STM32平衡车控制系统实战项目代码解析

本文还有配套的精品资源，点击获取

简介：本项目通过STM32F103微控制器和MPU6050传感器实现自平衡电动车的控制系统。项目中集成了滤波算法和PID控制策略以确保车辆平衡。介绍了平衡车的姿态数据采集和处理，以及如何通过PID算法调整电机速度。同时，项目还涉及电机驱动电路设计、PWM信号控制和电池管理等关键部分，为嵌入式系统设计提供了深入的学习案例。

1. STM32F103微控制器应用

STM32F103微控制器概述

STM32F103是由STMicroelectronics开发的一款高性能的ARM Cortex-M3微控制器系列，广泛应用于工业控制、医疗设备、汽车电子等领域。其出色的性能、丰富的外设接口和高性价比使得它成为众多硬件开发者的首选。

STM32F103的特性

1. 性能强 ：运行在72MHz的ARM Cortex-M3内核，具有32位的处理能力。
2. 资源丰富 ：提供了高达128KB的闪存和20KB的SRAM，支持多种通信接口，如USART、I2C、SPI、CAN等。
3. 灵活性高 ：支持多种低功耗模式，适合于电池供电的应用场景。
4. 开发便捷 ：支持ST官方提供的STM32CubeMX配置工具和HAL库，大大简化了开发流程。

应用STM32F103的起步指南

对于初学者来说，可以从以下步骤入手学习STM32F103微控制器：

1. 搭建开发环境 ：安装必要的软件，如Keil uVision、STM32CubeIDE或IAR Embedded Workbench。
2. 理解硬件框架 ：熟悉STM32F103的引脚分布和外设特性。
3. 编写第一个程序 ：从一个简单的LED闪烁开始，逐步了解GPIO的操作。
4. 深入学习外设 ：通过实际项目，深入学习各种外设接口的使用。
5. 优化与调试 ：使用调试工具进行代码调试，优化系统性能。

通过这些步骤，初学者可以逐步掌握STM32F103微控制器的应用，并将其应用于各种复杂的项目中。在接下来的章节中，我们将深入讨论MPU6050传感器的集成与数据采集过程。

2. MPU6050传感器集成和数据采集

2.1 MPU6050传感器简介

2.1.1 传感器的选型与接口

MPU6050是一款常用于运动追踪和控制应用的六轴运动跟踪设备，它集成了3轴陀螺仪和3轴加速度计，广泛应用于平衡车、无人机等需要姿态识别的系统中。在选择MPU6050传感器时，需要考虑其供电电压、通信接口、尺寸、工作温度等参数，以满足具体应用场景的需求。

该传感器通过I2C接口与微控制器通信，I2C接口是一种常用的串行总线接口，能够以较低的引脚数量实现高速数据通信。MPU6050使用两线串行接口（SDA和SCL），其中SDA是数据线，SCL是时钟线。在设计电路时，要确保I2C总线上的拉高电阻适当，以保证通信的稳定。

2.1.2 数据通信协议解析

MPU6050遵循标准的I2C协议进行数据的读写操作。通信时，首先发送设备地址加上读/写位，如果设备响应，则可以进行数据的传输。MPU6050的设备地址通常是0x68或0x69（取决于SDA线的状态）。读取数据时，先发送起始信号和设备地址以及读位，然后读取数据。写数据时，也是发送起始信号和设备地址以及写位，之后发送要写入的数据。

以下是使用STM32F103通过I2C接口与MPU6050通信的代码片段示例：

/* MPU6050 I2C address */
#define MPU6050_ADDRESS 0xD0 // 0x68 << 1
#define MPU6050_WHO_AM_I_REG 0x75
#define MPU6050_PWR_MGMT_1_REG 0x6B

uint8_t data = 0;

// 初始化I2C接口
I2C_Init();

// 检查设备ID
HAL_I2C_Mem_Read(&hi2c1, MPU6050_ADDRESS, MPU6050_WHO_AM_I_REG, 1, &data, 1, 1000);

// 设置电源管理寄存器，唤醒传感器
HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDRESS, MPU6050_PWR_MGMT_1_REG, 1, 0x00, 1, 1000);

