STM32灰度传感器循迹系统设计

智能循迹判断：基于STM32与灰度传感器的循迹小车系统设计

在高校电子竞赛现场，你常常能看到一群学生围着一辆小小的四轮车屏息凝神——它没有遥控器，却能沿着地面上弯弯曲曲的黑线自主前进，稳稳地过弯、加速、甚至识别路口。这正是经典的“智能循迹小车”项目。而在这类系统背后，真正决定其表现的核心，并不是电机有多快，也不是主控芯片多高级，而是 如何准确判断当前车身相对于轨迹的位置偏差 。

这个看似简单的任务，实则融合了传感器物理特性、嵌入式实时处理和控制算法设计的综合挑战。尤其当赛道出现S弯、直角转弯或交叉口时，任何一次误判都可能导致冲出轨道、反复抖动甚至原地打转。那么，我们该如何构建一个既灵敏又鲁棒的循迹判断系统？答案往往藏在 STM32微控制器 与 多路灰度传感器阵列 的协同工作中。

---

要让小车“看见”地面轨迹，最经济高效的方案之一就是使用 反射式灰度传感器 。这类模块通常由红外发射管和光敏接收元件组成，通过检测不同颜色表面对红外光的反射强度差异来区分黑白区域。比如白色地板反射率高，返回信号强；黑色胶带吸收大部分光线，输出弱。这种原理简单但非常可靠，特别适合在室内稳定光照条件下运行。

常见的配置是5路或8路灯列式排布，横向安装于车体前端下方。这样的布局不仅能覆盖更宽的路径范围，还能提供足够的空间分辨率，帮助判断偏移方向和程度。例如五路传感器理想居中时，中间一路落在黑线上，两侧对称分布在白区，形成明显的“凹”型响应模式。

实际使用中需要注意几个关键点：
- 安装高度建议控制在0.8~1.5cm之间，过高会降低对比度，过低则容易刮擦地面；
- 避免阳光直射或强环境光干扰，否则可能淹没有效信号；
- 数字输出虽方便，但模拟量更能体现渐变过程，利于精细控制。

以STM32F1系列为例，其内置12位ADC可直接读取各通道电压值。下面是一段典型的多通道采集代码：

// 使用HAL库进行ADC轮询采集（简化示例）
#include "stm32f1xx_hal.h"

#define SENSOR_NUM 5
uint16_t adc_values[SENSOR_NUM];

ADC_HandleTypeDef hadc1;

void Read_Gray_Sensors(void) {
    HAL_ADC_Start(&hadc1);
    if (HAL_ADC_PollForConversion(&hadc1, 10) == HAL_OK) {
        for (int i = 0; i < SENSOR_NUM; i++) {
            adc_values[i] = HAL_ADC_GetValue(&hadc1);
            // 手动切换通道（需提前配置扫描顺序）
            ADC_ChannelSwitch(i + 1);
            HAL_ADC_Start(&hadc1);
            HAL_ADC_PollForConversion(&hadc1, 10);
        }
    }
    HAL_ADC_Stop(&hadc1);
}

这段代码虽然功能完整，但在高频采样场景下效率较低。更好的做法是启用ADC的 扫描模式（Scan Mode）并配合DMA传输 ，实现一次触发、自动完成多个通道的连续采样，完全解放CPU资源。这对于需要同时处理编码器反馈、PID计算和通信任务的系统来说至关重要。

---

作为整个系统的“大脑”，STM32的角色远不止数据搬运工。从GPIO初始化到PWM调速，从中断调度到外设协调，它必须在毫秒级时间内完成一轮完整的感知-决策-执行闭环。

以常用的STM32F103C8T6为例，72MHz主频、丰富的定时器资源和多达16通道的ADC支持，使其成为入门级智能车项目的首选。更重要的是，其成熟的开发生态——无论是STM32CubeMX图形化配置工具，还是Keil、IAR、VS Code + PlatformIO等开发环境——大大降低了嵌入式开发门槛。

其中最关键的任务之一，是生成精确可控的PWM信号驱动左右电机。通过调节占空比，可以实现差速转向。以下是使用TIM3输出两路PWM的典型配置：

TIM_HandleTypeDef htim3;

void MX_TIM3_PWM_Init(void) {
    htim3.Instance = TIM3;
    htim3.Init.Prescaler = 72 - 1;         // 72MHz / 72 = 1MHz
    htim3.Init.CounterMode = TIM_COUNTERMODE_UP;
    htim3.Init.Period = 1000 - 1;          // 1kHz PWM频率
    HAL_TIM_PWM_Start(&htim3, TIM_CHANNEL_1); // 左轮PWM
    HAL_TIM_PWM_Start(&htim3, TIM_CHANNEL_2); // 右轮PWM
}

void Set_Motor_Speed(uint16_t left, uint16_t right) {
    __HAL_TIM_SET_COMPARE(&htim3, TIM_CHANNEL_1, left);
    __HAL_TIM_SET_COMPARE(&htim3, TIM_CHANNEL_2, right);
}

