1. 差速机器人项目概述
差速机器人作为移动机器人领域的基础平台，凭借其结构简单、控制方便的特点，在科研和教育领域有着广泛应用。这个项目实现了从底层STM32控制到上层ROS导航算法的完整解决方案，特别适合想要深入理解机器人全栈开发的工程师和研究者。
项目最核心的价值在于打通了硬件控制层与算法层的壁垒：STM32负责精确的电机控制和传感器数据采集，ROS端则处理复杂的建图与导航算法。两者通过串口或USB进行通信，形成了一个完整的自主导航系统。在实际测试中，我们验证了这套方案能够实现厘米级的定位精度和可靠的路径规划能力。
2. 硬件架构设计
2.1 主控选型与电路设计
我们选用STM32F407作为主控芯片，主要基于以下考虑：
- 丰富的外设接口（6个USART、3个SPI、3个I2C）
- 足够的定时器资源（17个TIM）用于PWM生成
- 168MHz主频满足实时控制需求
- 浮点运算单元支持传感器数据处理
电机驱动电路采用双H桥设计，关键参数如下：
- 驱动芯片：TB6612FNG（峰值电流3A）
- 输入电压：12V锂电池组
- PWM频率：20kHz（超出人耳范围，避免噪声）
- 电流采样：0.1Ω采样电阻+INA199放大
提示：PWM频率选择20kHz既能保证电机响应速度，又能避免可听噪声。低于16kHz时，部分人群会听到刺耳的高频啸叫声。
2.2 传感器配置方案
为实现可靠的定位导航，我们配置了多传感器融合系统：
-
编码器：
- 型号：欧姆龙E6B2-CWZ6C（500线）
- 接口方式：AB相正交编码
- 测速原理：4倍频后每转2000脉冲
-
IMU：
- 型号：MPU6050（三轴加速度计+陀螺仪）
- 通信接口：I2C@400kHz
- 数据融合：DMP姿态解算
-
激光雷达：
- 型号：RPLIDAR A1（12米测距）
- 扫描频率：10Hz
- 角度分辨率：0.9°
传感器布局遵循以下原则：
- IMU尽量靠近机器人旋转中心
- 编码器信号线需加磁环抗干扰
- 激光雷达安装高度与障碍物匹配
3. STM32底层控制实现
3.1 电机PWM控制
电机控制的核心是精确的PWM生成，我们使用TIM3和TIM4分别控制左右电机。关键配置参数：
c复制// 定时器基础配置
TIM_TimeBaseStructure.TIM_Period = 999; // 自动重装载值
TIM_TimeBaseStructure.TIM_Prescaler = 83; // 84分频
// 计算实际PWM频率：84MHz/((999+1)*84) = 10kHz
// 实际项目中调整为20kHz（修改Prescaler为41）
// PWM模式配置
TIM_OCInitStructure.TIM_OCMode = TIM_OCMode_PWM1;
TIM_OCInitStructure.TIM_Pulse = 500; // 初始占空比50%
电机控制需要注意的几个关键点：
- 死区时间设置：防止H桥上下管直通
- 缓启动逻辑：避免上电瞬间大电流冲击
- 转向控制：正反转切换时需先刹车
3.2 编码器接口实现
使用STM32的编码器接口模式读取电机转速：
c复制void Encoder_Init(void) {
TIM_EncoderInterfaceConfig(TIM2, TIM_EncoderMode_TI12,
TIM_ICPolarity_Rising, TIM_ICPolarity_Rising);
TIM_SetCounter(TIM2, 0);
TIM_Cmd(TIM2, ENABLE);
}
// 获取速度计算
int32_t Get_Speed(uint8_t motor) {
static int32_t last_count[2] = {0};
int32_t current = TIM_GetCounter(TIM2);
int32_t diff = current - last_count[motor];
last_count[motor] = current;
return diff * 1000 / SAMPLE_TIME_MS; // 脉冲/秒
}
3.3 串口通信协议
STM32与ROS主机间采用自定义串口协议：
| 字节序 | 内容 | 说明 |
|---|---|---|
| 0 | 0xAA | 帧头 |
| 1 | 0x55 | 帧头 |
| 2 | 数据长度N | 不含帧头和校验 |
| 3~N+2 | 数据内容 | 具体数据 |
| N+3 | 校验和 | 前面所有字节的异或和 |
典型数据包示例：
- 里程计数据：位置(x,y)、方向θ、线速度v、角速度ω
- IMU原始数据：加速度、角速度（需时间戳同步）
4. ROS端算法实现
4.1 建图算法对比与选型
我们测试了两种主流建图算法：
gmapping vs cartographer对比表
| 特性 | gmapping | cartographer |
|---|---|---|
| 算法类型 | 粒子滤波 | 图优化 |
| 实时性 | 一般 | 优秀 |
| 闭环检测 | 基于粒子权重 | 基于扫描匹配 |
