1. 项目概述：从玩具到智能的跨越

几年前，我还在用乐高积木拼装小车，看着它只能直来直去地跑，撞到墙就停下，总觉得少了点什么。后来接触到单片机，第一次让小车根据我的指令转弯、鸣笛，那种成就感无与伦比。但真正的转折点，是当我尝试让小车“自己看路”的时候——也就是我们今天要聊的“红外循迹”。这听起来像是机器人或自动驾驶领域的“高精尖”，但实际上，它的核心原理非常直观，用几十块钱的套件就能实现，是每个嵌入式爱好者、电子DIY玩家乃至科创学生入门“智能控制”的绝佳跳板。

所谓“红外循迹”，就是让小车具备沿着预设路径（通常是地面上的黑线）自动行驶的能力。它不依赖GPS，也不需要用复杂的摄像头做图像识别，而是通过几对成本低廉的红外传感器，像盲人的导盲杖一样，“感知”地面颜色的明暗变化，从而判断自己是否“跑偏”了，并及时调整方向。这个项目麻雀虽小，五脏俱全，它完美融合了传感器技术、模拟/数字信号处理、电机驱动控制以及最核心的决策算法（PID控制）。完成它，你不仅得到了一辆能自己跑圈的小车，更重要的是，你亲手搭建并理解了一个经典的“感知-决策-执行”闭环控制系统，这是所有自动化设备的灵魂。

无论你是刚接触Arduino或STM32的新手，想找一个有成就感又不至于太难的项目练手；还是已经有一定基础，希望深入理解传感器应用和反馈控制理论；亦或是辅导孩子参加科技比赛的家长或老师，这个项目都能提供丰富的学习层次。接下来，我会把我从选型、焊接、调试到优化，一路踩过的坑和总结的经验，毫无保留地分享给你。我们不止要让它“能动起来”，更要让它“跑得稳、跑得直、跑得快”。

2. 核心思路与系统架构设计

要让小车实现循迹，我们得先想清楚它需要哪些“器官”，以及这些“器官”如何协同工作。整个系统的设计思路，可以概括为“眼睛看路、大脑决策、手脚执行”。

2.1 传感器布局：小车的“眼睛”怎么排布？

红外循迹模块是小车的感知核心。市面上常见的模块集成了一个红外发射管和一个红外接收管。发射管发出红外光，照射到地面后反射回来，接收管检测反射光的强度。白色地面反射率高，接收到的信号强；黑色轨迹线吸收红外光，反射率低，接收到的信号就弱。模块通常会有一个比较器电路，将模拟信号转换成数字信号（HIGH或LOW）输出，方便单片机直接读取。

单个传感器只能判断“脚下”是黑还是白，无法知道偏离方向。因此，我们必须使用多个传感器组成阵列。常见的布局方案有三种：

1. 两路传感器布局：这是最基础的配置，在车头左右两侧各安装一个传感器。这种布局成本最低，逻辑简单，只能实现基本的“左转-右转-直行”控制。但它的缺点是“盲区”大，当小车完全骑在黑线上时，两个传感器都检测到白色，小车会误判为“丢失路径”而原地打转。因此，它只适用于轨迹线较粗（远大于传感器间距）的简单场景。

2. 三路传感器布局：这是最经典、最实用的方案。在车头中心线及左右两侧各安装一个传感器，形成“左-中-右”的布局。这种布局可以识别出至少5种状态：偏左、偏右、居中、完全丢失（全白）、完全在线上（全黑）。控制逻辑更加细腻，能让小车更平滑地沿着轨迹中心线行驶，是入门和竞赛中最常用的配置。

3. 五路及以上传感器布局：这属于“豪华配置”，通常用于追求高速和稳定性的竞赛场景。更多的传感器意味着更高的采样精度，可以更早地预判路径的弯曲趋势，实现更激进、更精准的控制。但相应的，传感器数据处理和算法复杂度也呈指数级上升。