2.2 数据采集过程

2.2.1 传感器的初始化配置

在集成MPU6050传感器到系统中时，第一步是进行初始化配置。这包括设置采样率、滤波器、量程、唤醒传感器等。初始化代码如下所示：

/* 设置MPU6050的采样率 */
uint8_t sampleRate = 0x07; // 采样率 1kHz
HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDRESS, MPU6050_SMPLRT_DIV_REG, 1, &sampleRate, 1, 1000);

/* 设置MPU6050的数字低通滤波器 */
uint8_t dlpfConfig = 0x01; // 260 Hz
HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDRESS, MPU6050_DLPF_CFG_REG, 1, &dlpfConfig, 1, 1000);

/* 唤醒MPU6050 */
uint8_t pwrMgmt1 = 0x00; // 清除睡眠位
HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDRESS, MPU6050_PWR_MGMT_1_REG, 1, &pwrMgmt1, 1, 1000);

2.2.2 数据读取和缓存机制

接下来需要从MPU6050读取原始数据，并将其存入缓存中。通常会读取加速度和陀螺仪的所有轴数据，以便进行后续的数据处理。

/* 读取MPU6050的加速度和陀螺仪数据 */
uint8_t accel_raw[6], gyro_raw[6];
HAL_I2C_Mem_Read(&hi2c1, MPU6050_ADDRESS, MPU6050_ACCEL_XOUT_H_REG, 1, accel_raw, 6, 1000);
HAL_I2C_Mem_Read(&hi2c1, MPU6050_ADDRESS, MPU6050_GYRO_XOUT_H_REG, 1, gyro_raw, 6, 1000);

2.2.3 数据转换与校准方法

将读取的原始数据转换为实际的加速度值和角速度值是必要的。数据转换通常包括从原始数据中减去偏差值，并根据传感器的量程进行缩放。

/* 加速度数据转换，MPU6050默认量程±2g */
float accel_x = (float)(accel_raw[0] << 8 | accel_raw[1]) / 16384.0;
float accel_y = (float)(accel_raw[2] << 8 | accel_raw[3]) / 16384.0;
float accel_z = (float)(accel_raw[4] << 8 | accel_raw[5]) / 16384.0;

/* 陀螺仪数据转换，MPU6050默认量程±250度/秒 */
float gyro_x = (float)(gyro_raw[0] << 8 | gyro_raw[1]) / 131.0;
float gyro_y = (float)(gyro_raw[2] << 8 | gyro_raw[3]) / 131.0;
float gyro_z = (float)(gyro_raw[4] << 8 | gyro_raw[5]) / 131.0;

/* 校准方法示例：通过预先校准确定的偏差值进行校准 */
float accel_bias[3] = {0.1f, -0.2f, 0.1f}; // 假设的加速度偏差
accel_x -= accel_bias[0];
accel_y -= accel_bias[1];
accel_z -= accel_bias[2];

以上步骤完成了MPU6050传感器的集成和数据采集的基本流程，为后续的姿态处理和控制算法提供了数据基础。在此基础上，可以进一步实现姿态信息的滤波处理和控制算法的应用。

3. 姿态信息的滤波算法处理

姿态信息的准确获取是许多移动设备和机器人导航系统的核心技术之一。本章节将深入探讨如何通过滤波算法处理姿态传感器数据，从而提高系统的稳定性和准确性。我们将从数学模型开始，逐步展开介绍滤波算法，尤其是Kalman滤波的应用，并评估算法的实现效果。

3.1 姿态信息的数学模型

在移动机器人、无人机、可穿戴设备等领域，姿态信息的获取至关重要。姿态信息通常由三个角度组成：滚转角（Roll）、俯仰角（Pitch）和偏航角（Yaw），这些角度描述了物体相对于其参考坐标系的位置。

3.1.1 姿态角的定义和计算方法

姿态角定义了物体相对于某个参考系的方向。例如，在航空和航海中，Roll（滚转角）描述了左右倾斜程度，Pitch（俯仰角）描述了前后倾斜程度，而Yaw（偏航角）描述了水平面内的旋转。

