如果你是一名参加过智能车竞赛的学生或者正在准备参加下一届比赛那么这篇文章可能会让你少走很多弯路。全国大学生智能车竞赛这个听起来就充满挑战的名字背后是无数个通宵调试、代码重构和硬件改版的夜晚。而“地瓜机器人”赛道作为第二十一届21届智能车竞赛中极具特色的创意组别更是将竞赛的难度和趣味性提升到了一个新的维度。我们团队在第二十一届比赛中最终拿到了这个赛道的全国亚军。这个成绩背后绝不仅仅是运气。从最初看到“地瓜机器人”这个充满乡土气息又让人摸不着头脑的赛题时的茫然到最终让小车在赛场上稳定、精准地完成“智慧医疗”场景下的各项复杂任务我们踩过无数的坑也总结出了一套行之有效的技术方案和备赛策略。这篇文章我不想把它写成一份冰冷的技术报告而是希望分享我们真实的备赛历程、核心的技术拆解以及那些在官方规则之外、却至关重要的“实战经验”。你会看到我们如何理解“地瓜机器人”的任务本质如何搭建软硬件系统如何攻克图像识别、路径规划和控制算法的难关以及最后在国赛现场如何应对突发状况。无论你是想了解智能车竞赛还是正在为“地瓜机器人”或类似创意组别备赛相信这些从实战中沉淀下来的思考能给你带来实实在在的帮助。1. “地瓜机器人”到底在比什么从赛题解读到技术映射拿到赛题的第一反应往往是困惑。“地瓜机器人”和“智慧医疗”这两个词组合在一起听起来有些天马行空。这恰恰是创意组的魅力所在它不局限于传统的循迹竞速而是要求参赛者构建一个能解决特定场景下实际问题的智能移动机器人系统。根据第二十一届的规则“地瓜机器人”赛道的核心场景是模拟智慧医疗环境下的物资配送。小车机器人需要在一个结构化的场地中自主移动完成诸如“病房”间的巡线、“药房”的物品识别与抓取、“护士站”的信息交互以及“隔离区”的特殊通行等任务。任务元素可能包括但不限于循迹导航沿着铺设的黑色引导线行驶这是智能车的基础。视觉识别识别不同的颜色标签、数字、二维码或特定图案代表不同的药品、病房号或指令。机械臂操作通过简易的机械装置抓取、放置代表“药品”的方块或球体。交互与通信可能与场外的“中控系统”进行无线通信接收任务或上报状态。多任务调度需要根据识别到的信息动态规划执行任务的顺序和路径。所以这个赛道的技术核心可以映射为以下几个层面感知层摄像头OpenMV、K210、树莓派摄像头模组是绝对的核心负责赛道线、任务标识物的识别。决策层微控制器如STM32系列作为主控处理感知数据做出路径判断、任务调度决策。控制层通过PID等控制算法驱动电机直流电机编码器或舵机实现精准的移动和机械臂动作。执行层车体结构、舵机云台、机械爪等硬件机构将控制指令转化为物理动作。我们的一个关键判断是“地瓜机器人”赛道的胜负手往往不在于单一技术的极致比如速度而在于整个系统的稳定性和任务完成的鲁棒性。在国赛高强度的多轮比赛中能够稳定地、零失误地跑完全部任务流程的队伍就已经战胜了大多数对手。因此我们的技术方案始终围绕“稳定优先”展开。2. 硬件平台搭建稳定性的基石“工欲善其事必先利其器”。一个可靠、易于调试的硬件平台是后续所有算法工作的基础。我们的硬件选型基于“模块化、易调试、留冗余”的原则。2.1 主控与核心传感器主控MCU我们选择了STM32F4系列具体为F407或F429。理由是其拥有足够的计算能力处理图像预处理后的数据丰富的定时器和接口便于控制电机和舵机且生态完善资料众多。HAL库或标准库的使用看团队习惯我们使用了HAL库以加快开发速度。视觉模块这是创意组的眼睛。我们对比了OpenMV和K210。OpenMV开发简单IDE友好内置了很多图像处理函数如find_blobs找色块适合快速原型验证。但在处理复杂任务、多任务并行时性能可能成为瓶颈。K210基于RISC-V带KPU神经网络处理器可以进行轻量级的模型推理如YOLO tiny。这对于需要识别多种、可能形态变化的物体如不同形状的“药品”非常有优势。我们最终选择了K210因为它为后续可能增加的AI识别需求留出了空间。摄像头搭配K210我们使用了OV5640等支持较高分辨率的摄像头以获得更清晰的图像细节。2.2 车体与执行机构车模底盘可以使用竞赛指定的C车、D车等模型底盘也可以自制。我们基于一款铝合金底盘进行了加固和改造重点确保其刚性防止在频繁启停和转向中产生形变影响循迹精度。电机与驱动采用带编码器的直流减速电机搭配TB6612或DRV8833等电机驱动模块。编码器用于实现速度闭环控制这是实现匀速行驶、精准停车的关键。舵机与机械结构转向舵机用于控制前轮转向如果采用舵机转向方案。云台舵机1-2个自由度用于控制摄像头的俯仰和旋转使其能稳定对准赛道或任务目标。机械爪舵机用于控制抓取机构。这里有一个大坑机械爪的设计需要反复测试抓取力度和行程。我们使用了3D打印制作爪臂并通过一个连杆机构配合舵机实现抓取。务必进行数百次的抓取-释放可靠性测试。电源管理使用2S或3S锂电池供电。必须使用多个稳压模块如LM2596、MP1584为不同模块提供稳定电压如K210需要3.3V/5V舵机需要5V/6V电机驱动需要电池直供。电源噪声是导致单片机复位、传感器读数异常的主要元凶之一。