实操心得：传感器间距是门学问对于三路布局，传感器之间的间距需要仔细考量。间距太大，对于细线（如1.5-2cm宽）容易“漏检”，小车会剧烈晃动；间距太小，则传感器之间容易互相干扰，且对路径的微小偏差不敏感。一个经验值是：传感器中心间距略小于轨迹线宽度的一半。例如，对于2cm宽的线，间距设置在0.8-1cm比较合适。安装时，务必确保所有传感器的探测面距离地面高度一致，通常在0.5-1.5厘米之间，并通过模块上的电位器仔细调节每个传感器的检测阈值，确保它们在相同的地面条件下输出一致。

2.2 主控与驱动：小车的“大脑”和“手脚”选型

主控单元（大脑）：对于初学者，Arduino Uno/Nano是不二之选。它开发环境简单，库资源丰富，社区支持强大，让你能快速聚焦于逻辑实现。当你需要更高性能（如运行更复杂的PID算法）或更多IO口（驱动多路传感器、编码器）时，可以升级到STM32系列（如STM32F103C8T6，即“蓝桥杯”常用的板子）。STM32能提供更精确的PWM控制和更快的处理速度，但需要一定的嵌入式基础。

电机驱动模块（手脚）：小车的移动靠电机，而单片机IO口的驱动能力很弱，无法直接驱动电机，必须通过电机驱动模块。最常用的是L298N和TB6612FNG。

• L298N：经典、皮实、功率大，但发热也大，效率相对较低。它需要外接电源，逻辑简单，适合新手理解H桥驱动原理。
• TB6612FNG：我更推荐这个。它是MOSFET驱动，效率高、发热小、体积小巧，内置保护电路，控制逻辑同样简单。最重要的是，它支持PWM调速频率更高，能让电机运行更平稳、噪音更小。

电源系统：这是最容易被忽视却至关重要的部分。切忌用USB口同时给单片机和电机供电！电机启动和堵转时会产生巨大的电流尖峰，足以让单片机复位甚至损坏。标准做法是：准备两套电源。一套（如7.4V锂电池）给电机驱动模块供电；另一套（可以是同一电池经降压模块得到的5V，或独立的电池组）给单片机和传感器供电。在电机驱动模块的电源输入端，并联一个大的电解电容（如470uF/16V）可以很好地吸收电流冲击。

3. 硬件搭建与电路连接详解

理论清楚了，我们开始动手。一套清晰的硬件连接是成功的一半。

3.1 材料清单与工具准备

你需要准备以下核心部件：

• 车体底盘：带减速电机和轮胎的底盘套件。
• 主控板：Arduino Uno 或 STM32核心板。
• 红外循迹模块：至少3个（推荐5个以应对未来升级）。
• 电机驱动模块：TB6612FNG 或 L298N。
• 电源：7.4V锂电池组（2S）给电机，配套的5V降压模块或另一块电池给主控。
• 杜邦线：公对公、公对母若干。
• 万用表：调试必备。
• 电烙铁与焊锡：用于固定传感器和电源线。

3.2 电路连接步骤与原理剖析

我们以“Arduino Uno + TB6612FNG + 三路红外传感器”为例，详解连接方法。请务必在断电状态下操作！

第一步：连接电机与驱动

1. 将小车左右两个电机的线，分别接入TB6612的A+ A-和B+ B-端子。
2. 将7.4V锂电池的正负极接入TB6612的VM和GND端子，这是电机动力电源。
3. 将Arduino的5V和GND接入TB6612的VCC和GND，这是逻辑电源。
4. 连接控制信号：TB6612的AIN1, AIN2控制电机A的正反转，BIN1, BIN2控制电机B。将它们分别连接到Arduino的数字引脚，例如5, 6, 9, 10。
5. 连接PWM信号：TB6612的PWMA, PWMB是调速引脚，分别连接到Arduino的PWM引脚（带~标识），例如3, 11。

第二步：连接红外传感器

1. 三个红外循迹模块的VCC和GND分别并联，接入Arduino的5V和GND。
2. 三个模块的OUT（数字信号输出）引脚，分别连接到Arduino的三个数字输入引脚，例如2, 4, 7（左、中、右）。