| 大场景适应性 | 较差 | 优秀 |
| CPU占用 | 较高 | 中等 |
| 内存消耗 | 随粒子数增加 | 相对稳定 |
| 最佳适用场景 | 中小规模室内环境 | 大规模复杂环境 |
实际测试中发现：
- 10m×10m以下环境：gmapping建图更快
- 复杂回廊环境：cartographer闭环效果更好
- 动态障碍物：两者都需要额外处理
4.2 move_base导航配置要点
导航栈的核心配置文件包括：
- costmap_common_params.yaml
yaml复制obstacle_range: 2.5 # 最大障碍物检测距离
raytrace_range: 3.0 # 光线追踪距离
robot_radius: 0.3 # 机器人轮廓半径
inflation_radius: 0.5 # 膨胀半径
- local_costmap_params.yaml
yaml复制local_costmap:
update_frequency: 5.0 # 地图更新频率
publish_frequency: 2.0
transform_tolerance: 0.5 # 坐标变换容忍时间
rolling_window: true # 滚动窗口模式
width: 3.0 # 局部地图宽度(m)
height: 3.0
- global_costmap_params.yaml
yaml复制global_costmap:
update_frequency: 1.0
publish_frequency: 0.5
static_map: true # 使用静态地图
注意：inflation_radius设置过大会导致路径过于保守，过小则可能发生碰撞。建议从机器人半径的1.5倍开始调试。
4.3 EKF融合实现细节
扩展卡尔曼滤波配置关键参数：
imu0.yaml
yaml复制frequency: 100 # IMU数据频率
sensor_timeout: 0.01 # 超时阈值(秒)
config: [False, False, False, # 是否使用x/y/z加速度
True, True, True, # 是否使用roll/pitch/yaw
False, False, False] # 是否使用x/y/z速度
odom0.yaml
yaml复制frequency: 30 # 里程计数据频率
sensor_timeout: 0.1
config: [True, True, False, # x/y位置有效
False, False, True,# z轴旋转有效
True, True, False] # x/y速度有效
融合效果优化技巧：
- IMU和里程计时间戳对齐
- 运动时更信任里程计数据
- 静止时依赖IMU消除里程计漂移
5. 系统集成与调试
5.1 通信延迟问题排查
在实际测试中，我们遇到了控制延迟问题，表现为：
- 命令发送到电机响应有明显延迟
- 高速运动时轨迹偏离严重
排查步骤：
- 用
rostopic hz检查话题发布频率 - 使用
tcpdump分析网络流量 - 在STM32端添加时间戳标记
最终解决方案：
- 将USB转串口芯片从CH340换成FT232（延迟从15ms降到2ms）
- ROS节点添加
<param name="buff_size" value="512"/>增大缓冲区 - 使用
rosserial_python替代rosserial_server
5.2 导航精度优化记录
初始测试时定位误差达30cm，通过以下改进降到5cm内：
-
编码器标定：
- 测量实际轮径（充气程度影响显著）
- 精确测定轮距（用旋转法校准）
-
IMU温度补偿：
python复制def temp_compensate(raw, temp): offset = 0.01 * (temp - 25) # 25℃为基准 return raw - offset -
运动学模型修正：
- 考虑电机响应延迟
- 加入滑动补偿系数
5.3 典型问题解决方案
问题1：gmapping建图出现重影
- 原因：里程计误差累积过快
- 解决：降低
linearUpdate和angularUpdate参数
问题2：cartographer在长走廊失效
- 原因：特征点不足导致优化失败
- 解决：添加
use_imu_data = true加强约束
问题3：move_base频繁规划失败
- 原因：局部代价地图更新不及时
- 解决：调整
update_frequency至10Hz
6. 项目扩展方向
基于现有平台，可以进一步探索：
-
多机器人协同：
- 使用ROS多机通信
- 基于
amcl的协同定位
-
视觉增强：
- 接入Realsense D435i
- ORB-SLAM3融合实现
-
云端监控：
- 通过MQTT上传状态数据
- Web端实时可视化
-
动态避障升级：
- 集成TEB局部规划器
- 加入深度学习的障碍物预测
这个项目最让我惊喜的是，通过合理的硬件选型和算法调参，用相对低成本的材料也能实现专业级的导航性能。特别是在EKF参数调优过程中，深刻体会到传感器融合的艺术性——没有绝对的最优解，只有针对特定场景的平衡取舍。