1. 从零到完赛：我的智能车电磁组参赛全记录
2019年秋季，当我第一次看到全国大学生智能车竞赛的报名通知时，完全没想到这个决定会让我度过如此充实的两年。作为电子信息工程专业的学生，我选择了最具挑战性的电磁组——这个组别要求小车完全依靠电磁感应导航，在看不见任何引导线的情况下完成赛道行驶。
最初三个月，我和队友们连最基本的直道都跑不完整。电磁信号采集不稳定，舵机响应延迟，电机控制精度不足...每天实验室里都回荡着小车撞上挡板的"砰砰"声。直到2020年寒假前，我们才实现了第一个里程碑：完整跑完组委会提供的标准环形赛道，虽然用时是冠军队伍的3倍。
真正的转折点出现在疫情后的复赛阶段。当传统调试方法遇到瓶颈时，我们尝试引入AI算法进行信号处理和路径预测。这个决定让小车成绩从2分30秒直接提升到1分50秒，也让我开始思考人与AI在工程实践中的协作边界。
2. 电磁导航系统的核心架构解析
2.1 传感器阵列设计与信号调理
电磁组的灵魂在于那排看似简单的电感线圈。我们最终采用了7个工字型电感组成的弧形阵列，间距35mm，安装高度25mm。这个配置经过无数次测试：
- 电感值：4.7mH（实测在20kHz下Q值达到85）
- 谐振电容：0.1μF CBB电容
- 放大电路：三级运放组合（AD620仪表放大器+LM358双运放）
信号调理中最关键的发现是：必须在前级加入带通滤波（中心频率20kHz，带宽±2kHz），否则实验室里的变频器干扰会让信号完全失真。这个教训让我们在分区赛少走了很多弯路。
2.2 控制算法的迭代历程
从最基础的PD控制到引入前瞻算法的过程堪称血泪史。最初版本简单比较相邻电感值差来控制转向，结果每个弯道都像醉汉走路。第二版加入速度分段控制，直道全速，入弯减速，但过弯时仍然不稳定。
突破来自对赛道电磁场分布的数学建模。我们发现引导线产生的磁场强度与距离的平方成反比，但实际测量时还要考虑相邻导线的耦合干扰。最终采用的加权算法：
code复制转向输出 = 0.6×当前偏差 + 0.3×历史偏差积分 + 0.1×预测偏差
这个组合让过弯平滑度提升了40%。
3. AI协作带来的效率革命
3.1 传统调试方法的瓶颈
在省赛前的密集调试期，我们遇到了难以突破的天花板。手动调参时，修改P参数改善了一个弯道，却导致另外三个弯道性能下降。团队成员经常争论是该优先保证稳定性还是追求速度，这种权衡消耗了大量时间。
更棘手的是赛道元素组合带来的复杂度。单独调试直角弯、S弯、坡道都没问题，但组合在一起时系统表现难以预测。传统试错法需要测试所有可能的组合，这在有限备赛时间内根本不现实。
3.2 引入强化学习的实践
受到AlphaGo的启发，我们尝试用PyTorch搭建了一个简单的DQN网络。输入层接收7路电感值、当前速度和转向角，输出层预测最优的电机PWM和舵机转角。训练环境用Gazebo搭建了虚拟赛道，在Jetson Nano上部署推理引擎。
实际部署时遇到的关键问题：
- 实时性：原始模型推理时间15ms，超过控制周期（10ms）
- 解决方案：模型量化+TensorRT加速，最终降到6ms
- 数据不足：虚拟环境和真实赛道存在差距
- 解决方案：采集真实数据做迁移学习
效果最明显的是连续S弯处理，AI控制的小车能够自主发现"切弯心"的最优路径，这是我们手动调参从未想到的策略。
4. 人机协作的边界思考
4.1 AI作为工具还是伙伴？
比赛后期，我们逐渐形成明确的分工：AI负责底层控制优化，人类负责策略制定和异常处理。比如当检测到电感值异常波动时（可能是传感器故障），系统会切换回保守的手动控制参数。
一个有趣的发现：AI在"肌肉记忆"类任务上表现优异（如保持特定速度过弯），但在需要全局策略的任务上（如能量分配）反而容易陷入局部最优。这促使我们保留了手动控制的高阶策略层。
4.2 可靠性验证的挑战
全国总决赛前一周，小车在测试中突然冲出赛道。排查发现是AI模型对新型反光胶带产生了误判。这个事件让我们建立了严格的AB测试流程：
- 任何AI生成的参数必须先在模拟器验证
- 然后进入受限实体测试（限速50%）
- 最后与基准手动参数进行对比测试
这套流程虽然增加了工作量，但确保了最终比赛时没再出现意外状况。
5. 完赛后的技术反思
5.1 那些值得坚持的传统方法
尽管AI带来了显著提升，但有些基础工作仍然不可替代：
- 传感器的手动校准：每个电感都需要单独补偿温度漂移
- 机械结构的精细调整：转向机构的虚位必须控制在0.5mm以内
- 电源系统的优化：超级电容组的充放电曲线需要实测调整
这些"脏活累活"恰恰是系统稳定性的基石。过分依赖AI可能导致基础不牢，这是我们最大的教训之一。
5.2 给后来者的实用建议
基于两年参赛经验，总结出电磁组三个关键点：
- 信号质量优先：宁可牺牲采样率也要保证信噪比
- 控制频率决定上限：建议至少100Hz的控制周期
- 机械决定下限：再好的算法也救不了糟糕的机械设计
对于考虑使用AI的团队，建议先从特定模块入手（如弯道识别），不要一开始就追求全栈智能化。我们的开源代码已发布在GitHub（示例仓库名：EMCar-AI-Helper），包含完整的训练数据集和模型转换工具链。
这段智能车之旅给我的不仅是奖牌，更深刻理解了如何让技术创新真正落地。当凌晨三点的实验室里，小车终于流畅地跑完赛道时，那种人与机器共同解决问题的成就感，或许就是工程教育的真谛。现在看着静静陈列在展柜中的战车，我依然能想起每个电感线圈背后那些调试到天亮的日夜——这大概就是硬核理工科的浪漫吧。