为了从加速度计和陀螺仪获取准确的姿态角，需要解决以下几个关键步骤： - 传感器校准 ：消除设备误差和外部干扰。 - 数据融合 ：结合加速度计、陀螺仪和有时磁力计的数据。 - 积分计算 ：计算角速度到姿态角的转换。 - 滤波算法 ：滤除噪声和动态误差。

3.1.2 姿态变换的基本矩阵

姿态变换通常使用旋转矩阵来表示。对于三维空间中的旋转，可以使用三个基本的旋转矩阵来描述 Roll、Pitch 和 Yaw：

• Roll 旋转矩阵（绕X轴）: RRoll = | 1 0 0 | | 0 cos(θ) -sin(θ) | | 0 sin(θ) cos(θ) |
• Pitch 旋转矩阵（绕Y轴）: RPitch = | cos(ϕ) 0 sin(ϕ) | | 0 1 0 | | -sin(ϕ) 0 cos(ϕ)|
• Yaw 旋转矩阵（绕Z轴）: RYaw = | cos(ψ) -sin(ψ) 0 | | sin(ψ) cos(ψ) 0 | | 0 0 1 | 其中，θ, ϕ, ψ 分别表示 Roll、Pitch 和 Yaw 角度。

3.2 滤波算法应用

在动态环境中，传感器数据通常受到噪声的干扰，影响了姿态计算的准确性。滤波算法能够提高数据的可靠性。

3.2.1 常用滤波算法概述

• 加权平均滤波器 ：简单地对一系列数据取平均值。
• 低通滤波器 ：允许低频信号通过，降低高频信号的幅度。
• 互补滤波器 ：结合了加速度计和陀螺仪数据的优势。
• Kalman滤波器 ：一种基于模型的动态系统状态估计算法。

3.2.2 Kalman滤波在姿态估计中的应用

Kalman滤波算法是一种有效的线性状态估计方法。在姿态估计中，Kalman滤波器特别适用于处理加速度计和陀螺仪的融合问题。

• 滤波器模型定义 ：

  • 状态向量：包含Roll, Pitch, Yaw角度及其变化率。
  • 观测向量：加速度计和陀螺仪的数据。
  • 过程噪声和观测噪声：描述传感器误差和动态模型误差。

• 迭代过程 ：

  1. 预测：根据物理模型预测下一时刻的状态和误差协方差。
  2. 更新：使用观测数据更新状态估计和误差协方差。

# Kalman滤波伪代码示例
for each time-step:
    # 预测步骤
    A = get_state_transition_matrix() # 状态转移矩阵
    P = A * P * A.T + Q # 预测状态协方差
    z = get_sensor_readings() # 获取传感器读数
    # 更新步骤
    H = get_observation_matrix() # 观测矩阵
    S = H * P * H.T + R # 预测观测协方差
    K = P * H.T * S.I # 卡尔曼增益
    x = x + K * (z - H * x) # 更新状态
    P = (I - K * H) * P # 更新误差协方差

其中，Q和R分别是过程噪声和观测噪声的协方差矩阵。

3.2.3 算法的实现和效果评估

实现Kalman滤波算法需要精确的数学模型和合理的噪声统计假设。评估效果时，通常采用实验数据来比较滤波前后的姿态估计精度。

• 实现步骤 ：

  1. 定义状态模型和观测模型。
  2. 初始化状态向量和协方差矩阵。
  3. 对于每个采样周期，执行预测和更新步骤。
  4. 调整过程噪声和观测噪声参数以优化性能。

• 效果评估 ：

  • 静态测试 ：在静止条件下评估滤波效果。
  • 动态测试 ：在实际运动条件下评估滤波效果。
  • 误差分析 ：统计分析滤波前后的误差分布情况。

通过以上步骤，可以确保姿态估计系统具备实时性和准确性，从而满足不同应用场合的需求。

Kalman滤波算法在姿态估计领域的应用展示了其强大的数据处理能力，尤其是在融合多传感器数据时。本章节为读者展示了从姿态信息数学模型到滤波算法的具体应用，为后续系统设计和优化提供了理论基础和实施指导。