第三步：共地与电源隔离检查这是关键！确保所有模块的GND（地线）都连接在一起，即Arduino的GND、TB6612的逻辑GND、所有传感器的GND必须连通，形成一个共同的参考零电位。否则信号会乱飘。 同时，用万用表检查，电机的动力电源（7.4V）绝对没有接到单片机的任何5V引脚上。

避坑指南：电源噪声与传感器误触发电机运行时会产生强烈的电磁噪声，通过电源线传导，可能干扰红外传感器，导致其输出信号抖动。解决方法有两个：一是在每个红外传感器的VCC和GND引脚之间，焊接一个0.1uF的瓷片电容，用于滤除高频噪声；二是确保给单片机/传感器供电的5V电源是干净的，最好与电机动力电源物理隔离（用两块电池）。

4. 基础循迹算法：从条件判断到比例控制

硬件就绪，我们来编写“大脑”的决策逻辑。循迹算法的进化，是一个从“机械”到“智能”的过程。

4.1 三路传感器的状态判断

首先，我们要读取三个传感器的值。通常，检测到黑线时，模块输出LOW（0）；检测到白底时，输出HIGH（1）。我们定义：int leftSensor = digitalRead(2);int middleSensor = digitalRead(4);int rightSensor = digitalRead(7);

根据这三个值的组合，我们可以判断出小车相对于黑线的位置状态：

• (0,1,1)：只有左边看到黑线 ->严重左偏，需要大角度右转。
• (1,0,1)：只有中间看到黑线 ->完美居中，直行。
• (1,1,0)：只有右边看到黑线 ->严重右偏，需要大角度左转。
• (0,0,1)：左和中看到黑线 ->轻微左偏，需要小角度右转。
• (1,0,0)：中和右看到黑线 ->轻微右偏，需要小角度左转。
• (0,0,0)：全部看到黑线 ->十字路口或停车线，可设计特殊行为。
• (1,1,1)：全部看到白色 ->丢失路径，应减速或执行搜索程序。

4.2 “if-else”开关量控制法

这是最直观的算法，适合初学者理解逻辑。

// 定义电机控制引脚 int AIN1=5, AIN2=6, PWMA=3; // 左电机 int BIN1=9, BIN2=10, PWMB=11; // 右电机 int baseSpeed = 150; // 基础速度（0-255） void loop() { int L = digitalRead(2); int M = digitalRead(4); int R = digitalRead(7); if (M == 0) { // 中间传感器在黑线上 // 居中，直行 motorForward(baseSpeed); } else if (L == 0 && R == 1) { // 只有左边在黑线上 // 左偏，右转（左电机前进，右电机停止或后退） turnRight(100); // 右转函数，传入一个转弯速度 } else if (L == 1 && R == 0) { // 只有右边在黑线上 // 右偏，左转 turnLeft(100); } else if (L == 0 && R == 0) { // 左右都在黑线上，可能遇到横线 // 停车或直行通过 motorForward(baseSpeed); delay(200); // 假设横线宽度对应的时间 } else { // 全白，丢失路径 // 减速，或原地缓慢旋转寻找黑线 searchLine(); } }

这种方法的优点是简单粗暴，容易实现。但缺点非常明显：控制是“跳跃式”的。小车要么全速直行，要么以一个固定的速度转弯，在弯道上会呈现“之”字形摆动，速度稍快就容易冲出赛道，运行轨迹不平滑。

4.3 比例（P）控制算法

为了让小车转弯更平滑，我们引入反馈控制中最基础的概念——比例控制。核心思想是：偏差越大，纠正的力度（转弯速度）就越大。

我们不再简单地将传感器状态视为“有”或“无”，而是定义一个偏差量。对于三路传感器，一个简单的偏差计算公式是：error = (右传感器值 - 左传感器值)这里我们可以把传感器值映射一下：检测到黑线（0）代表“需要向相反方向纠正”，检测到白线（1）代表“正常”。但更通用的方法是给每个传感器位置赋予一个权重。 假设传感器从左到右的物理位置是：-1， 0， +1。 那么偏差error = (左传感器值 * (-1)) + (中传感器值 * 0) + (右传感器值 * 1)。 如果左=0（黑），中=1（白），右=1（白），则 error = 0*(-1) + 10 + 11 = 1。正值表示偏左，需要右转纠正。

