智能移动空气监测小车设计与实现

1. 项目概述

去年夏天帮朋友改造儿童房时，发现一个有趣的现象：虽然房间装了新风机，但不同位置的空气质量差异很大。这让我萌生了制作一台能自主移动监测空气质量的智能小车想法。经过三个月的迭代，最终完成的这台智能远程空气监测小车，不仅能实时检测PM2.5、CO2、温湿度等参数，还能通过手机远程控制其移动到指定位置采样，数据自动上传云端生成可视化报告。

这种设备特别适合用于：

• 家庭环境中的空气质量死角检测
• 工厂/实验室等场所的定期巡检
• 教学场景下的物联网开发案例
• 养老院等特殊场所的环境监控

核心功能架构包含三大模块：

1. 移动底盘与控制系统
2. 多参数空气检测模块
3. 无线通信与云平台

2. 硬件系统设计

2.1 移动底盘选型对比

实测对比了三种常见底盘方案：

最终选择两轮差速底盘，主要考虑：

1. 家庭环境地面平整度足够
2. 成本优势明显
3. 配套的电机驱动板成熟稳定

关键提示：选购时注意电机编码器分辨率，建议选择每转≥12脉冲的型号，这对后续里程计精度至关重要。

2.2 传感器阵列配置

空气检测模块采用模块化设计，包含：

1. PM2.5传感器：攀藤G7激光颗粒物传感器

   • 原理：激光散射法
   • 量程：0-1000μg/m³
   • 特点：自带风扇确保气流稳定

2. CO2传感器：MH-Z19B红外传感器

   • 采用NDIR非分散红外技术
   • 自动基线校准功能
   • 注意安装时要远离热源

3. 温湿度传感器：SHT31

   • I2C接口数字输出
   • ±2%RH湿度精度
   • 带防尘滤网保护

传感器布局要避开电机干扰，实测发现距离电机20cm以上时数据稳定性最佳。所有传感器通过3D打印的支架集中安装在小车顶部，形成"检测塔"结构。

3. 控制系统实现

3.1 主控板选型

对比树莓派4B和STM32F407两种方案：

python复制# 树莓派方案示例代码
import RPi.GPIO as GPIO
from mh_z19 import mh_z19

def read_sensors():
    co2 = mh_z19.read()
    pm25 = pms5003.read()
    return {"co2":co2, "pm2.5":pm25}

最终选择STM32+ESP32双核方案：

• STM32负责电机控制和传感器数据采集
• ESP32处理WiFi通信和云端对接
• 通过UART协议进行双机通信

优势在于：

1. 实时性更好（电机控制周期可达1ms）
2. 功耗更低（待机电流<50mA）
3. 成本更低（总价约120元）

3.2 运动控制算法

开发了三种运动模式：

1. 定点巡航模式：输入目标坐标(x,y)，小车自动规划路径
2. 区域扫描模式：划定矩形区域，自动生成蛇形路径
3. 紧急避障模式：通过TOF传感器实现急停

路径规划算法伪代码：

code复制def path_planning(target):
    current = get_odometry()
    path = []
    while distance(current, target) > 0.1:
        next_point = calculate_next_step(current, target)
        path.append(next_point)
        current = next_point
    return path

里程计校准方法：

1. 让小车直线行驶1米
2. 记录编码器脉冲数N
3. 计算脉冲当量：1/N (m/pulse)
4. 重复3次取平均值

4. 软件系统架构

4.1 通信协议设计

采用MQTT+HTTP混合方案：

• 实时控制指令走MQTT（<100ms延迟）
• 历史数据查询用HTTP RESTful API
• 数据包采用MessagePack二进制格式

典型数据包结构：

json复制{
  "ts": 1634567890,
  "pm25": 35,
  "co2": 650,
  "temp": 25.3,
  "humi": 45.2,
  "loc": [1.2, 3.4] 
}

4.2 云端数据处理

数据流向：
传感器 → 边缘计算（滤波） → 云端存储 → 可视化

采用的云服务组合：

• 阿里云IoT平台用于设备管理
• 腾讯云时序数据库CTSDB存储数据
• 自建Node-RED实现业务逻辑
• Grafana做数据可视化

避坑经验：MQTT的QoS等级建议设为1，既能保证可靠性又不会像QoS2那样产生明显延迟。

5. 实际应用测试

5.1 家庭环境测试

在80㎡的公寓中设置5个检测点：

1. 厨房灶台附近
2. 卧室床头
3. 儿童书桌
4. 客厅中央
5. 卫生间

连续监测一周发现：

• 做饭时厨房PM2.5瞬时值可达180μg/m³
• 夜间卧室CO2浓度经常超过1000ppm
• 卫生间湿度长期>70%RH

5.2 性能参数实测

6. 常见问题解决方案

6.1 传感器读数异常

现象：CO2值持续显示400ppm不变

• 检查电源：确保传感器获得5V±0.1V供电
• 检查预热：MH-Z19B需要3分钟预热
• 检查接线：UART线路RX/TX不要接反

6.2 运动控制问题

现象：小车走直线会偏移

• 执行电机校准：CALIB_MOTOR命令
• 检查地面：反光/深色地砖会影响编码器
• 调整PID参数：增大D项抑制振荡

6.3 网络连接问题

现象：频繁断线重连

• 修改WiFi信道：避开拥挤的6信道
• 增加重试机制：指数退避算法
• 添加看门狗：硬件看门狗+软件心跳

7. 进阶改进方向

1. 多机协作：通过UWB实现多车定位，适合大空间监测
2. 自动充电：增加红外引导的充电对接功能
3. AI预测：基于历史数据预测空气质量变化趋势
4. 边缘计算：在本地实现异常检测，减少云端依赖

实测发现增加简单的移动平均滤波算法，就能将传感器读数波动降低60%。下一步计划尝试卡尔曼滤波，进一步提升数据质量。