智能车竞赛单车拉力组技术解析：从平衡控制到赛道识别的实战指南

1. 项目概述：从“单车拉力”到智能控制的实战跨越

看到“智能车竞赛技术报告”这个标题，很多参加过或关注过相关赛事的同学应该会心一笑。这不仅仅是一份报告，更是一份凝结了数月汗水、无数调试和团队智慧的“战地日记”。特别是“单车拉力组”这个组别，在智能车竞赛的众多赛道中，一直以其独特的魅力和极高的技术挑战性著称。它不像传统的四轮车那样稳定，也不像复杂的多车协同那样需要处理通信问题，它的核心挑战在于：如何让一个只有两个轮子、本质上处于不稳定平衡状态的“自行车”模型，自主地、快速且稳定地沿着赛道飞驰。这背后是对控制理论、传感器融合、机械结构设计和嵌入式编程的极限考验。

哈尔滨工业大学“紫丁香”队的这份技术报告，正是这样一个高强度技术攻关项目的结晶。它记录的不仅是一辆车的诞生，更是一个团队如何将课本上的自动控制原理、信号处理算法，转化为赛道上实实在在的速度与稳定性。对于正在备赛的学弟学妹，或是任何对嵌入式系统、机器人控制感兴趣的工程师而言，这样一份来自顶尖工科院校一线实战的报告，其价值远超普通的教程。它里面没有浮夸的理论堆砌，更多的是“我们为什么选这个方案”、“调试中遇到了什么坑”、“最后怎么解决的”这些千金难买的实战经验。接下来，我就结合这类项目的通用技术框架和常见难点，为大家深度拆解一份优秀的智能车（单车拉力组）技术报告应该涵盖的核心内容，以及如何将这些知识转化为你自己的项目能力。

2. 单车拉力组的核心挑战与设计思路拆解

2.1 不稳定系统的稳定化：控制问题的本质

单车拉力组的核心，一言以蔽之，就是“平衡控制”。我们的被控对象是一个两轮自平衡车模，其动力学特性与倒立摆高度相似。这是一个经典的不稳定、非线性、强耦合系统。所谓不稳定，是指车模在静止状态下，如果没有外部控制介入，会立刻向一侧倒下。我们的控制器需要实时计算出一个合适的控制量（通常是电机的扭矩），来抵抗这种倾倒趋势。

这里的设计思路通常分为两层：平衡控制与方向控制。平衡控制是基础，它负责让车“站住”和“行进”。最主流的方法是采用角度闭环控制，通过测量车身的倾角（Pitch）和角速度，使用PD（比例-微分）或PID控制器计算出维持平衡所需的电机驱动信号。方向控制则是在平衡的基础上，让车能够沿着赛道中心线行驶。它通过图像传感器（如摄像头）或线性CCD获取赛道信息，识别出赛道边界，计算出车体中心与赛道中心的横向偏差，再通过一个独立的PD控制器，将这个偏差转化为前轮转向舵机的打角或者差速控制量。

注意：平衡环和方向环是两个独立但耦合的闭环。调试时需要遵循“先内环后外环”的原则。即先不管赛道，让车在空地上能稳稳地站住和匀速前进（调好平衡环），然后再加入方向控制（调方向环）。如果平衡没调好，方向控制根本无从谈起，车会像醉汉一样乱晃。

2.2 传感器选型与数据融合：车的“眼睛”和“耳朵”

一辆智能车的感知能力决定了它的上限。在单车拉力组中，核心传感器主要包括：

1. 惯性测量单元（IMU）：这是平衡控制的“灵魂”。通常包含三轴加速度计和三轴陀螺仪。加速度计可以测量重力加速度在车体坐标系下的分量，从而解算出静态下的倾角；陀螺仪则测量角速度，对角度进行积分可以得到动态下的角度变化。但两者各有缺陷：加速度计在车体运动（特别是加减速）时会产生严重干扰；陀螺仪存在零漂和积分累积误差。因此，数据融合算法至关重要，最常用的是互补滤波或卡尔曼滤波。互补滤波实现简单，效果不错，其核心思想是：用高通滤波器滤除加速度计的低频噪声（运动干扰），用低通滤波器滤除陀螺仪的高频噪声（零漂），再将两者融合。卡尔曼滤波则更优，能提供更精确、更稳定的姿态估计，但实现和调参更复杂。

2. 赛道感知传感器：这是方向控制的“眼睛”。主流方案有：

   • 摄像头（全局快门）：视野广，信息丰富，可以提前预判弯道，但图像处理算法复杂，对MCU算力要求高，且容易受光照影响。
   • 线性CCD：成本低，速度快，数据量小，处理简单，但视野窄，前瞻距离短，且同样受光照影响，需要精心设计照明电路。
   • 电磁传感器：通过检测铺设在赛道中心的通有交变电流的导线产生的磁场来导航。抗光线干扰能力极强，但路径信息单一（只能感知中心线），对前瞻和路径优化的支持较弱。

