1. 项目概述：当树莓派遇上网球运动
去年夏天在社区网球场调试这个小车时，引来不少球友围观。这个看似简单的装置，实际上融合了计算机视觉、机电控制和运动分析三大技术模块。核心思路是通过树莓派驱动的小车平台，配合摄像头实时追踪网球运动轨迹，既能用于训练辅助，又能作为有趣的科技demo。
不同于固定机位的球轨迹分析系统，移动式追踪小车需要解决动态对焦、实时路径规划和电池续航等特殊挑战。我选用树莓派4B作为主控，不仅因为其出色的图像处理能力（支持1080P@60fps视频处理），更看重其丰富的GPIO接口可以方便连接电机驱动和传感器。
2. 硬件系统搭建
2.1 核心组件选型
经过三次迭代测试，最终确定的硬件配置如下表所示：
| 组件类型 | 具体型号 | 关键参数 | 选择理由 |
|---|---|---|---|
| 主控板 | Raspberry Pi 4B | 4GB内存版本 | 满足OpenCV实时处理需求，性价比最优 |
| 摄像头模块 | Raspberry Pi High Quality Camera | 1200万像素，支持1080P视频 | 全局快门设计有效减少运动模糊 |
| 电机驱动 | L298N双H桥模块 | 最大46V/2A输出 | 可同时驱动两个直流电机，支持PWM调速 |
| 底盘电机 | TT马达带编码器版 | 6V/200RPM | 编码器反馈可实现闭环控制 |
| 电源系统 | 18650电池组 | 2并2串/7.4V/6000mAh | 平衡重量与续航（实测连续工作2.5小时） |
特别注意：摄像头安装高度建议距地面15-20cm，这个角度既能捕捉球的抛物线轨迹，又不会因仰角过大导致背景干扰。
2.2 机械结构设计
采用3D打印的模块化结构包含：
- 可调俯仰角的摄像头云台（打印件需预留走线槽）
- 带减震设计的电机安装座
- 重心优化的电池仓布局
在第三版设计中，我在前保险杠位置增加了超声波传感器（HC-SR04），这个改进成功将碰撞事故率降低了70%。装配时特别注意：
- 电机轴与轮毂的连接使用set screw固定而非胶粘
- 所有线缆用蛇皮网包裹防止缠绕
- 主控板加装散热风扇（空间允许的情况下）
3. 视觉追踪系统实现
3.1 网球检测算法优化
传统颜色阈值法在室外场景下效果欠佳，最终采用的方案是YOLOv5s模型量化后部署。具体实施步骤：
- 数据采集：在不同光照条件下拍摄2000+张网球图像
- 标注工具：使用LabelImg进行边界框标注
- 训练配置：
python复制python train.py --img 640 --batch 16 --epochs 50 --data tennis.yaml --weights yolov5s.pt - 模型量化：使用TensorRT将模型从FP32转为INT8，推理速度提升3倍
实测发现，在正午强光下，添加HSV颜色空间的后处理过滤（H值范围20-30）可将误检率从15%降至3%以下。
3.2 动态追踪策略
采用改进的KCF算法实现实时追踪，核心逻辑流程：
- 初始化阶段通过YOLO检测网球位置
- 建立KCF追踪器并持续更新目标位置
- 每15帧执行一次重新检测防止累积误差
- 当置信度低于阈值时触发全图搜索
为适应快速移动的网球，我将图像金字塔层数从默认的3层调整为5层，虽然增加10%的计算量，但追踪成功率从82%提升到94%。
4. 运动控制系统
4.1 电机驱动实现
使用Python的RPi.GPIO库控制L298N驱动模块：
python复制import RPi.GPIO as GPIO
# 引脚定义
IN1, IN2 = 17, 18 # 左电机
IN3, IN4 = 22, 23 # 右电机
EN_A, EN_B = 27, 24 # PWM使能
def setup():
GPIO.setmode(GPIO.BCM)
for pin in [IN1,IN2,IN3,IN4,EN_A,EN_B]:
GPIO.setup(pin, GPIO.OUT)
# 创建PWM实例
global pwm_a, pwm_b
pwm_a = GPIO.PWM(EN_A, 1000) # 1kHz频率
pwm_b = GPIO.PWM(EN_B, 1000)
pwm_a.start(0)
pwm_b.start(0)
4.2 运动控制算法
采用PID控制器实现精准定位：
python复制class PIDController:
def __init__(self, Kp, Ki, Kd):
self.Kp, self.Ki, self.Kd = Kp, Ki, 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直到系统出现轻微震荡
- 然后加入Kd抑制震荡
- 最后用Ki消除稳态误差
- 典型值范围：Kp=0.3-0.5, Ki=0.01-0.05, Kd=0.1-0.3
5. 系统集成与实测
5.1 多线程架构设计
为避免图像处理阻塞电机控制，采用多线程方案：
python复制from threading import Thread
import queue
image_queue = queue.Queue(maxsize=1)
control_queue = queue.Queue(maxsize=1)
def vision_thread():
while True:
frame = get_camera_frame()
bbox = detect_tennis_ball(frame)
if bbox:
image_queue.put(bbox)
def control_thread():
pid = PIDController(0.4, 0.02, 0.15)
while True:
try:
bbox = image_queue.get(timeout=0.1)
# 计算控制量并驱动电机
error = calculate_error(bbox)
output = pid.update(error, 0.033) # 30fps
adjust_motors(output)
except queue.Empty:
continue
5.2 实测性能数据
在不同场景下的测试结果：
| 测试场景 | 追踪成功率 | 平均延迟 | 续航时间 |
|---|---|---|---|
| 室内训练场 | 98% | 120ms | 160分钟 |
| 室外阴天 | 95% | 150ms | 140分钟 |
| 室外强光 | 88% | 180ms | 120分钟 |
| 多人训练环境 | 76% | 200ms | 100分钟 |
遇到的典型问题及解决方案：
- 阳光直射导致过曝：在镜头前加装ND4减光镜
- 快速变向时丢帧：将I帧间隔从30调整为15
- 电机干扰图像采集：在电源线上加装磁环
- 草地背景干扰检测：训练集增加更多草地场景样本
6. 进阶改进方向
目前正在测试的升级方案包括：
- 使用IMU（MPU6050）进行运动补偿
- 增加第二摄像头实现立体视觉
- 改用TensorFlow Lite的EfficientDet模型
- 开发手机APP远程监控界面
一个实用的调试技巧：在/var/log/目录下创建单独的日志文件，记录每次追踪的帧率、位置误差等数据，这对参数优化非常有帮助。例如用如下命令实时监控：
bash复制tail -f /var/log/tennis_tracker.log | grep "error"
这个项目最让我惊喜的是发现它不仅能追踪网球，稍作调整后还能用于乒乓球、羽毛球等小球类运动。下次准备尝试加入击球点预测功能，这需要结合运动动力学模型来实现。