1. 项目概述
这个基于单片机的寻迹巡线避障智能小车系统，是我在嵌入式系统教学和竞赛指导中经常使用的一个经典案例。它完美融合了传感器技术、电机控制和算法设计三大核心要素，特别适合作为嵌入式开发的入门项目。
这个小车的核心功能是通过红外传感器识别地面上的黑色轨迹线，同时利用超声波模块检测前方障碍物，实现自主导航和避障。我在实验室里测试过，一个调试得当的小车可以在复杂路线上以0.5m/s的速度稳定运行，避障反应时间可以控制在200ms以内。
2. 硬件设计详解
2.1 主控芯片选型
在多年的项目实践中，我测试过多种主控芯片：
-
STM32系列：性能强大，适合需要复杂算法的场景。我推荐使用STM32F103C8T6，72MHz主频，64KB Flash，价格约15元，性价比极高。
-
Arduino Uno：开发简单，适合初学者。使用ATmega328P，16MHz，32KB Flash。虽然性能有限，但丰富的库函数可以快速实现功能。
-
51单片机：成本最低（STC89C52约5元），但资源有限，适合对成本敏感的教学场景。
提示：如果是第一次做这个项目，建议从Arduino开始，熟练后再迁移到STM32。
2.2 传感器模块配置
红外对管选型
我常用的方案是：
- TCRT5000红外反射传感器（约2元/个）
- 安装高度建议距地面1-1.5cm
- 检测距离可调（通过电位器）
实际调试中发现，黑色电工胶带（宽度2cm）在白纸上形成的对比度最佳，检测最稳定。
超声波模块
HC-SR04是最经济的选择（约8元）：
- 检测范围：2cm-400cm
- 精度：0.3cm
- 建议安装高度：距地面10-15cm
- 检测角度：15度
我在实验室的测试数据显示，在室内环境下，其测距误差通常在±1cm以内。
2.3 电机驱动方案对比
| 驱动芯片 | 电压范围 | 最大电流 | 价格 | 特点 |
|---|---|---|---|---|
| L298N | 5-35V | 2A/桥 | 15元 | 经典但发热大 |
| TB6612 | 2.5-13.5V | 1.2A/桥 | 12元 | 效率高，发热小 |
| DRV8833 | 2.7-10.8V | 1.5A/桥 | 8元 | 体积小，适合微型车 |
我现在的标准配置是TB6612，实测连续工作1小时温升只有30°C左右，而L298N在同样条件下会达到60°C以上。
2.4 电源系统设计
推荐使用7.4V 2000mAh锂电池组：
- 通过AMS1117-5.0给主控供电
- 直接给电机驱动供电
- 总续航时间约2-3小时
重要经验：一定要在电源输入端加装一个开关！我见过太多学生因为频繁插拔电源烧毁芯片的案例。
3. 软件设计与算法实现
3.1 寻迹算法优化
基础的红外对管巡线逻辑很简单，但要实现流畅的移动需要更精细的控制。我总结了几种常见算法：
- 二值化算法（适合初学者）：
cpp复制if(left_sensor && !right_sensor) {
turn_right();
} else if(!left_sensor && right_sensor) {
turn_left();
} else {
go_straight();
}
- 比例控制算法：
cpp复制error = left_sensor - right_sensor; // -1,0,+1
speed_left = base_speed + Kp*error;
speed_right = base_speed - Kp*error;
- PID算法（推荐）：
cpp复制error = left_sensor - right_sensor;
integral += error;
derivative = error - last_error;
output = Kp*error + Ki*integral + Kd*derivative;
speed_left = base_speed + output;
speed_right = base_speed - output;
last_error = error;
经过实测，PID控制在小车速度为0.4m/s时，轨迹跟踪偏差可以控制在±1cm以内。
3.2 避障算法实现
超声波避障的典型逻辑：
cpp复制distance = get_sonar_distance();
if(distance < 20) { // 20cm阈值
stop();
delay(200);
turn_right(90); // 右转90度
distance = get_sonar_distance();
if(distance < 30) {
turn_left(180); // 左转180度
}
}