2.3 电路设计与布线主控板我们自主设计了PCB将STM32最小系统、电机驱动电路、传感器接口、稳压电路集成在一块板上。这大大提高了系统的可靠性和整洁度避免了杜邦线连接带来的接触不良问题。布线规范电源线、电机线大电流与信号线编码器、串口分开走线必要时使用屏蔽线或绞线。所有连接处使用热熔胶或硅胶固定防止震动脱落。3. 软件架构设计模块化与状态机清晰的软件架构能让多线程或前后台的程序变得可控。我们采用了“模块化驱动上层应用逻辑”的架构。3.1 底层驱动模块在STM32上使用CubeMX初始化并编写了独立的驱动模块motor.c/h封装电机驱动、编码器读取、速度PID计算函数。servo.c/h封装舵机控制函数提供角度设置接口。imu.c/h如果使用陀螺仪封装数据读取和姿态解算。uart.c/h封装与K210通信的串口协议。protocol.c/h定义STM32与K210之间的通信数据帧格式例如// 示例定义一个简单的数据帧结构 #pragma pack(1) // 单字节对齐避免结构体对齐问题 typedef struct { uint8_t header; // 帧头如0xAA uint8_t cmd; // 命令字如0x01代表发送视觉数据 int16_t x_pos; // 识别到的目标中心X坐标 int16_t y_pos; // 识别到的目标中心Y坐标 uint8_t label; // 识别到的标签类型 uint8_t checksum; // 校验和 } Vision_Data_Packet_t; #pragma pack()3.2 核心控制逻辑有限状态机FSM“地瓜机器人”的任务流程是典型的顺序分支结构非常适合用有限状态机来实现。这使程序逻辑无比清晰调试时也能准确定位到问题发生在哪个状态。// 示例一个简化的任务状态机枚举定义 typedef enum { STATE_INIT, // 初始化 STATE_LINE_FOLLOWING, // 循迹行驶 STATE_FIND_TARGET, // 寻找任务目标如药房标志 STATE_APPROACH, // 接近目标 STATE_GRAB, // 执行抓取 STATE_DELIVER, // 前往交付点 STATE_RELEASE, // 执行释放 STATE_FINISH, // 任务完成 STATE_ERROR // 错误处理 } TaskState_t; // 全局状态变量 TaskState_t g_current_state STATE_INIT; // 在主循环中处理状态迁移 void MainTask_Loop(void) { switch(g_current_state) { case STATE_INIT: // 初始化硬件等待启动信号 if(StartSignal_Received()) { g_current_state STATE_LINE_FOLLOWING; } break; case STATE_LINE_FOLLOWING: // 执行循迹算法 LineFollowing_Update(); // 判断是否到达任务点例如通过视觉识别到特定颜色 if(Vision_Detected_Pharmacy()) { g_current_state STATE_FIND_TARGET; } break; case STATE_FIND_TARGET: // 控制云台扫描精确定位药品位置 // ... if(Target_Locked()) { g_current_state STATE_APPROACH; } break; // ... 其他状态处理 case STATE_ERROR: // 停止所有电机蜂鸣器报警等待复位 Motor_StopAll(); Buzzer_Alert(); break; } }4. 视觉识别方案K210上的算法实现视觉是“地瓜机器人”的智能核心。我们在K210上主要实现了以下功能4.1 图像预处理与赛道线提取尽管是创意组但基础循迹仍然是必备技能。我们采用了经典的二值化巡线算法。# 示例在K210 MaixPy环境下进行图像二值化和寻找边界 import sensor, image, time from maix import gpio sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) # 320x240 sensor.skip_frames(time 2000) # 定义赛道线的颜色阈值需根据实际场地灯光调整 line_threshold (0, 80, -40, 40, -40, 40) # 灰度化后黑色线的阈值 while(True): img sensor.snapshot() # 1. 二值化 img.binary([line_threshold], invertTrue) # invertTrue 让线变成白色 # 2. 