1. 项目概述与赛题核心解读

2023年全国大学生电子设计竞赛（电赛）的E题，题目是“运动目标控制与自动追踪系统”。这个题目一出来，当时就在我们参赛圈子里炸开了锅，因为它完美地踩在了当前几个技术热点的交叉口上：机器视觉、运动控制和嵌入式系统。简单来说，就是让你做一个能自己“看”到移动目标，并且能控制一个云台（上面装着激光笔）去实时瞄准、追踪这个目标的装置。听起来是不是有点像电影里的自动瞄准？没错，其核心逻辑就是一套简易的、实时的闭环反馈系统。

这道题的魅力在于，它把一个复杂的工程问题，拆解成了几个非常具体、可实现的模块，但又留足了发挥空间。它不要求你用多高端的硬件，核心就是一块常见的微控制器（比如STM32）、一个摄像头模块（如OpenMV、K210或者树莓派搭配摄像头）、一个二维舵机云台，再加上一个激光笔。硬件门槛相对亲民，但软件和算法上的挑战直接拉满。你需要解决图像采集、目标识别、坐标转换、PID控制算法、系统延时补偿等一系列问题，任何一个环节没处理好，整个系统的追踪效果就会大打折扣，出现“跟不上”、“抖得厉害”或者“跑飞了”的情况。

这道题非常适合有一定嵌入式基础和编程能力，并且对机器视觉感兴趣的同学来挑战。它不仅能让你把单片机、传感器、电机驱动这些硬件知识串起来，更能让你亲身体验到从“感知”到“决策”再到“执行”的完整自动控制流程。接下来，我就结合我们团队的实战经历，把这个题从设计思路到代码实现，再到调试避坑，给你掰开揉碎了讲清楚。

2. 系统整体设计与核心思路拆解

做电赛题目，最忌讳的就是拿到题目就埋头焊板子、写代码。我们花了将近半天的时间来做方案论证和整体设计，事实证明，这半天的时间在后面省下了无数个通宵。

2.1 核心需求与指标分析

题目要求主要有几个关键点：1）系统能自动识别并锁定指定的运动目标（比如一个画有特定图案的小车）；2）控制云台转动，使激光点持续照射在目标中心；3）目标做匀速直线、S形等规定运动时，追踪误差要小于一定范围（比如2厘米）；4）有手动模式可以介入。这些要求翻译成技术语言就是：

• 感知层：需要一套视觉系统，能稳定、快速地从摄像头画面中提取出目标的位置坐标（X, Y）。
• 控制层：需要一套算法，能将目标坐标转换为云台两个舵机（俯仰和偏航）的转动角度，并且这个转换要能补偿摄像头安装位置带来的几何偏差。
• 执行层：需要能精确驱动舵机转到指定角度的硬件电路和驱动程序。
• 决策层：需要一套控制律（我们用的是PID），根据目标位置的实时变化，计算出舵机应该调整的速度或角度，让整个系统形成一个平滑、快速的闭环。

我们的设计思路也就此明确：以微控制器为大脑，摄像头为眼睛，舵机云台为手脚，构建一个视觉伺服系统。核心闭环流程是：摄像头采集图像 -> 图像处理识别目标 -> 计算目标在图像中的像素坐标 -> 通过坐标转换模型得到目标相对于云台的真实角度偏差 -> PID控制器根据角度偏差计算舵机调整量 -> 驱动舵机转动 -> 激光点移动 -> 下一帧图像采集……如此循环。

2.2 硬件方案选型与考量

硬件选型直接决定了系统的性能上限和开发难度。

• 主控MCU：我们选择了STM32F407。理由很充分：首先，F4系列带有FPU（浮点运算单元），在做坐标转换、PID运算等大量浮点计算时，速度比F1系列快一个数量级，这对保证控制周期至关重要。其次，它资源丰富，有足够的定时器来产生精准的PWM波控制舵机，也有足够的串口、SPI等接口与摄像头模块通信。

