从零打造三轮全向移动平台：STM32F103主控与串口无线遥控实战

1. 三轮全向移动平台的核心原理

全向移动平台之所以能实现灵活的多方向运动，关键在于其特殊的轮子设计。与普通轮子只能前后滚动不同，全向轮在轮缘上安装了一系列小滚轮，这些小滚轮可以自由旋转，使得主轮不仅能前后滚动，还能侧向滑动。这种设计让机器人可以在不改变车身朝向的情况下，实现任意方向的平移运动。

三轮全向底盘采用120度对称布局，每个轮子都朝向中心点。这种布局方式确保了平台在任何时候都有三个支撑点，稳定性非常好。我实测下来发现，相比四轮全向底盘，三轮结构更简单，控制算法也更直观。不过要注意的是，三个全向轮的安装角度必须精确，误差控制在±2度以内，否则会出现运动轨迹偏移的问题。

运动学解算是全向底盘的核心算法。简单来说，就是要把期望的整体运动速度（X方向、Y方向和旋转速度）分解到三个轮子上。这里需要用到一些基本的三角函数运算。我建议新手可以先在纸上画出示意图，标出各个轮子的位置和角度，这样更容易理解运动分解的过程。

2. 硬件选型与搭建经验

2.1 主控板的选择

STM32F103系列是我最推荐的选择，特别是对于刚入门的开发者。这个系列的芯片性价比极高，而且有丰富的开发资源。我实际使用过STM32F103C8T6和STM32F103ZET6两款，前者适合简单应用，后者更适合需要更多外设接口的复杂项目。

在电路设计上，我建议给每个电机驱动模块都加上独立的电源滤波电容。我在早期版本中遇到过因为电源干扰导致的电机抖动问题，后来在每个L298N模块的电源输入端都加了470μF的电解电容和0.1μF的陶瓷电容，问题就解决了。

2.2 电机与驱动方案

经过多次测试，我发现带减速箱的直流有刷电机是最佳选择。转速在100-200RPM之间的电机最适合这种小型全向平台。无刷电机虽然效率高，但驱动电路复杂，成本也高，不太适合DIY项目。

L298N驱动模块是个不错的起点，但要注意散热问题。我在连续运行测试时发现，当PWM占空比超过70%时，模块会明显发热。后来我在模块背面加装了散热片，情况改善很多。如果预算允许，可以考虑使用DRV8833这类更先进的驱动芯片，它们集成度更高，发热也更小。

2.3 无线通信模块

串口无线模块的选择很重要，HC-12是个性价比很高的方案，通信距离能达到几百米。但在实际使用中我发现，它的功耗较大，而且需要仔细调整发射功率和通信速率。后来我改用HC-14模块，虽然距离稍短，但功耗更低，稳定性更好。

在安装无线模块时，要尽量远离电机和电源线，避免电磁干扰。我有一次因为把天线贴在电机旁边，导致通信经常中断，后来把天线引到平台外侧，问题就解决了。

3. 软件架构与编程实战

3.1 HAL库基础配置

使用STM32CubeMX可以快速生成HAL库的基础代码。在配置时钟树时，建议使用外部晶振作为时钟源，这样定时器更精准。我一般会把系统时钟设置为72MHz，这个频率在性能和功耗之间取得了很好的平衡。

定时器的配置是关键。需要为每个电机分配一个PWM通道，同时还要留出一个定时器用于系统时基。我在项目中使用了TIM2和TIM3生成PWM信号，TIM14作为系统定时器。要注意的是，不同定时器的时钟源可能不同，配置时要仔细检查。

3.2 电机控制代码实现

直接操作寄存器来控制电机虽然高效，但代码可读性差。我建议使用HAL库提供的API，虽然效率稍低，但开发起来更方便。下面是我优化后的电机控制函数：

typedef struct { TIM_HandleTypeDef* timer; uint32_t channel_fwd; uint32_t channel_rev; int current_speed; } Motor; void Motor_Init(Motor* m, TIM_HandleTypeDef* timer, uint32_t ch_fwd, uint32_t ch_rev) { m->timer = timer; m->channel_fwd = ch_fwd; m->channel_rev = ch_rev; m->current_speed = 0; } void Motor_SetSpeed(Motor* m, int speed) { speed = constrain(speed, -1000, 1000); // 限制速度范围 m->current_speed = speed; if(speed > 0) { __HAL_TIM_SET_COMPARE(m->timer, m->channel_fwd, speed); __HAL_TIM_SET_COMPARE(m->timer, m->channel_rev, 0); } else { __HAL_TIM_SET_COMPARE(m->timer, m->channel_fwd, 0); __HAL_TIM_SET_COMPARE(m->timer, m->channel_rev, -speed); } }