我在实际测试中发现，加入0.2秒的延迟可以显著提高系统稳定性，避免因传感器回波造成的误判。
4. 系统调试技巧
4.1 传感器校准方法
- 将小车放置在黑白交界线上
- 用万用表测量传感器输出
- 调整电位器，使：
- 白区输出 > 3V
- 黑区输出 < 1V
- 记录阈值，在代码中设置：
cpp复制#define BLACK_THRESHOLD 1500 // ADC值
4.2 PID参数整定步骤
- 先设Ki=0, Kd=0
- 逐渐增大Kp直到小车开始振荡
- 取振荡时Kp值的50%作为基准
- 加入少量Ki消除稳态误差
- 最后加入Kd抑制超调
我的经验参数（供参考）：
- Kp = 0.8
- Ki = 0.05
- Kd = 0.3
4.3 机械结构优化
- 重心问题：电池应尽量放低，我通常安装在底盘下方
- 轮子选择：
- 光面轮：适合平滑地面
- 纹路轮：适合粗糙地面
- 传感器布局：
- 红外对管间距建议1.5-2cm
- 超声波模块应略微前倾(约10度)
5. 进阶功能扩展
5.1 无线遥控实现
使用HC-05蓝牙模块：
cpp复制#include <SoftwareSerial.h>
SoftwareSerial BT(10, 11); // RX, TX
void setup() {
BT.begin(9600);
}
void loop() {
if(BT.available()) {
char cmd = BT.read();
switch(cmd) {
case 'F': forward(); break;
case 'B': backward(); break;
// 其他指令...
}
}
}
配套的Android APP可以使用MIT App Inventor快速开发，我通常会给学生提供现成的模板。
5.2 多传感器融合
加入MPU6050陀螺仪可以实现更精确的转向控制：
cpp复制#include "I2Cdev.h"
#include "MPU6050.h"
MPU6050 accelgyro;
void setup() {
accelgyro.initialize();
}
void loop() {
int16_t gyroZ = accelgyro.getRotationZ();
// 使用角速度补偿转向
}
5.3 视觉导航方案
对于想要挑战更高难度的学生，我会推荐OpenMV方案：
python复制import sensor, image, time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
while(True):
img = sensor.snapshot()
line = img.get_regression([(0,0)] if img.find_lines()
# 线检测算法...
6. 常见问题与解决方案
6.1 小车走直线偏斜
可能原因：
- 电机转速不一致
- 轮子直径有差异
- 底盘装配不对称
解决方案：
- 用示波器测量PWM信号
- 在代码中加入电机补偿系数：
cpp复制left_speed = desired_speed * 0.95; // 根据实测调整
6.2 红外传感器误检测
典型现象：
- 在强光环境下失效
- 偶尔误触发
解决方法：
- 增加传感器遮光罩
- 在代码中加入滤波算法：
cpp复制#define SAMPLE_COUNT 5
int stable_read(int pin) {
int sum = 0;
for(int i=0; i<SAMPLE_COUNT; i++) {
sum += analogRead(pin);
delay(2);
}
return sum/SAMPLE_COUNT;
}
6.3 电源干扰问题
症状：
- 单片机偶尔复位
- 传感器读数不稳定
我的标准解决方案：
- 在电源输入端加装470μF电解电容
- 每个IC的VCC引脚加0.1μF去耦电容
- 电机电源与逻辑电源分开
7. 项目应用与延伸
这个智能小车系统虽然看似简单，但包含了嵌入式开发的完整要素。在我的教学实践中，它被用于：
- 课堂教学：涵盖GPIO、ADC、PWM、定时器等基础外设
- 课程设计：完整的系统开发流程实践
- 学科竞赛：可作为智能车竞赛的基础平台
- 科研原型：用于验证SLAM算法等前沿研究
对于想要深入发展的学生，我通常会建议以下几个方向：
- 加入机器学习算法实现智能路径规划
- 开发多车协作系统
- 结合ROS实现更复杂的导航功能
- 增加机械臂扩展为移动机器人
这个项目最让我满意的地方在于它的可扩展性。从最初的简单巡线，到后来加入视觉识别、无线通信、多传感器融合等功能，见证了许多学生的成长历程。