1. 项目背景与核心需求
轮毂电机+树莓派的组合在创客圈已经火了好几年，但真正能跑起来的智能跟随项目却不多见。去年我在深圳Maker Faire上看到至少5个团队在尝试类似方案，但要么跟随延迟明显，要么遇到电机控制不稳的问题。这促使我花了三个月时间系统测试了这套方案的可行性。
智能跟随的核心需求其实很明确：低延迟、高精度、稳定控制。轮毂电机直接驱动的优势在于省去了传动机构，响应速度快；树莓派则提供了足够的算力跑视觉算法。但要把这两者完美结合，需要解决电机控制、传感器融合、路径规划等一系列技术难点。
2. 硬件选型与系统架构
2.1 轮毂电机选型要点
市面上的轮毂电机主要分有刷和无刷两种。经过实测，无刷电机在寿命和效率上优势明显，但需要配套的电子调速器(ESC)。我最终选择了MY1016Z2 24V 250W无刷轮毂电机，主要考虑：
- 扭矩足够（0.8N·m）带动10kg以下的小车
- 内置霍尔编码器（提供转速反馈）
- 配套的ESC支持PWM控制（兼容树莓派GPIO）
重要提示：千万别买不带编码器的版本！速度闭环控制必须依赖转速反馈。
2.2 树莓派外围电路设计
树莓派4B作为主控，需要扩展以下模块：
- 电机驱动板：采用L298N双H桥模块，通过GPIO12/13输出PWM
- 电源管理：使用LM2596降压模块将24V降为5V给树莓派供电
- 传感器接口：
- MPU6050六轴IMU（I2C接口）
- 超声波模块HC-SR04（需要电平转换）
- 视觉处理：官方摄像头模块+V2.1镜头
电路连接有个坑要注意：L298N的逻辑供电必须与树莓派共地，否则PWM信号会不稳定。我最初就是这里没处理好导致电机间歇性失控。
3. 核心算法实现
3.1 电机控制算法
采用增量式PID实现速度闭环控制：
python复制class PIDController:
def __init__(self, Kp, Ki, Kd):
self.Kp = Kp
self.Ki = Ki
self.Kd = Kd
self.last_error = 0
self.integral = 0
def update(self, error, dt):
self.integral += error * dt
derivative = (error - self.last_error) / dt
output = self.Kp*error + self.Ki*self.integral + self.Kd*derivative
self.last_error = error
return output
参数整定经验：
- 先调Kp直到出现轻微震荡
- 然后加Kd抑制震荡
- 最后加Ki消除静差
实测最佳参数：Kp=0.8, Ki=0.05, Kd=0.3
3.2 视觉跟随算法
使用OpenCV的CSRT跟踪器实现目标跟随：
python复制tracker = cv2.TrackerCSRT_create()
bbox = (x,y,w,h) # 初始 bounding box
tracker.init(frame, bbox)
while True:
ok, bbox = tracker.update(frame)
if ok:
# 计算目标中心与图像中心的偏移量
error_x = (bbox[0]+bbox[2]/2) - frame_width/2
# 将偏移量转换为电机控制指令
adjust_motor_speed(error_x)
实际测试发现，在树莓派4B上跑1080p视频时跟踪帧率能达到15FPS，完全够用。
4. 系统集成与调试
4.1 传感器数据融合
IMU和编码器数据通过卡尔曼滤波融合：
python复制def kalman_filter(z_encoder, z_imu, dt):
# 预测步骤
x_priori = F @ x + B @ u
P_priori = F @ P @ F.T + Q
# 更新步骤
K = P_priori @ H.T @ np.linalg.inv(H @ P_priori @ H.T + R)
x = x_priori + K @ (z - H @ x_priori)
P = (I - K @ H) @ P_priori
return x
这里的关键是调整过程噪声Q和观测噪声R矩阵。我的经验值是Q=0.01，R=0.1时滤波效果最佳。
4.2 实际测试数据
在5m×5m场地内测试结果：
| 指标 | 数值 |
|---|---|
| 最大跟随速度 | 1.2m/s |
| 响应延迟 | 80-120ms |
| 定位精度 | ±2cm |
| 连续工作时长 | 3.5小时 |
5. 常见问题与解决方案
5.1 电机抖动问题
现象：低速时电机出现明显抖动
解决方法：
- 检查PWM频率是否合适（建议8-12kHz）
- 在PID输出增加死区补偿
- 改用更平滑的S曲线速度规划
5.2 视觉跟踪丢失
预防措施：
- 增加目标丢失检测机制
- 设置搜索区域限制
- 融合IMU数据进行短时预测
5.3 电源干扰
典型表现：树莓派随机重启
解决方案：
- 电机电源与树莓派电源完全隔离
- 在电源输入端加装4700μF以上电容
- 使用带屏蔽的电源线
6. 项目优化方向
经过三个月的迭代，我认为这套方案还有提升空间：
- 改用Jetson Nano提升视觉处理性能
- 增加UWB模块实现三维定位
- 开发手机APP进行远程监控
- 尝试模型预测控制(MPC)算法
实际测试中发现，在室外强光环境下视觉跟踪效果会下降。这时可以考虑切换为UWB+IMU的组合导航方案作为备用。