然后，我们根据这个连续的偏差值来计算左右电机的速度：leftMotorSpeed = baseSpeed + Kp * error;rightMotorSpeed = baseSpeed - Kp * error;

这里的Kp就是比例系数，是整个算法的“灵魂”，需要调试。

• 如果error为正（偏左），那么leftMotorSpeed会增加，rightMotorSpeed会减少，小车就会向右转。
• Kp越大，对偏差的反应越剧烈，纠正越快，但也更容易产生振荡（小车在轨迹两侧来回晃）。
• Kp太小，则纠正无力，小车反应迟钝，容易跑偏。

float Kp = 20.0; // 比例系数，需要实际调试 int baseSpeed = 150; void loop() { int L = digitalRead(2); int M = digitalRead(4); int R = digitalRead(7); // 计算偏差，这里使用更直观的权重法 int error = 0; if(L == 0) error -= 2; // 左黑，需要右转，error负值更大？等等，这里逻辑要统一。我们定义：error为正，表示需要右转（即左轮加速，右轮减速）。 if(M == 0) error += 0; // 中间黑，不贡献偏差 if(R == 0) error += 2; // 右黑，需要左转，error为负？让我们重新定义规则。 // 更清晰的规则：设定目标位置是0。传感器状态映射为位置值。 // 左传感器看到黑线，说明线在左边，小车需要左转（即右轮加速，左轮减速），偏差应为负。 // 让我们换一种计算方式，直接根据位置判断： int position; if (L==0 && M==1 && R==1) position = -2; // 线在左边 else if (L==0 && M==0 && R==1) position = -1; else if (L==1 && M==0 && R==1) position = 0; // 线在中间 else if (L==1 && M==0 && R==0) position = 1; else if (L==1 && M==1 && R==0) position = 2; // 线在右边 else position = 0; // 其他情况按居中处理 int error = position; // 目标位置是0，所以偏差就是当前位置 // 计算电机速度 int leftSpeed = baseSpeed + Kp * error; // error为正（线在右）时，左轮应加速 int rightSpeed = baseSpeed - Kp * error; // error为正时，右轮应减速 // 限制速度在有效范围内（0-255） leftSpeed = constrain(leftSpeed, 0, 255); rightSpeed = constrain(rightSpeed, 0, 255); // 设置电机速度 setMotorSpeed(leftSpeed, rightSpeed); }

比例控制的效果比开关量法有质的提升，小车过弯更流畅。但它有一个固有缺陷：静态误差。当存在持续的外部干扰（如车轮打滑、地面不平导致两侧摩擦力不同）时，纯比例控制无法完全消除偏差，小车会以一个固定的微小偏差沿着轨迹跑，无法完美居中。

5. 进阶：PID控制算法实现与调参实战

要解决静态误差并进一步优化动态性能，我们需要请出自动控制领域的“万金油”——PID控制器。它在比例（P）的基础上，增加了积分（I）和微分（D）环节。

5.1 PID控制原理通俗解读

我们可以把小车循迹比作骑自行车沿直线行驶：

• 比例（P）：你发现车头向左偏了，于是立刻向右打一把方向。偏得越多，方向盘打得越猛。这就是即时反应，对应Kp。
• 积分（I）：你发现虽然一直在微调，但车子总是有向左偏的趋势（比如左边胎压不足）。于是你意识到，需要持续地给一个向右的“预紧力”来抵消这个长期偏差。积分环节就是累加历史上所有的偏差，用来消除这种系统性、持续性的误差，对应Ki。
• 微分（D）：当你快速向右打方向纠正时，聪明的骑手会预见到车头很快会摆过头冲向右边。因此，在车头开始向右回正的那一刻，你会提前反打一点方向，防止“矫枉过正”。微分环节就是观察偏差变化的速度，提前施加反向抑制力，起到“阻尼”作用，让系统更稳定，对应Kd。