寻找左右边线 # 方法在图像底部划定一个矩形区域统计区域内白色像素点的中心 roi_bottom (0, 200, 320, 40) # 感兴趣区域靠近车底的区域 blobs img.find_blobs([(100, 255)], roiroi_bottom, pixels_threshold50) left_edge, right_edge find_line_edges(blobs) # 自定义函数分析色块得到左右边线位置 # 3. 计算中线偏差 if left_edge ! -1 and right_edge ! -1: center_line (left_edge right_edge) // 2 deviation center_line - 160 # 假设图像中心是160 # 将偏差值通过串口发送给STM32 send_deviation_to_stm32(deviation)关键点必须根据比赛现场灯光实时调整颜色阈值。我们准备了上位机工具能实时显示摄像头画面和二值化效果方便现场调参。4.2 任务目标识别对于“药房”、“药品”、“数字”等标识物我们采用了颜色识别和特征匹配相结合的方式。颜色识别用于快速定位大致区域。例如红色标签代表A类药房蓝色代表B类。# 识别红色区域 red_threshold (30, 100, 40, 80, 10, 60) # L A B 色彩空间下的阈值示例 red_blobs img.find_blobs([red_threshold], pixels_threshold100) for blob in red_blobs: img.draw_rectangle(blob.rect()) # 计算区域中心并判断是否为目标特征匹配/模板匹配对于更精细的识别如数字或特定图标我们在赛前采集模板使用image.find_template或image.find_keypoints进行匹配。轻量级神经网络对于形态可能变化的物体我们尝试了在K210上部署训练好的YOLO tiny模型效果显著但需要一定的嵌入式AI知识储备。通信协议K210识别到目标后会将目标类型、坐标、置信度等信息打包成定义好的数据帧通过UART串口发送给STM32主控。5. 运动控制让车“听话”地走和停5.1 循迹控制PID的魔力循迹的核心是让车沿着赛道中线行驶。我们使用图像处理得到的偏差值deviation作为PID控制器的输入输出用于控制转向舵机角度舵机方案或左右轮速差差速方案。// 示例在STM32中实现的增量式PID控制器用于转向控制 typedef struct { float Kp, Ki, Kd; // PID参数 float error_prev; // 上一次误差 float integral; // 积分项 float output_max; // 输出限幅 } PID_Controller_t; float PID_Calculate(PID_Controller_t* pid, float error, float dt) { // 比例项 float proportional pid-Kp * error; // 积分项抗饱和处理 pid-integral error * dt; // 限制积分项防止积分饱和 if(pid-integral pid-output_max) pid-integral pid-output_max; else if(pid-integral -pid-output_max) pid-integral -pid-output_max; float integral_term pid-Ki * pid-integral; // 微分项 float derivative pid-Kd * (error - pid-error_prev) / dt; pid-error_prev error; // 计算总输出并限幅 float output proportional integral_term derivative; if(output pid-output_max) output pid-output_max; else if(output -pid-output_max) output -pid-output_max; return output; } // 在主控制循环中调用 float deviation Get_Deviation_From_Vision(); // 从视觉获取偏差 float steering_output PID_Calculate(steering_pid, deviation, 0.01f); // dt10ms Set_Steering_Angle(steering_output); // 控制舵机调参经验先调P让车能快速响应再调D抑制过冲和振荡最后调I消除静态误差。现场地面摩擦力和光线变化都可能影响参数需要准备多组参数备用。5.2 速度控制与精准停车同样使用PID但控制对象是电机转速。编码器提供速度反馈。匀速行驶设定一个目标速度速度PID控制器输出PWM值使电机稳定在该速度。