树莓派实验实践记录与技术分析

关注

原创最新推荐文章于 2026-03-18 17:44:18 发布 630 阅读 AI 写同款· GEO 优化 ›

卡尔曼滤波器学习笔记（一） Kalman Filter学习笔记（一） 卡尔曼滤波器的原理及应用最近在学习Probablistic Robotics这本书，获益良多。以前学了概率论和随机过程之后一直觉得这些是虚的，不知道在工程上怎么用，而这本书恰恰就是讲如何把这些概率理论和方差估计应用到工程上去，更确切的说，应用到机器人上去。应用前提算法详细介绍应用举例下篇预告 1.应用前提要应用kalman 阅读详情

一、内核驱动开发：hello 模块实现

驱动程序代码

#include <linux/init.h> 
#include <linux/module.h> 
static int __init hello_init(void) 
{ 
    printk(KERN_INFO "hello kernel\n"); 
    return 0; 
} 
module_init(hello_init); 

static void __exit hello_exit(void) 
{ 
    printk(KERN_INFO "bye kernel\n"); 
} 
module_exit(hello_exit); 

MODULE_LICENSE("GPL v2"); 
MODULE_DESCRIPTION("树莓派3B+ hello驱动模块"); 
MODULE_ALIAS("HelloModule"); 
MODULE_AUTHOR("Philon");

编译配置（Makefile）

obj-m := hello.o 
KERNEL_VERSION := $(shell uname -r) 
KDIR := /lib/modules/$(KERNEL_VERSION)/build 
PWD := $(shell pwd) 

all:
    $(MAKE) -C $(KDIR) M=$(PWD) modules
    
clean:
    $(MAKE) -C $(KDIR) M=$(PWD) clean

模块模块指令

加载：sudo insmod hello.ko
查看输出：dmesg | tail
卸载：sudo rmmod hello

4.PWM 驱动问题说明

尝试实现 PWM 呼吸灯驱动时，发现旧版源码中的pwm_set_clock等函数已被新版内核废弃。替换为pwm_enable等新接口后编译通过，但装载内核时无法调用 PWM 资源，推测是设备树未正确声明 PWM 控制器导致。

二、Python 应用开发：PWM 呼吸灯

硬件连接

编码方式：BCM 编码
引脚分配：白色 LED 接 BCM13（PWM1），黄色 LED 接 BCM18（PWM0）
供电：通过树莓派 GPIO 口提供 5V 与 GND

2.完整代码：

import RPi.GPIO as GPIO
import time

GPIO.setmode(GPIO.BCM)
OUT1, OUT2 = 13, 18
GPIO.setup(OUT1, GPIO.OUT)
GPIO.setup(OUT2, GPIO.OUT)

pwm1 = GPIO.PWM(OUT1, 60)
pwm2 = GPIO.PWM(OUT2, 60)

try:
    pwm1.start(0)
    pwm2.start(0)
    for _ in range(3):
        # 白灯呼吸效果
        for dc in range(0, 101, 5):
            pwm1.ChangeDutyCycle(dc)
            time.sleep(0.1)
        for dc in range(100, -1, -5):
            pwm1.ChangeDutyCycle(dc)
            time.sleep(0.1)
        
        # 黄灯呼吸效果
        for dc in range(0, 101, 5):
            pwm2.ChangeDutyCycle(dc)
            time.sleep(0.1)
        for dc in range(100, -1, -5):
            pwm2.ChangeDutyCycle(dc)
            time.sleep(0.1)
finally:
    pwm1.stop()
    pwm2.stop()
    GPIO.cleanup()

三、超声波测距系统

硬件接线注意事项
| 引脚 | 功能 | 接线要求 |
|------|------|----------|
| Vcc | 电源正极 | 接树莓派 5V 引脚，避免独立供电 |
| GND | 电源负极 | 连接树莓派 GND |
| Trig | 触发信号 | 接 BCM23（输出模式） |
| Echo | 回声信号 | 需通过 1kΩ+2kΩ 电阻分压后接 BCM24（输入模式），防止 5V 信号烧毁 GPIO |
测距原理

树莓派向 Trig 发送 10μs 高电平脉冲，HC-SR04 接收到信号后发射超声波，同时将 Echo 置高；
接收到反射波时 Echo 置低，通过测量高电平持续时间计算距离：
距离 = (高电平时间 × 34300cm/s) / 2

3.代码实现

import RPi.GPIO as GPIO
import time

GPIO.setmode(GPIO.BCM)
TRIG, ECHO = 23, 24
GPIO.setup(TRIG, GPIO.OUT)
GPIO.setup(ECHO, GPIO.IN)

def measure_distance():
    GPIO.output(TRIG, True)
    time.sleep(0.00001)
    GPIO.output(TRIG, False)
    
    while GPIO.input(ECHO) == 0:
        start = time.time()
    while GPIO.input(ECHO) == 1:
        stop = time.time()
    
    time_diff = stop - start
    return (time_diff * 34300) / 2

if __name__ == '__main__':
    try:
        while True:
            dist = measure_distance()
            print(f"距离：{dist:.2f} cm")
            time.sleep(1)
    except KeyboardInterrupt:
        print("测量停止")
        GPIO.cleanup()

四、超声波测距滤波算法分析

平均值滤波

原理：对 N 次测量值取算术平均，公式为Y = (X₁+X₂+…+Xₙ)/N。
优点：实现简单，有效抑制随机噪声；
缺点：对突变信号响应慢，不适用于动态场景（如移动物体测距）。

2.卡尔曼滤波

原理：基于状态空间模型，通过递归估计动态系统状态，同时考虑测量噪声与过程噪声。
核心优势：
- 动态适应性强，可实时修正温度漂移、环境干扰等误差；
- 无需存储历史数据，计算效率高，适合实时系统；
- 能处理非线性误差，更贴合超声波测距的实际场景（如声波折射、反射干扰）。
缺点：需建立精确的系统模型，初始参数调优难度较高。

3.方案选择
推荐采用卡尔曼滤波。超声波测距易受环境噪声、温度变化影响，且需实时更新距离数据，卡尔曼滤波可通过系统状态预测与修正，提供更稳定的测量结果。若硬件资源有限，可采用加权移动平均滤波作为简化方案。