PID的输出计算公式为：输出 = Kp * error + Ki * integral + Kd * derivative

5.2 代码实现与各环节作用

下面是一个完整的离散位置式PID实现：

// PID参数 float Kp = 15.0; // 比例系数，决定反应速度 float Ki = 0.05; // 积分系数，消除静态误差 float Kd = 8.0; // 微分系数，抑制振荡，增加稳定性 // PID变量 float error = 0; float lastError = 0; float integral = 0; float derivative = 0; int baseSpeed = 160; // 基础速度 int maxIntegral = 100; // 积分限幅，防止积分饱和（Windup） void loop() { // 1. 获取当前位置偏差（同比例控制中的计算方式） int sensorValues = readSensors(); // 假设这个函数返回一个代表位置的整数，如-2,-1,0,1,2 error = sensorValues; // 2. 计算积分项（累加误差） integral += error; // 积分限幅，非常重要！ if(integral > maxIntegral) integral = maxIntegral; if(integral < -maxIntegral) integral = -maxIntegral; // 3. 计算微分项（本次误差与上次误差的差值） derivative = error - lastError; // 4. 计算PID总输出 float pidOutput = Kp * error + Ki * integral + Kd * derivative; // 5. 应用输出到电机速度 int leftSpeed = baseSpeed + pidOutput; int rightSpeed = baseSpeed - pidOutput; // 速度限幅 leftSpeed = constrain(leftSpeed, 0, 255); rightSpeed = constrain(rightSpeed, 0, 255); // 6. 驱动电机 setMotorSpeed(leftSpeed, rightSpeed); // 7. 更新上一次误差 lastError = error; delay(10); // 控制周期，10ms一次 }

各环节调试心得：

• 先调P，再调D，最后调I：这是黄金法则。先将Ki和Kd设为0，逐渐增大Kp，直到小车在直道上开始出现轻微、稳定的振荡。此时Kp值约为临界值的80%。
• 加入D抑制振荡：在Kp的基础上加入Kd。逐渐增大Kd，你会看到小车的振荡明显减弱，过弯更加平稳果断。Kd太大反而会引入高频噪声，让小车发抖。
• 最后调I消除静差：观察小车在长直道或受持续侧向力时，是否仍有固定方向的微小偏移。如果是，缓慢增加Ki。Ki一定要小！因为它是对历史误差的累加，稍大就会导致系统反应迟缓甚至失控。务必加上积分限幅，这是避免“积分饱和”导致系统崩溃的关键。
• 调参是个耐心活：没有一套参数能适应所有赛道和车速。弯急则需更大的Kp和Kd；直道长则可能需要一点Ki。高级玩法是让小车自己根据赛道特征（通过传感器历史数据判断弯道曲率）动态调整PID参数。

6. 高级优化与功能扩展

当基础循迹稳定后，你可以尝试以下优化，让小车性能更上一层楼。

6.1 使用五路传感器与更优的偏差计算

五路传感器（例如位置权重为 -2， -1， 0， +1， +2）能提供更精细的路径信息。偏差计算不再是非0即1，我们可以采用“加权平均”法，得到更连续的偏差值。

int sensorPins[5] = {A0, A1, A2, A3, A4}; // 假设使用模拟输入，灵敏度更高 float sensorWeights[5] = {-2.0, -1.0, 0.0, 1.0, 2.0}; float readPosition() { int sum = 0; int activeCount = 0; float weightedSum = 0.0; for(int i=0; i<5; i++) { int value = analogRead(sensorPins[i]); // 设定一个阈值，判断是否在黑线上 if(value < threshold) { // 模拟值小于阈值，表示检测到黑线 weightedSum += sensorWeights[i]; activeCount++; } } if(activeCount == 0) { // 全部在白线上，返回一个极大或极小的值，触发丢线处理 return lastKnownPosition > 0 ? 10.0 : -10.0; } // 返回平均位置作为偏差 return weightedSum / activeCount; }