“紫丁香”队作为强队，很可能采用了摄像头方案，并辅以强大的图像处理算法来应对复杂赛道。

3. 编码器：安装在电机输出轴上的光电或磁编码器，用于测量电机的实际转速，构成速度闭环。这对于实现精确的匀速控制、抑制平衡震荡至关重要。

2.3 机械结构调整：好算法需要好平台的支撑

再优秀的控制算法，如果机械平台松松垮垮或者响应迟钝，也发挥不出威力。机械调整是前期最重要、最费时的工作之一。

• 重心调整：电池、主控板等重物的位置直接影响车的平衡特性。重心越高，惯性越大，平衡越困难但转向可能更灵活；重心越低越靠下，系统越稳定，但响应可能变慢。通常需要反复试验，找到一个响应速度和稳定性的平衡点。
• 轮胎与悬挂：轮胎的抓地力、磨损程度直接影响电机的扭矩输出效果和转向精度。需要选择摩擦力适中、不易打滑的轮胎。悬挂的软硬则影响车在过弯和颠簸时的姿态稳定性。
• 传感器安装：IMU必须刚性、牢固地安装在车体中心位置，避免因车体结构形变或振动引入噪声。摄像头的安装高度和俯仰角决定了视野范围和前瞻距离，需要根据赛道特征（如急弯、十字、环岛）进行优化。

3. 核心算法实现与软件架构解析

3.1 姿态解算：从原始数据到可靠角度

姿态解算是整个控制系统的基石。以互补滤波为例，其核心代码逻辑如下：

// 伪代码示例：一维互补滤波（俯仰角） float ComplementaryFilter(float accelAngle, float gyroRate, float dt) { static float angle = 0.0f; const float alpha = 0.98f; // 滤波系数，通常取0.98左右，需要调试 // 1. 用陀螺仪积分得到角度预测 angle += gyroRate * dt; // 2. 用加速度计测量的角度进行校正 // 互补滤波公式：融合角度 = α * (上一刻融合角度 + 陀螺仪积分) + (1 - α) * 加速度计角度 angle = alpha * angle + (1 - alpha) * accelAngle; return angle; }

这里的accelAngle是通过atan2(accelY, accelZ)从加速度计数据计算出来的（假设IMU安装方向正确）。alpha系数是关键，它决定了信任陀螺仪和加速度计的比例。alpha越大，系统越信任陀螺仪的动态性能，但长期漂移大；alpha越小，越信任加速度计的长期稳定性，但动态响应差、易受运动干扰。通常需要在实际车上反复调试确定。

3.2 平衡控制与速度控制：双环PID的协同

平衡控制通常采用串级PID：内环是速度环，外环是角度环。

1. 速度环：输入是目标速度（可能为0，即静止平衡）与编码器反馈的实际速度之差，输出是一个“目标角度”或直接作为角度环的积分项。它的作用是让车能够抵抗外力干扰（如轻轻推它）后回到原位，并实现定速行驶。P参数用于快速响应速度偏差，I参数用于消除静差（比如在坡道上保持静止），D参数用于抑制速度震荡。

2. 角度环：输入是目标角度（由速度环给出）与IMU解算的实际角度之差，输出是直接给电机的PWM占空比（扭矩指令）。这是最核心、最敏感的一环。P参数决定了车“想要站直”的力度，太小会软绵绵倒下，太大会剧烈震荡。D参数至关重要，它提供“阻尼”，抑制车身摆动，相当于给车的运动增加粘滞感，是稳定性的关键。角度环通常不需要I参数，因为平衡问题本质上是“维稳”而非“跟踪”。

调试顺序必须是：先调角度环的P和D，让车能勉强站住但有些晃动；然后加入速度环的P和I，让车能抵抗干扰并实现定速；最后再微调所有参数，达到动态平稳。

3.3 图像处理与路径识别：让车“看得懂”赛道

如果采用摄像头方案，图像处理流水线大致如下：

1. 图像采集与二值化：使用全局快门摄像头抓取一幅图像。为了后续处理速度快，会进行大幅度的降分辨率（例如从原始图像中抽取几行或直接使用低分辨率模式）。然后进行二值化，将灰度图像转为黑白，区分赛道（白色）和背景（黑色）。二值化的阈值选择是关键，可以采用固定阈值、动态阈值或大津法。

2. 边线提取：在二值化图像中，从左到右（或从右到左）扫描每一行，找到黑白跳变的点，即为左右边线。这里需要处理丢线情况（比如出弯时边线在图像外），常用的策略是使用上一次的有效边线位置进行预测。

3. 中线计算与偏差生成：根据提取到的左右边线，计算每一行的赛道中心点(left_edge + right_edge) / 2。将图像底部一行（车当前位置）的中心点与图像中心列的差值，作为横向偏差error。同时，可以计算赛道的曲率或角度，用于前瞻控制。

4. 方向控制PID：将计算出的横向偏差error输入到一个独立的PD控制器中，输出为前轮转向角（对于阿克曼转向车模）或左右轮速差（对于差速转向车模）。这里P参数决定转向的灵敏度，D参数可以预测弯道趋势，实现更平滑的过弯。