精准停车当识别到需要停车的标志时切换到“位置式PID”或“梯形速度规划”。例如让车在距离目标点一定距离时开始平滑减速直至停止。粗暴的急停会导致车体晃动甚至使抓取的物品掉落。6. 机械臂抓取策略软硬件协同这是任务成败的临门一脚。我们的策略是“视觉引导位置闭环”。粗定位通过车载摄像头识别目标物方块的大致区域控制车体移动使目标进入机械臂的可操作范围。精定位如果条件允许可以在机械臂末端安装一个朝下的小摄像头进行二次精确定位。运动规划我们为机械爪设计了固定的抓取轨迹。通过舵机控制让爪臂先移动到目标物上方然后下降最后闭合。反馈判断通过爪臂上的压力传感器或检测舵机电流是否骤增堵转来判断是否抓取成功。如果没有传感器则依靠多次测试得到的固定延时。防抖与放置抓取成功后车体移动要格外平稳。放置物品时通常采用“释放后微退”的策略防止机械爪带走物品。7. 系统调试与现场应对策略7.1 分层调试法单元调试单独测试每个模块。例如用按键控制电机正反转用串口助手测试视觉数据发送是否正常。集成调试两个模块联调。例如让视觉识别发送偏差看小车能否正常循迹。任务流程调试模拟完整任务检查状态机切换是否正常。压力与异常测试故意制造错误如遮挡摄像头、拿起物品测试系统的错误恢复能力。7.2 现场调参清单去比赛现场一定要带上你的“武器库”多组PID参数针对不同摩擦力、电池电压准备几组参数。颜色阈值配置文件现场灯光色温可能与实验室截然不同准备一个能快速加载不同阈值配置的上位机。机械工具螺丝刀、内六角、扎带、热熔胶枪、万用表。备用件关键的传感器、舵机、电机、轮胎至少带一套备用。7.3 比赛策略求稳第一第一轮比赛以完赛为目标选择成功率最高的方案哪怕慢一点。观察对手留意其他队伍的策略和出现的问题及时调整自己的方案。利用调试时间赛前调试时间宝贵优先验证对光线最敏感的部分视觉。心态管理出现失误后迅速和队友沟通定位问题制定下一轮的补救方案不要相互抱怨。8. 常见问题与排查思路问题现象可能原因排查方式解决方案小车启动后原地抖动或画龙转向PID参数过于激进特别是D参数太大或P太大。观察偏差变化曲线是否高频振荡。降低P和D参数增加控制周期。循迹时总是冲出赛道1. 摄像头安装角度不对前瞻太近或太远。2. 颜色阈值不准无法正确提取赛道线。3. 电机响应速度慢跟不上偏差变化。1. 检查摄像头画面确保赛道线在图像中的位置合理。2. 使用上位机查看二值化图像效果。3. 检查电机驱动供电和PID参数。1. 调整摄像头俯仰角。2. 重新校准颜色阈值。3. 提高速度环PID的P值确保电机有力。视觉识别时有时无1. 光线变化导致阈值失效。2. 目标物被部分遮挡或反光。3. 串口通信丢包。1. 在不同光线下测试阈值。2. 增加识别算法的鲁棒性如多特征验证。3. 在通信协议中加入帧头和校验并检查波特率。1. 准备自适应阈值或现场快速调参工具。2. 结合颜色和形状进行识别。3. 确保通信双方波特率一致并添加重发机制。机械爪抓取失败1. 抓取位置不准。2. 爪臂力度不够或太大。3. 物品表面太滑。1. 用视觉辅助精确定位。2. 测试不同舵机角度对应的抓取力度。3. 在爪臂内侧粘贴橡胶或硅胶增加摩擦力。1. 优化视觉定位算法。2. 调整舵机中位和行程或更换扭力更大的舵机。3. 改进机械爪设计如采用自适应夹持。单片机偶尔死机或复位1. 电源不稳定有大电流负载如舵机导致电压跌落。2. 程序跑飞堆栈溢出。3. 电机等感性负载未加续流二极管产生反向电动势。1. 用示波器观察单片机供电引脚电压。2. 检查代码中数组越界、指针错误等。3. 检查电机驱动电路。1. 加强电源滤波舵机电源与单片机电源隔离。2. 使用看门狗IWDG。3. 在电机两端并联二极管。9. 给后来者的建议与总结回顾整个备赛到国赛亚军的历程我认为以下几点至关重要团队协作高于个人能力智能车竞赛是典型的系统工程需要硬件、软件、算法、机械的紧密配合。明确分工定期同步建立高效的沟通和决策机制。稳定性是设计的首要目标在实验室能跑100次不如在现场稳定跑1次。所有设计从电源到代码结构都要为稳定性让路。多做异常测试和边界测试。重视可视化调试工具一个能实时显示摄像头画面、传感器数据、控制变量波形图的上位机能极大提升调试效率。这部分的投入在后期会获得十倍回报。吃透规则大胆创新仔细研读竞赛规则在规则允许的范围内寻找最优解。例如“地瓜机器人”的机械结构设计就有极大的创新空间。文档与代码管理使用Git进行版本控制为每一版硬件和软件做好标记和更新说明。比赛现场回退到上一个稳定版本是常见的救命操作。“地瓜机器人”赛道乃至整个智能车竞赛其价值远不止于一块奖牌。它是一次完整的、高强度的项目研发演练。你将会系统地学习嵌入式开发、自动控制、图像处理、机械设计并在巨大的时间压力和竞争压力下解决问题。这段经历无论是对于继续深造还是走向工业界都是一笔宝贵的财富。希望我们踩过的坑能成为你们前进的垫脚石。最后推荐大家多去“卓晴”老师的博客和相关的技术论坛交流那里有无数前辈的经验分享。准备好迎接挑战吧下一届全国赛的赛场上期待看到你们更精彩的作品。