基于NIOSⅡ软核的移动机器人控制器的研究与实现

《基于NIOSⅡ软核的移动机器人控制器的研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕l’学伊论文摘要在自动控制领域，各种嵌入式处理器起着十分重要的作用，尤其是在高速数字控制系统中，作为算法实现的硬件基础和实时性保证，微处理器正同高性能模拟器件一样成为影响系统性能的关键因素之一。目前FPGA技术的高速发展，已具备了在一片FPGA芯片中嵌入整个或大部分数字系统的条件，这使得基于软处理器核的SoPC的实现成为可能。本文紧跟这～趋势，对基于SoPC的移动机器人微控制器进行了研究和设计工作，并取得了初步的成果。本论文的重点是数字PID、人工神经网络与模糊控制的FPGA实现方法；用于视觉移动机器人的PWM控制器

2、与彩色线阵CCD控制逻辑的实现方法；以及这些自定义部件与Avalon片内总线的互联方法。首先配置了一个具有NIOSII软核处理器、存储器、通用IO口、定时器和通讯接口的SoPC小系统，然后在此基础上逐步添加各种控制算法和自定义部件，最终形成一个较为完整的片上自动控制器。数字PID模块采用的是增量式PID算法，并用并行3级流水线进行了实现。人工神经网络模块则是按3层前馈神经网络来设计，暂时还没有加入权值在线学习的能力。实现的模糊控制模块是双输入单输出的，输入量语言变量采用连续论域，输出量语言变量采用离散论域。所有的自定义

3、算法部件均使用原理图输入与VerilogHDL语言描述相结合的方式来实现，总体设计采用以Avalon交换架构为主线，自顶向下，逐步细化的方式进行，而硬件的详细设计则采用自底向上，先模块后整体的方法进行。本论文在同一个FPGA器件中实现嵌入式处理器、存储器、CCD控制模块、电机控制模块、通用外设和复杂控制算法，使以往在一块或多块PCB板上的电路现在可在一片芯片中实现；使以往通过软件实现的算法现在可通过硬件加速。它在提升系统性能的同时降低了成本，缩短了开发周期。关键词：FPGA；SoPC；NIOS；数字PID；人工神经网络

4、；模糊控制AbstractInthefieldOfautomaticcontrol，awidevarietyofembeddedprocessorsplaysaverYimportantrole，especiallyinthehigh_speeddigitaIcOntrolsvstem，asthehardwarealgorithmtoachievereal‘timebasisandguaranteethatthemicroprocessoristhesameashigh—performanceanalogdevices

5、becomesystemperformanceofoneofthekeyfactors·Atpresent，therapiddevelopmentofFPGAtechnologyhasbeenavailableinanFPGAchipembeddedinthewholeormostofthecondltlonsfordigitalsystems，whichmakespossibletherealizationofSoPC·Inthispaper，foilowingthetrendofthemobilerobotbase

6、donSoPCmicrocontr011erconductedastudyanddesignwork，andhasachievedinitiaIresults．ThefocusisforthedesignofdigitalPID，artificialneuralnetwo。ks，fuzzvcontroiler，PWMcontrollerandCCDcontrollogicoftheFPGAimplementationaswellastheinterconnectofcustomcomponentsanQAValonbu

7、s．Fifstofa11configuredwithaNIOSIIsoft-coreprocessor，memory，general．purposeIOport，timersandcommunicationinterfaceSoPCsmallsystem，andthengraduallyonthebasisofvariouscontrolalgorithmsandaddcustomcomponents，andultimatelytheformationofamorecompleteautomaticcontroller

8、chip．DigitalPIDmoduleisusedinincrementalPIDalgorithm，andthreeparallellinestoachieve．Artificialneuralnetworkmoduleisbasedon3．1averfeedforwardneuralnetworkdesign．tempor