这种面向对象式的封装让代码更清晰，也更容易扩展功能。比如可以很方便地添加速度滤波、加速度限制等高级功能。

3.3 遥控器数据处理

遥控器端的ADC采样需要做适当的滤波处理。我尝试过简单的移动平均滤波和卡尔曼滤波，最终选择了一种结合两者优点的方法：

#define FILTER_SAMPLES 5 typedef struct { uint16_t buffer[FILTER_SAMPLES]; uint8_t index; uint16_t sum; } Filter; uint16_t Filter_AddSample(Filter* f, uint16_t sample) { f->sum -= f->buffer[f->index]; f->sum += sample; f->buffer[f->index] = sample; f->index = (f->index + 1) % FILTER_SAMPLES; // 简单的异常值剔除 uint16_t avg = f->sum / FILTER_SAMPLES; if(abs(sample - avg) > 100) { return avg; } return sample; }

这种滤波算法既保证了实时性，又能有效抑制噪声。在实际测试中，它能将摇杆信号的抖动控制在±3以内，效果相当不错。

4. 运动控制算法详解

4.1 三轮全向运动学模型

三轮全向底盘的运动学模型相对简单。假设三个轮子均匀分布在圆周上，轮子轴线与半径方向的夹角为30度（这是最常见的布局）。那么三个轮子的速度可以这样计算：

#define COS30 0.8660254f #define SIN30 0.5f void Omni3_CalculateWheelSpeeds(float vx, float vy, float omega, float* wheel_speeds) { // 轮子1 (指向正前方) wheel_speeds[0] = -SIN30 * vx + COS30 * vy + omega; // 轮子2 (指向右后方) wheel_speeds[1] = -SIN30 * vx - COS30 * vy + omega; // 轮子3 (指向左后方) wheel_speeds[2] = vx + omega; // 归一化处理，防止超速 float max_speed = 0; for(int i=0; i<3; i++) { max_speed = fmaxf(max_speed, fabsf(wheel_speeds[i])); } if(max_speed > MAX_MOTOR_SPEED) { float scale = MAX_MOTOR_SPEED / max_speed; for(int i=0; i<3; i++) { wheel_speeds[i] *= scale; } } }

这个算法考虑了机器人的线速度(vx,vy)和角速度(omega)，并将它们合理分配到三个轮子上。归一化处理确保了电机不会超速运行。

4.2 速度平滑处理

直接给电机设置目标速度会导致运动不连贯。我实现了一个简单的加速度限制算法：

void SmoothSpeed(float* current, float target, float max_accel) { float delta = target - *current; delta = constrain(delta, -max_accel, max_accel); *current += delta; }

在每个控制周期(我使用的是10ms)，先对目标速度进行平滑处理，然后再设置到电机上。这样即使遥控器摇杆突然大幅度移动，机器人也能平稳加速，不会出现抖动现象。

4.3 遥控指令解析

遥控器发送的数据需要转换成适合运动控制的速度指令。我设计了一个简单的协议：

typedef struct { int16_t lx; // 左摇杆X轴 int16_t ly; // 左摇杆Y轴 int16_t rx; // 右摇杆X轴 int16_t ry; // 右摇杆Y轴 uint8_t buttons; // 按钮状态 } RemoteData; void ProcessRemoteCommand(RemoteData* data, float* vx, float* vy, float* omega) { // 摇杆值范围2000-4000，转换为-1.0到1.0 float lx = (data->lx - 3000) / 1000.0f; float ly = (data->ly - 3000) / 1000.0f; float rx = (data->rx - 3000) / 1000.0f; // 死区处理 if(fabsf(lx) < 0.1f) lx = 0; if(fabsf(ly) < 0.1f) ly = 0; if(fabsf(rx) < 0.1f) rx = 0; // 指数曲线调整，提高小幅度操控精度 lx = copysignf(lx*lx, lx); ly = copysignf(ly*ly, ly); rx = copysignf(rx*rx, rx); *vx = lx * MAX_SPEED; *vy = ly * MAX_SPEED; *omega = rx * MAX_OMEGA; }

这个处理流程包括摇杆值归一化、死区处理和曲线调整，能显著提升操控手感。特别是指数曲线调整，让摇杆在小幅度移动时更精确，大幅度移动时响应更快。