统结构如图6所示。

3．3．1 模糊化
    系统中模糊控制器的输入量为距离偏差L和角度偏差△，输出量为机器人小车相对车体轴线的转向偏转角β，输入输出量的论域、模糊子集以及模糊子集论域如表1所示。

    由于在机器人实际运行过程中，偏差的产生具有随机性，所以输入输出量的模糊子集的隶属函数都采用高斯函数加以描述，即

    Ci为隶属函数的均值；δi为隶属函数的标准差。
3．3．2 确定模糊规则
    根据汽车驾驶的经验可得出如表2所示的49条模糊控制规则。

3．3．3 模糊推理和解模糊
    模糊推理采用间接合成法推理公式，假设现有输入L*、△*，需求出输出β*，推理过程如下：

   
    其中合成运算"。"采用取大一取小(MAX-MIN)法。
    采用质心法进行解模糊处理，从而得到精确的输出值，解模糊计算公式如下：

   
    将上述结果制成模糊控制表存储起来，在机器人运行过程中只需在线查询出相应的β值，而不必进行大量的数学运算，这样可以节省运算时间，提高控制的实时性。

4 综述
    目前此系统已经通过中国科学技术大学教育处验收，并作为本科生智能机器人教学实验系统运行。为验证本文提出的控制方法的有效性，我们按照上述控制策略在实验场地中对机器人进行路径跟踪实验。实验场地为-2×2的绿色背景场地，在场地上贴上3 cm宽的白线作为引导线，如图7所示。在实验中，机器人能准确地跟踪指定路径。实验表明，在实际应用中，采用模糊控制方法具有较好的稳定性和精度。通过HSL空间内运算有效地提高图像信号对光照的鲁棒性。此设计可作为简单的算法验证和策略测试平台。