4. PID控制算法在平衡车中的应用

在自动控制领域，PID（比例-积分-微分）控制器是一种广泛应用于控制系统的反馈回路技术，它能够调整输出以尽可能快速且准确地达到并维持在期望的设定点。在平衡车的控制系统中，PID算法扮演着至关重要的角色，确保了平衡车能够根据倾斜角度维持稳定行驶。本章将深入探讨PID控制算法的基础原理，并详细阐述其在平衡车中的应用实践。

4.1 PID控制原理

4.1.1 PID控制器的构成和作用

PID控制器的构成主要包括三个部分：比例（P），积分（I）和微分（D）。比例部分负责减少设定点与实际输出之间的误差；积分部分对过去的误差进行累积，以消除稳态误差；微分部分则预测误差的趋势，以实现超前控制，抑制过冲和振荡。

// 示例代码：一个基本的PID控制器结构
double proportional, integral, derivative, previous_error, error;
double Kp = 1.0, Ki = 0.0, Kd = 0.1; // PID参数

// 计算误差
error = setpoint - measured_value;

// 比例项
proportional = Kp * error;

// 积分项
integral += error;

// 微分项
derivative = (error - previous_error) * Kd;

// 输出计算
output = proportional + integral + derivative;

// 更新前一个误差值
previous_error = error;

在上述代码中， setpoint 是我们希望系统达到的值， measured_value 是实际测量到的值， output 是PID控制器计算出的输出值。 Kp 、 Ki 和 Kd 分别是比例、积分、微分的增益参数，需要通过调节它们来获取最佳的控制效果。

4.1.2 参数调整与系统稳定性分析

PID参数的调整对系统的稳定性有着决定性的影响。调整不当会导致系统响应过于激进（过冲、振荡）或过于迟缓（反应迟钝）。为了达到良好的控制效果，通常需要进行反复的实验和参数微调。这可以手动进行，也可以利用自动化的算法如Ziegler-Nichols方法来辅助完成。

# 示例代码：使用Ziegler-Nichols方法找到初始PID参数
def ziegler_nichols_method(measured_data):
    # 这里是算法实现的简化示例
    # 实际使用时需要根据实际系统的响应曲线来计算
    Kp = ...  # 计算比例增益
    Ki = ...  # 计算积分增益
    Kd = ...  # 计算微分增益
    return Kp, Ki, Kd

# 使用测量到的数据
Kp, Ki, Kd = ziegler_nichols_method(measured_data)

调整PID参数时，重点是观察系统对阶跃输入的反应。如果系统振荡无法稳定下来，说明比例增益过大或积分增益不足；如果系统无法快速达到设定点且存在稳态误差，则可能需要增加积分增益。微分增益通常用于提高系统的响应速度和减少过冲，但过大的微分增益会使系统变得敏感并引入噪声。

4.2 PID控制在平衡车中的实现

4.2.1 平衡车运动模型的建立

平衡车的运动模型是应用PID控制器的基础。平衡车是一个典型的倒立摆系统，其动态行为可以通过数学模型来描述。为了简化问题，我们可以将平衡车的动态简化为一个二阶线性系统，并基于此来设计PID控制器。

graph TD
    A[平衡车输入] -->|速度控制| B[电机驱动]
    B -->|产生力矩| C[车体倾斜]
    C -->|反馈| D[PID控制器]
    D -->|输出调整量| B

在上面的流程图中，平衡车的输入（如加速度或转向信号）会经过电机驱动系统，最终影响车体的倾斜状态。PID控制器根据倾斜状态的反馈来调整电机输出，达到稳定车体的目的。

4.2.2 PID参数的自适应调整方法

由于平衡车在不同的路面条件和载重状态下，其动态特性会发生变化，因此需要根据实际情况动态调整PID参数，以保证良好的控制性能。自适应调整方法可以在一定程度上自动调整PID参数，适应环境变化。

