基于Arduino的6.5寸轮毂电机自动跟随机器人设计

1. 项目概述：6.5寸轮毂电机自动跟随底盘设计

这个基于Arduino的自动跟随机器人底盘项目，是我最近完成的一个很有意思的实践。它采用了6.5寸无刷轮毂电机作为动力核心，配合超声波传感器实现基础的跟随功能。整个系统成本控制在500元以内，却实现了相当不错的性能表现。

这个底盘最吸引我的地方在于它的"黄金比例"设计。6.5寸（约165mm）的轮径配合30cm的轮距，形成了一个非常理想的平衡点：足够大的轮径可以轻松越过2cm以下的障碍，而紧凑的轮距又保证了在狭小空间的机动性。在实际测试中，这个底盘可以承载5kg的负载，最高速度达到0.8m/s，完全满足大多数室内应用场景的需求。

2. 核心硬件选型与配置

2.1 6.5寸无刷轮毂电机详解

这款轮毂电机是我从某宝上淘来的工业级产品，单价约150元/个。它的参数非常漂亮：

• 额定电压：12V DC
• 空载转速：300RPM
• 额定扭矩：0.5Nm
• 峰值功率：120W
• 内置减速比：1:15
• 霍尔传感器分辨率：7极对

特别提醒：选购时一定要注意电机轴径。市面上常见的6.5寸轮毂电机有12mm和16mm两种轴径，我们项目选用的是16mm轴径版本，承重能力更强。

电机的安装出奇地简单，直接用四个M4螺丝固定在底盘两侧即可。由于是轮毂电机，省去了传统电机+轮子+联轴器的复杂装配过程。不过要注意两点：

1. 电机出线要预留足够的活动余量，避免转向时拉扯电线
2. 安装面要加装橡胶垫片，减少振动传递

2.2 超声波传感器方案对比

我测试了三种常见的超声波模块：

1. HC-SR04（最便宜，约8元/个）
2. US-100（带温度补偿，约25元/个）
3. HY-SRF05（抗干扰强，约15元/个）

最终选择了HY-SRF05作为主力传感器，主要考虑：

• 测量范围2-450cm（实际稳定在2-200cm）
• 5V供电与Arduino兼容
• 抗干扰能力明显优于HC-SR04
• 性价比高于US-100

传感器布局很有讲究。单传感器方案只能安装在前方正中位置，而双传感器方案我推荐采用30°夹角安装，这样可以在不增加成本的情况下将水平探测范围从30°提升到60°。

3. 电路设计与电源管理

3.1 电源系统架构

整个系统的电源设计是项目成功的关键。我采用了三级供电方案：

code复制12V锂电池
├─ 第一级：1000μF电解电容（吸收电机启动冲击）
├─ 第二级：DC-DC降压模块（12V→5V，给Arduino供电）
└─ 第三级：LC滤波电路（给传感器供电）

这个设计解决了最让人头疼的电机干扰问题。之前尝试直接用Arduino的5V输出给传感器供电，结果电机一启动超声波读数就乱跳。加入LC滤波后（我用的是100μH电感+100μF电容），传感器工作非常稳定。

3.2 电机驱动电路

轮毂电机需要专门的BLDC驱动器。我测试了几种方案：

1. 普通有刷电机驱动板（完全不能用）
2. 廉价的BLDC驱动模块（约30元，性能不稳定）
3. 专业的FOC驱动器（如VESC，价格高但性能好）

考虑到成本，最终选择了基于STM32的简易FOC驱动器，核心是DRV8313芯片。虽然比不上商业级产品，但配合SimpleFOC库已经能实现不错的效果。

接线时特别注意：

• 电机三相线要远离信号线
• 霍尔传感器线要用屏蔽线
• PWM信号线要尽可能短

4. 核心算法实现

4.1 基础跟随控制算法

最基础的跟随算法其实很简单，就是保持与目标的固定距离。我用的是比例控制：

code复制error = 当前距离 - 目标距离
输出速度 = 基础速度 + Kp × error

但实际测试发现这种简单算法会导致机器人"抽搐式"移动。后来加入了两个改进：

1. 加入死区：当误差小于5cm时不调整速度
2. 加入速度限幅：防止输出速度突变

完整的控制逻辑如下：

cpp复制float followControl(float currentDistance) {
  const float targetDist = 50.0; // 50cm跟随距离
  const float Kp = 1.2;
  const float baseSpeed = 80;
  
  float error = currentDistance - targetDist;
  
  // 死区处理
  if(fabs(error) < 5) return baseSpeed;
  
  // 比例控制
  float speed = baseSpeed + Kp * error;
  
  // 限幅处理
  speed = constrain(speed, 30, 150);
  
  return speed;
}

4.2 双传感器角度跟随

单传感器只能测距，无法感知目标方位。加入第二个超声波传感器后，可以计算出角度偏差：

cpp复制float angleError = (leftDist - rightDist) / sensorSpacing;

其中sensorSpacing是两个传感器的安装间距（我的是15cm）。

实际实现时，我用了移动平均滤波来平滑传感器数据：

cpp复制class MovingAverage {
private:
  float buffer[5];
  int index = 0;
  
public:
  float filter(float value) {
    buffer[index] = value;
    index = (index + 1) % 5;
    float sum = 0;
    for(int i=0; i<5; i++) sum += buffer[i];
    return sum / 5;
  }
};