这种方法得到的error是一个浮点数，比三路传感器的整数偏差平滑得多，能让PID控制效果更加细腻。

6.2 加入编码器实现速度闭环

前面的PID控制的是方向，电机速度是开环的。电池电压下降、负载变化都会影响实际车速。加入光电编码器，可以测量电机实际转速，实现速度闭环控制。

编码器安装在电机轴上，每转一圈输出固定的脉冲数。通过单片机的中断引脚计数脉冲，可以计算出实时转速。

// 左轮编码器计数 volatile long leftEncoderCount = 0; // 右轮编码器计数 volatile long rightEncoderCount = 0; // 中断服务函数 void leftEncoderISR() { leftEncoderCount++; } void rightEncoderISR() { rightEncoderCount++; } void setup() { attachInterrupt(digitalPinToInterrupt(2), leftEncoderISR, RISING); // 左编码器接引脚2 attachInterrupt(digitalPinToInterrupt(3), rightEncoderISR, RISING); // 右编码器接引脚3 } void loop() { static unsigned long lastTime = 0; unsigned long currentTime = millis(); if(currentTime - lastTime >= 100) { // 每100ms计算一次速度 int leftSpeed = (leftEncoderCount / PULSES_PER_REV) * 60000 / (currentTime - lastTime); // 转换为RPM int rightSpeed = ... // 同理 // 清空计数器 leftEncoderCount = 0; rightEncoderCount = 0; lastTime = currentTime; // 现在你有了左右轮的实际速度，可以再用一个PID控制器，让实际速度逼近目标速度！ // 目标速度由方向PID的输出和基础速度共同决定。 int leftTargetSpeed = baseSpeed + directionPidOutput; int rightTargetSpeed = baseSpeed - directionPidOutput; float leftSpeedError = leftTargetSpeed - leftSpeed; float rightSpeedError = rightTargetSpeed - rightSpeed; // 计算速度PID，输出PWM值 int leftPWM = speedPid(leftSpeedError); int rightPWM = speedPid(rightSpeedError); setMotorPWM(leftPWM, rightPWM); } // ... 方向PID计算部分 }

速度闭环能让小车在不同路面、不同电量下保持稳定的行驶性能，是提升循迹稳定性和速度的利器。

6.3 赛道元素识别与策略应对

一个完整的循迹赛道不会只有一条直线，通常包含：

• 十字路口：所有传感器同时检测到黑线。可以设计为：减速，根据预设路线选择直行、左转或右转（通过额外的标志位或计时判断）。
• 直角弯/锐角弯：传感器会瞬间全部变白（丢线）。策略是：记录丢线前的转弯方向，让小车以较小的半径向该方向原地旋转，直到重新检测到黑线。
• 起跑线/停车线：一条较粗的黑线。可以通过检测黑线持续时间（digitalRead为低电平的时间长度）来区分于普通轨迹，触发开始计时或停车动作。

实现这些功能，需要在小车状态机中加入更多的判断逻辑。

7. 调试技巧与常见问题排查

调试是项目中最耗时也最考验耐心的环节。这里有一份我总结的“故障排查清单”：

调试时，务必使用串口监视器。将关键的变量（如传感器值、计算出的error、PID输出、电机速度）打印出来，这是洞察系统内部状态的“眼睛”。例如，通过观察error的变化曲线，你能直观地看到小车是如何振荡的，从而精准调整参数。

从一堆散件到一辆能稳健巡线的智能小车，这个过程充满了挑战与乐趣。它教会你的远不止是几行代码和电路连接，更是系统性的工程思维：如何分解问题、如何选型设计、如何调试优化、如何从失败中寻找线索。当你第一次看到小车稳稳地跑完整个赛道时，那种亲手创造“智能”的喜悦是无与伦比的。这个项目就像一个微缩的自动驾驶系统，它所蕴含的感知、决策、控制思想，会为你打开通往更广阔机器人世界的大门。不妨从最基础的三路传感器开始，一步步增加编码器、尝试更复杂的算法，甚至挑战更快的速度。每一个遇到的问题和解决的方案，都会成为你宝贵的经验。