用STM32F103和OpenMV做个快递小车：从硬件选型到PID调参的避坑实录

从零搭建STM32F103快递小车：OpenMV视觉导航与PID调参实战指南

去年夏天，我和队友在实验室熬了整整三个通宵，就为了让那个倔强的小车能乖乖沿着黑线走直线。当它终于平稳跑完三米测试轨道时，我们才发现窗外天已大亮——这种既痛苦又兴奋的体验，相信每个做过智能小车的朋友都深有体会。本文将用最直白的语言，分享我们基于STM32F103和OpenMV搭建快递小车的完整历程，特别是那些教科书不会告诉你的实战细节。

1. 硬件选型：性价比与可靠性的平衡术

1.1 主控芯片的抉择

在STM32家族中，F103C8T6（蓝桥杯开发板同款）以其极高的性价比成为我们的首选。这款72MHz主频的Cortex-M3芯片具备：

• 内存配置：64KB Flash + 20KB RAM
• 外设接口：3个USART、2个SPI、2个I2C
• PWM输出：4个定时器共16通道
• 价格优势：某宝零售价仅15-20元

注意：购买时务必选择"正版"标签，我们曾因贪便宜买到翻新片导致PWM输出异常

1.2 电机驱动方案对比

测试过三种常见驱动模块后，我们最终选择了TB6612FNG：

选择理由：虽然电流参数不如L298N，但实际测试中连续工作2小时无明显温升，且支持PWM频率高达100kHz。

1.3 视觉模块的优化配置

OpenMV Cam H7基础版完全能满足需求，但有几个关键设置需要调整：

# OpenMV初始化脚本 import sensor, image, time sensor.reset() sensor.set_pixformat(sensor.RGB565) # 必须设为RGB模式 sensor.set_framesize(sensor.QVGA) # 320x240分辨率足够 sensor.skip_frames(time = 2000) # 跳过初始不稳定帧

避坑经验：不要盲目追求高分辨率，QVGA模式下帧率可达50fps，而VGA模式会降至15fps影响实时性。

2. 机械结构搭建：那些容易忽视的细节

2.1 底盘设计的黄金法则

我们使用3mm亚克力激光切割的底盘，关键设计参数：

• 轮距：13cm（两驱动轮中心距离）
• 轴距：10cm（前后轮距离）
• 重心位置：离地高度不超过5cm

致命错误示范：初版设计将电池仓置于后部，导致爬坡时后轮打滑。解决方法是将重心前移并增加前轮配重。

2.2 轮胎选择的玄学

测试了四种常见轮胎后的数据对比：

1. 硅胶轮胎：静音效果好，但易打滑（摩擦系数0.3）
2. 橡胶轮胎：综合性能最佳（摩擦系数0.45）
3. 海绵轮胎：减震优秀，但磨损快
4. 塑料轮胎：仅适合光滑地面

提示：在瓷砖地面测试时，给橡胶轮胎表面用砂纸打磨可提升20%抓地力

3. 软件架构设计：实时性与可靠性的博弈

3.1 主控程序状态机

采用有限状态机(FSM)模式管理小车行为：

typedef enum { STATE_INIT, STATE_WAIT_CMD, STATE_LINE_TRACKING, STATE_OBSTACLE_AVOID, STATE_ERROR } SystemState; void SystemTask(void) { static SystemState state = STATE_INIT; switch(state) { case STATE_INIT: Hardware_Init(); if(Init_Success) state = STATE_WAIT_CMD; break; // 其他状态处理... } }

3.2 视觉通信协议设计

STM32与OpenMV通过串口通信，自定义了精简协议：

血泪教训：初期没有加校验和，导致10%概率出现数据错乱，表现为小车突然"抽风"。

4. PID调参实战：从理论到现象的映射

4.1 速度环PID整定步骤

我们采用试凑法进行参数整定，记录了一组典型参数演变：

1. 初始参数：Kp=1.0, Ki=0, Kd=0 → 电机剧烈振荡
2. 降低Kp：Kp=0.3 → 振荡减弱但响应慢
3. 加入微分：Kd=0.1 → 超调量减小
4. 微调积分：Ki=0.05 → 静差消除

最终稳定参数：

// 速度环PID参数 #define SPEED_KP 0.35f #define SPEED_KI 0.02f #define SPEED_KD 0.08f

4.2 位置环的特殊处理

对于视觉导航中的位置偏差控制，需要特别注意：

• 死区设置：当偏差<5像素时不调整，避免"抖动"
• 动态限幅：根据速度自动调整输出限幅值
• 抗积分饱和：增加积分分离逻辑

// 位置环PID计算代码片段 if(abs(error) > DEAD_ZONE) { p_term = POS_KP * error; i_term += POS_KI * error; d_term = POS_KD * (error - last_error); // 动态限幅 float max_output = map(speed, 0, MAX_SPEED, 10, 50); output = constrain(p_term + i_term + d_term, -max_output, max_output); }

5. 典型问题诊断手册

5.1 图像识别丢帧问题

现象：小车偶尔会突然偏离轨道排查步骤：

1. 检查OpenMV帧率（应>30fps）
2. 测量串口波特率误差（使用逻辑分析仪）
3. 确认光照条件（照度>200lux）
4. 测试供电电压（运行中不低于4.8V）

最终方案：在STM32端增加50ms超时判断，丢帧时维持上一有效指令。

5.2 电机异常啸叫

可能原因：

• PWM频率设置不当（推荐8-10kHz）
• 电源滤波不足（至少并联1000μF电容）
• 机械共振（尝试改变底盘结构）

频谱分析：用手机APP测量啸叫频率，针对性调整PWM频率避开共振点。

6. 性能优化技巧锦囊

6.1 动态阈值算法

传统固定阈值在光照变化时表现糟糕，我们改进为：

# OpenMV动态阈值计算 img = sensor.snapshot() hist = img.get_histogram() threshold = (hist.get_threshold().value() * 0.7) # 取70%灰度值 line = img.find_edges(threshold=threshold)

6.2 运动预测补偿

通过卡尔曼滤波预测小车位置：

// 简化的1D卡尔曼滤波实现 float Kalman_Update(float measurement) { static float x = 0, P = 1; const float Q = 0.01, R = 0.1; // 预测 x = x; P = P + Q; // 更新 float K = P / (P + R); x = x + K * (measurement - x); P = (1 - K) * P; return x; }

当实验室的快递小车第一次准确停靠在目标位置时，那种成就感至今难忘。现在回头看，最大的收获不是最终成品，而是调试过程中积累的工程思维——如何从现象倒推原因，如何平衡各项参数，这些经验在后续的机器人竞赛中派上了大用场。建议每位初学者准备个笔记本，记录每次失败的详细现象和解决方案，这些才是真正宝贵的"实战教科书"。