4.3 避障算法实现

基本的避障逻辑可以用有限状态机实现：

cpp复制enum State { FOLLOWING, OBSTACLE_AVOID, BACKING };
State currentState = FOLLOWING;

void loop() {
  float frontDist = readUltrasonic();
  
  switch(currentState) {
    case FOLLOWING:
      if(frontDist < 30) {
        currentState = OBSTACLE_AVOID;
        avoidStartTime = millis();
      }
      break;
      
    case OBSTACLE_AVOID:
      if(millis() - avoidStartTime > 500) {
        currentState = BACKING;
      }
      break;
      
    case BACKING:
      // 后退逻辑
      if(frontDist > 50) {
        currentState = FOLLOWING;
      }
      break;
  }
}

5. 软件架构与关键代码

5.1 主程序框架

整个程序采用分层设计：

code复制└─ 主循环(10Hz)
   ├─ 传感器读取层
   ├─ 数据处理层（滤波、融合）
   ├─ 决策控制层
   └─ 电机驱动层

关键代码结构：

cpp复制void setup() {
  initSensors();
  initMotors();
  initCommunication();
}

void loop() {
  static uint32_t lastControl = 0;
  if(millis() - lastControl > 100) { // 10Hz控制频率
    float distance = readFilteredDistance();
    float speed = calculateSpeed(distance);
    setMotorSpeed(speed);
    lastControl = millis();
  }
}

5.2 SimpleFOC电机控制

SimpleFOC库极大简化了BLDC控制：

cpp复制#include <SimpleFOC.h>

BLDCMotor motor = BLDCMotor(7);
BLDCDriver3PWM driver = BLDCDriver3PWM(9,10,11,8);

void setup() {
  driver.voltage_power_supply = 12;
  driver.init();
  
  motor.linkDriver(&driver);
  motor.init();
  motor.initFOC();
}

void loop() {
  motor.loopFOC(); // 必须实时运行
  motor.move(target_velocity);
}

5.3 多传感器数据融合

当加入IMU后，需要进行传感器融合：

cpp复制float fusedDistance = 0.7*ultrasonicDist + 0.3*imuPredictedDist;

这里使用了互补滤波，权重系数需要根据传感器精度调整。

6. 调试技巧与性能优化

6.1 PID参数整定方法

调试PID参数时，我推荐以下步骤：

1. 先将Ki和Kd设为0，逐步增加Kp直到系统开始振荡
2. 取振荡时Kp值的50%作为初始Kp
3. 逐步增加Ki消除稳态误差
4. 最后加入Kd抑制超调

实测的参考参数：

cpp复制// 距离控制PID
float Kp_dist = 1.2;
float Ki_dist = 0.05;
float Kd_dist = 0.3;

// 角度控制PID 
float Kp_angle = 0.8;
float Ki_angle = 0.02;
float Kd_angle = 0.15;

6.2 实时调试技巧

我开发了一个简单的调试协议，通过串口实时监控关键参数：

cpp复制void debugOutput(float dist, float speed) {
  static uint32_t lastDebug = 0;
  if(millis() - lastDebug > 200) { // 5Hz调试输出
    Serial.print("Dist:");
    Serial.print(dist);
    Serial.print("cm Speed:");
    Serial.print(speed);
    Serial.println();
    lastDebug = millis();
  }
}

在串口绘图器中可以直观看到系统响应曲线。

7. 常见问题与解决方案

7.1 超声波读数不稳定

症状：距离数据偶尔跳变很大
解决方法：

1. 软件滤波（如前面提到的移动平均）
2. 在传感器VCC和GND之间加0.1μF去耦电容
3. 避免多个超声波同时发射（分时触发）

7.2 电机启动时Arduino重启

症状：电机一上电，整个系统重启
解决方法：

1. 检查电源容量（建议使用2000mAh以上锂电池）
2. 在电机电源端并联大电容（我用了1000μF）
3. 确保Arduino有独立稳压供电

7.3 跟随时左右摆动

症状：机器人像喝醉酒一样左右摇摆
解决方法：

1. 降低P参数，增加D参数
2. 检查轮子是否打滑（可以贴橡胶垫增加摩擦）
3. 确保两个电机参数一致（可以用SimpleFOC的电机识别功能）

8. 项目扩展与进阶方向

8.1 加入视觉识别

可以用OpenMV或ESP32-CAM实现简单的颜色跟踪：

python复制# OpenMV简单颜色跟踪示例
import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time = 2000)

while(True):
    img = sensor.snapshot()
    blobs = img.find_blobs([(0, 100, -128, 127, -128, 127)]) # 红色检测
    if blobs:
        largest = max(blobs, key=lambda b: b.pixels())
        img.draw_rectangle(largest.rect())

8.2 实现SLAM建图

使用RPLIDAR A1配合ROS可以构建简单的室内地图：

bash复制# ROS下启动建图
roslaunch slam_toolbox online_sync.launch

8.3 无线遥控与监控

加入ESP8266实现WiFi控制：

cpp复制#include <ESP8266WiFi.h>

void setup() {
  WiFi.begin("SSID", "password");
  while(WiFi.status() != WL_CONNECTED) delay(500);
}

void loop() {
  if(WiFiClient client = server.available()) {
    String req = client.readString();
    // 解析控制指令
  }
}

这个6.5寸轮毂电机底盘项目从硬件选型到算法实现，每一个环节都充满了工程实践的乐趣。它最吸引我的地方在于，用如此低的成本就实现了一套完整的移动机器人系统，而且性能完全超出预期。特别是在加入了IMU传感器融合后，跟随的平滑度有了质的提升。