# 示例代码：自适应PID参数调整算法的伪代码
def adaptive_pid_update(error, error_prev, error_int, output_prev):
    # 更新PID参数的逻辑
    # 这里是算法实现的简化示例
    # 实际使用时需要根据实际系统的响应和需求来设计
    Kp = ...  # 计算比例增益
    Ki = ...  # 计算积分增益
    Kd = ...  # 计算微分增益
    # 输出新的控制量
    output = Kp * error + Ki * error_int + Kd * (error - error_prev)
    return output, error_int, Kp, Ki, Kd

# 使用上一次的误差和积分值
output, error_int, Kp, Ki, Kd = adaptive_pid_update(error, error_prev, error_int, output_prev)

为了实现自适应调整，可以采用多种策略，例如基于系统误差大小、系统响应时间或在线学习算法等方式动态调整PID参数。这些方法通常需要通过实验来找到最佳的适应策略，并且需要大量的实验数据来训练模型。

4.2.3 控制效果的测试与优化

最后，控制效果的测试是验证PID算法性能的重要环节。在不同的测试条件下，如不同的速度、不同的路面坡度和不同的载重等，平衡车的控制效果都应该达到预期的标准。通过测试，我们可以收集数据，识别问题，并不断优化PID参数，提高平衡车的性能和可靠性。

| 测试条件 | 响应时间 | 稳态误差 | 振荡次数 | 过冲量 |
|----------|----------|----------|----------|--------|
| 条件A    | 1.2s     | 0.1°     | 3次      | 5%     |
| 条件B    | 1.5s     | 0.15°    | 2次      | 3%     |
| 条件C    | 1.8s     | 0.2°     | 4次      | 8%     |

以上表格展示了在不同测试条件下平衡车的控制效果。通过对比不同的测试结果，我们可以对PID控制器的性能有一个直观的认识，并根据数据对PID参数进行优化。

在实际应用中，平衡车的PID控制效果测试还可以通过自动化测试系统来进行，这样可以提高测试效率，并确保每次测试的准确性和一致性。此外，还可以利用机器学习等先进技术来进一步提升控制算法的性能。

5. 电机速度控制和PWM信号

在现代电子系统中，精确控制电机的速度是一个常见的需求，特别是在需要精确控制转矩和位置的应用中，如机器人、自动化设备以及平衡车。实现电机速度控制的关键是使用脉冲宽度调制（PWM）信号。PWM是一种重要的技术，因为它不仅可以控制电机的速度，还可以控制电机的功率输出。

5.1 电机控制原理

5.1.1 电机驱动方式的选择

电机的驱动方式有多种，包括直接驱动（Full Step）、半步驱动（Half Step）和细分驱动（Microstep）。直接驱动是最简单的驱动方式，适用于对步进精度要求不是非常高的应用。半步驱动是直接驱动的一种改进，可以提高步进的分辨率，从而提高平滑度。细分驱动提供了最大的分辨率和最平滑的运动，适合精密控制应用，但实现更复杂，成本也更高。

在选择驱动方式时，需要考虑应用的需求、成本和控制复杂度。例如，在平衡车项目中，为了实现平稳的控制和良好的动态响应，可能会选择半步或更高级的驱动方式。

5.1.2 PWM信号的生成与控制

PWM信号是一种可以调节有效电压的数字信号。通过改变脉冲宽度占整个周期的比例，可以控制电机的平均电压和电流，从而控制电机的速度。更宽的脉冲会提供更高的电压，反之亦然。

PWM信号的生成通常依赖于微控制器的定时器/计数器模块，通过软件或硬件配置定时器的工作模式。在STM32F103微控制器中，可以使用高级定时器来生成PWM信号。

// 示例代码：初始化STM32的高级定时器产生PWM信号
void TIM_PWM_Init(uint16_t arr, uint16_t psc, uint16_t ch)
{
    TIM_TimeBaseInitTypeDef  TIM_TimeBaseStructure;
    TIM_OCInitTypeDef  TIM_OCInitStructure;
    RCC_APB1PeriphClockCmd(RCC_APB1Periph_TIM2, ENABLE);