• 视觉模块：这是选型的重中之重。我们评估了三个主流方案：

  1. OpenMV：优点是开发简单，内置了丰富的图像处理函数（找色块、找直线、AprilTag识别等），直接用MicroPython编程，上手快。缺点是性能有限，处理复杂图像或高帧率时比较吃力，且与STM32通信通常用串口，传输处理后的结果数据有延时。
  2. Kendryte K210：这是一颗带AI加速的芯片，性能强悍，可以跑一些简单的神经网络模型进行目标检测。但如果只是识别颜色块或特定图案，有点杀鸡用牛刀，且双核开发、内存管理对新手不太友好。
  3. 树莓派+摄像头：性能最强，可以用OpenCV做非常复杂的处理。但问题是树莓派是Linux系统，实时性是个挑战，控制舵机的PWM精度可能不如单片机，而且系统复杂，功耗也高。

  综合权衡，我们选择了OpenMV H7 Plus。它的性能比老款强不少，足够处理这个题目。最关键的是开发效率。电赛时间紧，OpenMV的快速原型开发能力能让我们把精力集中在控制算法上，而不是折腾摄像头驱动和底层图像处理。我们让OpenMV只负责一件事：以最高帧率找到目标，并输出其中心点的像素坐标（x, y）。这个坐标通过串口实时发送给STM32。

• 执行机构：云台我们用了两个数字舵机（MG996R这类），分别控制Yaw（偏航，水平转动）和Pitch（俯仰，垂直转动）。数字舵机比模拟舵机控制精度高，响应快。舵机由STM32的定时器产生PWM信号直接控制，注意要单独供电，电流要足，否则会出现抖动甚至重启。

• 其他：激光笔直接用个小功率的，固定在云台上。整个系统用一块12V锂电池供电，通过降压模块给各个部分提供合适的电压（STM32和OpenMV用5V或3.3V，舵机用6V或7.4V单独供电）。

注意：供电一定要隔离！电机（舵机）的电源必须和核心控制板（STM32， OpenMV）的电源分开，至少要用磁珠或二极管隔离，并用大电容稳压。否则舵机一动作，电压瞬间被拉低，会导致单片机复位，摄像头重启，这是新手最容易踩的坑。

3. 核心算法解析与实现要点

硬件是骨架，算法才是灵魂。这个题目的算法部分主要集中在坐标转换和PID控制上。

3.1 视觉识别与坐标获取

在OpenMV上，我们的脚本非常简单高效。假设目标是红色小球。

import sensor, image, time, pyb from pyb import UART # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) # 320x240 sensor.skip_frames(time = 2000) sensor.set_auto_gain(False) # 必须关闭自动增益和白平衡，否则颜色阈值会变 sensor.set_auto_whitebal(False) # 定义红色阈值 (在RGB色彩空间下调整) red_threshold = (30, 100, 15, 127, -128, 127) # 根据实际环境调整 uart = UART(3, 115200) # 初始化串口3，波特率115200 while(True): img = sensor.snapshot() # 抓取一帧图像 # 寻找色块 blobs = img.find_blobs([red_threshold], pixels_threshold=100, area_threshold=100) if blobs: # 找到最大的色块 largest_blob = max(blobs, key=lambda b: b.pixels()) # 绘制矩形和十字 img.draw_rectangle(largest_blob.rect()) img.draw_cross(largest_blob.cx(), largest_blob.cy()) # 通过串口发送中心坐标 data = bytearray([0xFF, 0xFE, largest_blob.cx()>>8, largest_blob.cx()&0xFF, largest_blob.cy()>>8, largest_blob.cy()&0xFF]) uart.write(data) else: # 没找到目标，发送一个特定值，比如(0, 0)，并在前面加个标志位 uart.write(bytearray([0xFF, 0xFD, 0x00, 0x00, 0x00, 0x00])) # 控制帧率，不设延时，以最大速度运行

这里的关键是稳定性和速度。阈值要调准，确保在不同光照下都能稳定识别。发送数据时我们加了一个简单的帧头（0xFF, 0xFE），方便STM32解析。没找到目标时发送另一个帧头（0xFF, 0xFD），让STM32知道目标丢失，可以进入搜索模式或保持上一位置。

3.2 从像素坐标到舵机角度：坐标转换模型

这是整个系统的核心数学模型，也是最容易出错的地方。OpenMV返回的是(cx, cy)，这是目标在图像平面（320x240）上的像素坐标。我们需要把它转换成云台需要转动的角度(θ_yaw, θ_pitch)。