这里设置的1kHz频率兼顾了电机响应和平滑性，而1000步的分辨率足以满足大多数PID控制需求。当然，在更高性能型号上还可以进一步提升至10kHz以上，减少电机噪音和振动。

---

有了硬件基础，接下来的问题是如何把原始的传感器数据转化为有意义的“偏差值”。很多人一开始会选择最简单的阈值比较法：哪个传感器检测到黑线，就认为车偏向哪一侧。这种方法实现容易，但在实际运行中极易产生跳跃式控制，导致小车在轨迹边缘剧烈震荡。

真正能让小车走得平稳流畅的，是一种被称为 加权平均法（Weighted Average Method） 的智能判断策略。它的核心思想是：将每个传感器视为一个带有位置权重的采样点，根据哪些点“看到”了白色区域，计算出整体重心偏移。

假设五路传感器编号为S0~S4，对应权重分别为[-2, -1, 0, +1, +2]。先对ADC值做二值化处理（设定合理阈值，如2000）：

int binary[5];
for (int i = 0; i < 5; i++) {
    binary[i] = (adc_values[i] > 2000) ? 1 : 0;  // 白=1，黑=0
}

然后计算加权偏差：

float error = 0;
int total_weight = 0;
for (int i = 0; i < 5; i++) {
    if (binary[i] == 1) {
        error += (i - 2);           // 中心归零，左负右正
        total_weight++;
    }
}
if (total_weight == 0) {
    error = 0;  // 全黑或全白，异常状态
} else {
    error /= total_weight;  // 归一化
}

最终得到的 error 值大约在[-2, +2]范围内，代表小车整体偏左或偏右的程度。这个值不再是离散跳变的开关量，而是一个连续变化的模拟量，非常适合输入到PID控制器中作为反馈信号。

相比查表法或逻辑判断，加权平均的优势在于：
- 对部分遮挡、轻微污损具有天然容错能力；
- 输出平滑，避免控制抖动；
- 计算量极小，可在低端MCU上高效运行。

当然，也有一些细节需要注意。例如阈值不能一成不变，最好在现场根据地板反光情况动态校准；对于十字路口或终点线等特殊场景（如所有传感器同时进入黑区），还需额外设计状态机进行识别与响应。

---

完整的循迹系统不仅仅是传感器+主控+电机的堆叠，更需要软硬件协同优化才能发挥最佳性能。以下是一些来自实战的经验总结：

传感器布局与机械结构

• 传感器间距建议1.5~2cm，总跨度略大于黑线宽度（通常2cm），确保至少有一路能稳定捕捉边界；
• 排列方式可根据赛道特点调整：直线为主可紧凑排列，复杂弯道可适当拉开增加预测能力；
• 安装支架应牢固且可微调高度，防止行驶震动引起误判。

软件滤波与稳定性增强

• 对原始ADC值做 滑动平均 或 中值滤波 ，抑制噪声波动；
• 在偏差计算后加入 限幅处理 ，防止极端值导致失控；
• 可尝试引入 卡尔曼滤波 或 指数平滑 ，进一步提升动态响应质量。

PID参数整定技巧

• 初始阶段关闭I和D项，仅用P控制观察响应；
• 逐步增大P值直到出现小幅振荡，再回调至稳定点；
• 加入I项消除静态误差，注意设置积分限幅防饱和；
• D项用于抑制超调，但易放大噪声，慎用或结合微分先行策略。

特殊路径应对策略

场景	解决思路
急转弯/直角弯	提前减速，增大转向力度，可结合历史偏差趋势预测
十字路口	检测“全黑”状态持续时间，触发分支选择逻辑
断线重连	记录断线前方向，按惯性短距离搜索恢复
光照不均	使用模拟量输入+动态阈值调整，或增加环境光补偿

此外，还可扩展编码器实现速度闭环，或加入蓝牙/OLED模块用于调试信息输出，极大提升开发效率。

---

从一块“蓝 pill”开发板起步，到一辆能在复杂赛道上疾驰的小车，整个过程不仅是技术实现，更是工程思维的锤炼。你会发现，真正决定系统上限的，往往不是某个炫酷的算法，而是对每一个细节的理解与把控——传感器的高度是否一致？ADC采样是否同步？PWM更新是否有延迟？

这套基于STM32与灰度传感器的循迹架构之所以经久不衰，正是因为它在成本、性能与可玩性之间找到了绝佳平衡。它既是教学实验的理想平台，也是通向更高级机器人系统的起点。未来若想迈向视觉导航或多传感器融合，不妨先从这五个小小的灰度探头开始，理解什么是真正的“感知-决策-执行”闭环。

毕竟，所有的智能，都是从看清脚下的路开始的。