    TIM_TimeBaseStructure.TIM_Period = arr;
    TIM_TimeBaseStructure.TIM_Prescaler = psc;
    TIM_TimeBaseStructure.TIM_ClockDivision = 0;
    TIM_TimeBaseStructure.TIM_CounterMode = TIM_CounterMode_Up;
    TIM_TimeBaseInit(TIM2, &TIM_TimeBaseStructure);

    TIM_OCInitStructure.TIM_OCMode = TIM_OCMode_PWM1;
    TIM_OCInitStructure.TIM_OutputState = TIM_OutputState_Enable;
    TIM_OCInitStructure.TIM_Pulse = ch;
    TIM_OCInitStructure.TIM_OCPolarity = TIM_OCPolarity_High;
    TIM_OC2Init(TIM2, &TIM_OCInitStructure);

    TIM_Cmd(TIM2, ENABLE);
}

在上述代码中， arr （自动重装载寄存器的值）和 psc （预分频器的值）决定了PWM信号的频率，而 ch （比较匹配值）决定了PWM的占空比。

5.2 电机速度闭环控制

5.2.1 速度检测与反馈机制

闭环控制系统通过反馈机制实时监控电机的实际速度，并与目标速度进行比较。速度的检测通常使用霍尔效应传感器或编码器来完成。

以下是一个简单的代码示例，演示如何使用外部中断读取编码器的值来计算速度。

// 示例代码：使用外部中断读取编码器值计算速度
void EXTI0_IRQHandler(void)
{
    if(EXTI_GetITStatus(EXTI_Line0) != RESET)
    {
        // 编码器信号处理逻辑
        EncoderCount++;
        EXTI_ClearITPendingBit(EXTI_Line0);
    }
}

float CalculateSpeed()
{
    static uint32_t lastTime = 0;
    uint32_t currentTime = SysTick->VAL;
    uint32_t timeDiff = lastTime - currentTime;
    lastTime = currentTime;
    return EncoderCount / (float)timeDiff;
}

在该示例中， EncoderCount 变量在外部中断服务例程中增加，表示编码器的脉冲计数， SysTick 用于测量时间。通过计数和时间差值计算出速度。

5.2.2 闭环控制策略的实现

闭环控制策略的目的是根据速度误差调整PWM占空比，以达到目标速度。一个常见的控制策略是PID控制算法，其涉及比例（P）、积分（I）和微分（D）三个环节。

在实现PID控制时，需要对每个环节进行编程。

float PIDController(float setPoint, float processVariable)
{
    static float integral = 0;
    static float lastError = 0;

    float error = setPoint - processVariable;        // 比较误差
    integral += error;                               // 积分项累加
    float derivative = error - lastError;            // 微分项计算
    lastError = error;

    return Kp*error + Ki*integral + Kd*derivative;   // PID输出
}

在上述代码中， setPoint 是目标速度， processVariable 是当前速度。 Kp 、 Ki 和 Kd 是PID控制器的参数，需要根据系统特性进行调整。

5.2.3 控制精度与响应速度的提升

为了提升控制精度和响应速度，需要对PID参数进行优化。一个常用的优化方法是试错法，通过实验来调整参数，直到系统达到理想的动态性能。

控制精度的提升可以通过提高反馈信号的分辨率和频率来实现，同时也可以通过软件滤波来减少噪声的影响。响应速度的提升可以通过减少系统的延迟来实现，包括减少控制循环的执行时间以及优化PWM信号的生成和调整过程。

以上内容涉及了电机驱动方式的选择、PWM信号的生成和控制、闭环控制策略的实现以及控制精度和响应速度提升的方法。这些技术对于确保电机速度控制系统的可靠性和性能至关重要。

本文还有配套的精品资源，点击获取

简介：本项目通过STM32F103微控制器和MPU6050传感器实现自平衡电动车的控制系统。项目中集成了滤波算法和PID控制策略以确保车辆平衡。介绍了平衡车的姿态数据采集和处理，以及如何通过PID算法调整电机速度。同时，项目还涉及电机驱动电路设计、PWM信号控制和电池管理等关键部分，为嵌入式系统设计提供了深入的学习案例。

本文还有配套的精品资源，点击获取