4. 系统调试全流程与参数整定心得

4.1 调试工具与数据可视化

“盲调”是智能车调试的大忌。必须借助工具将系统内部状态“可视化”。

• 无线串口模块（如蓝牙、WiFi）：将车上的关键数据（如角度、角速度、速度、偏差、PWM输出等）实时发送到电脑上位机。
• 上位机软件：使用如SerialPlot、Vofa+、匿名科创上位机或自己编写的Qt/Python程序，以波形图形式实时显示这些数据。这是调试PID参数的“眼睛”。你可以清晰地看到，当你给车一个干扰时，角度波形是如何震荡、收敛的，从而判断P、I、D参数是大了还是小了。

4.2 参数整定实战步骤与口诀

1. 角度环PD调试：

   • 将速度环的目标速度和输出置零，车放在地上用手扶着。
   • 先调P：从小到大增加P值，直到车开始出现高频小幅震荡。此时车有足够的“刚度”站直。
   • 再调D：在P的基础上增加D值。D的作用是“压制”震荡。随着D值增大，高频震荡会减弱，车会变得“沉稳”。但D值过大会导致系统响应迟钝，甚至引入高频噪声。目标是找到刚好能抑制震荡的最小D值。
   • 口诀：“P大了抖，D大了慢；P给刚度D给阻尼”。

2. 速度环PI调试：

   • 角度环基本调好后，加入速度环。设定一个较小的目标速度（如0.5m/s）。
   • 先调P：增加速度环P，让车能开始加速并基本达到目标速度，但可能会有静差（实际速度略低于目标）。
   • 再调I：增加速度环I，用于消除静差。I值过大会引起速度超调和震荡，甚至破坏角度平衡。需要非常小心。
   • 调试时，用手轻轻推车或阻挡它，观察它能否恢复原速，以及恢复过程是否平稳。

3. 方向环PD调试：

   • 将车放在赛道上，以较低的速度运行。
   • 先调P：增加方向P，车会对中线偏差做出反应。P太小，车跑不直，总是压线；P太大，车会在中线附近来回画龙，产生震荡。
   • 再调D：增加方向D，可以平滑过弯，减少画龙。特别是在入弯和出弯时，D能提供“预判”效果。
   • 实地跑圈：参数初步确定后，必须上赛道完整跑圈。观察直道是否稳定，弯道是否切内线，过急弯是否会冲出去。根据跑圈情况微调参数。

4.3 常见问题排查速查表

5. 竞赛策略优化与性能提升技巧

当基础功能实现后，追求极致性能就成了目标。这涉及到更深层次的优化。

5.1 控制周期与实时性

所有控制环（姿态解算、平衡控制、方向控制）必须在严格定时的中断服务程序（ISR）中完成。周期越短，控制越及时，系统性能越好。通常平衡环和速度环需要最高的频率（1kHz或500Hz），方向环可以稍低（100-200Hz）。要使用示波器或调试引脚翻转的方法，确保中断能准时执行，且执行时间远小于周期时间，避免累积误差导致系统崩溃。

5.2 赛道记忆与速度规划

这是顶尖队伍拉开差距的地方。简单的PID巡线是“反应式”控制，看到弯道才转向。而速度规划是“预判式”控制。

• 元素识别：通过图像识别出直道、弯道、十字、环岛、坡道等不同赛道元素。
• 速度映射：为每种元素分配一个目标速度。例如，直道全速，弯道根据曲率减速，十字路口匀速通过等。
• 入弯出弯控制：在入弯前提前减速，在弯心后提前加速，实现平滑的速度曲线，减少速度损失。这需要将路径曲率信息与速度环的目标值动态关联起来。

5.3 机械与电气的极致优化

• 轻量化：在保证强度前提下，使用碳纤维杆、3D打印轻量化结构件，减轻整车重量，提升加速性能和能耗比。
• 低重心设计：将电池、主控板等重物尽可能下置，提高稳定性，允许使用更激进的控制参数。
• 电源管理：使用高效率的DC-DC降压模块为核心系统供电，确保电机剧烈动作时，单片机、传感器电压依然稳定。加装大容量电容缓冲电机启停引起的电源波动。
• 电机驱动：选用内阻小、电流大的驱动芯片（如DRV8701、BTN7971），并做好散热，确保电机能获得瞬时大扭矩。

调试到后期，每一个细节的提升都可能带来秒级的圈速进步。从滤波算法的一个系数，到轮胎气压的一点变化，再到代码中一个除法运算改为移位操作，都需要反复尝试和记录。这份“紫丁香”队的技术报告，其最精华的部分，往往就藏在这些看似琐碎、却决定成败的细节优化记录里。智能车竞赛的魅力，也正在于此：它将一个复杂的工程问题，拆解成无数个可被测量、可被优化的小问题，而你通过自己的双手和智慧，逐个攻克它们，最终见证一个冰冷的机械装置，在你的代码驱动下，变得充满“智能”与活力。这个过程所锻炼出的系统思维、动手能力和解决实际问题的韧性，远比奖杯本身更为珍贵。