这里不能用一个简单的线性比例关系，因为摄像头是透视成像。我们采用小孔成像模型进行近似解算。假设：

• 摄像头光轴与云台转动中心对齐（理想情况，实际安装总有偏差）。
• 已知摄像头的焦距f（以像素为单位）和图像中心(u0, v0)。这些参数可以通过摄像头标定获得，OpenMV也提供近似值。
• 目标在摄像头坐标系中的真实角度偏移（弧度制）可以通过以下公式计算：
  • Δθ_yaw ≈ (cx - u0) / fx
  • Δθ_pitch ≈ (cy - v0) / fy其中，fx, fy是x轴和y轴方向的焦距，u0, v0是主点坐标（通常接近图像中心）。

在实际操作中，我们采用了一种更实用的两步法：

1. 粗标定：将目标放在云台正前方足够远的位置，记录此时OpenMV返回的(cx0, cy0)，作为“零点”。
2. 比例系数法：控制云台水平转动一个已知角度A（如30度），记录转动前后目标像素坐标的变化量Δcx。那么，像素-角度比例系数 Kyaw = A / Δcx。同理，可以标定出垂直方向的系数 Kpitch。
3. 实时计算：在运行时，目标的角度偏差就可以近似计算为：
   • θ_yaw = (cx - cx0) * Kyaw
   • θ_pitch = (cy - cy0) * Kpitch

这个方法的优点是避免了复杂的相机内参测量，通过实验直接得到映射关系，虽然有一定误差，但在题目要求的距离和角度范围内完全够用，且非常容易理解和实现。

实操心得：标定一定要在实际比赛的场地光照和背景下进行！光线不同，摄像头成像的亮度和对比度不同，可能会轻微影响识别出的中心点位置。我们当时就在实验室的日光灯下标定得很好，结果比赛当天场地是暖色光，导致零点漂移，现场又重新微调了系数。

3.3 PID控制算法的实现与调参

得到角度偏差(θ_yaw, θ_pitch)后，我们的目标就是让这个偏差趋于0。这就是PID控制器的用武之地。我们为两个轴分别独立设置一个PID控制器。

在STM32上，我们实现了位置式PID。公式大家都很熟悉：Output = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt。但具体到代码里，有些细节至关重要：

typedef struct { float Kp, Ki, Kd; // PID参数 float integral; // 积分项 float prev_error; // 上一次误差 float integral_limit; // 积分限幅 float output_limit; // 输出限幅 } PID_Controller; float PID_Update(PID_Controller* pid, float error, float dt) { // 比例项 float proportional = pid->Kp * error; // 积分项（带限幅和抗饱和） pid->integral += error * dt; if (pid->integral > pid->integral_limit) pid->integral = pid->integral_limit; if (pid->integral < -pid->integral_limit) pid->integral = -pid->integral_limit; float integral = pid->Ki * pid->integral; // 微分项（用误差的差分近似） float derivative = pid->Kd * (error - pid->prev_error) / dt; pid->prev_error = error; // 计算总输出并限幅 float output = proportional + integral + derivative; if (output > pid->output_limit) output = pid->output_limit; if (output < -pid->output_limit) output = -pid->output_limit; return output; }

调参是PID的灵魂，也是比赛调试时间的大头。我们的经验是“先P后I再D，从小到大慢慢试”：

1. 调Kp（比例）：先将Ki和Kd设为0。逐渐增大Kp，直到系统开始出现小幅度的、频率较快的振荡。此时系统响应快，但无法稳定在目标点，会在目标点附近来回抖。记录下这个临界Kp值。
2. 调Kd（微分）：引入Kd，目的是抑制振荡，增加系统阻尼。从0开始慢慢增加Kd，你会发现振荡幅度减小，变得平滑。Kd太大反而会引入高频噪声，使系统反应迟钝。
3. 调Ki（积分）：最后引入Ki，目的是消除静态误差（即始终差一点对准的情况）。Ki要非常小心地加，因为积分累积效应强，容易导致系统超调过大甚至震荡。一定要加上面代码中的integral_limit（积分限幅）。

核心技巧：对于云台舵机系统，微分项（Kd）至关重要。因为舵机本身有惯性，如果没有微分项，仅用比例控制，云台很容易像钟摆一样晃来晃去，永远停不下来。合适的Kd能提供“阻尼”效果，让云台平滑、稳定地停下来。我们的参数最终大概在 Kp=1.2， Ki=0.05， Kd=0.8 左右（具体值取决于你的系统机械结构、舵机速度、控制周期等）。

控制周期（dt）也是一个关键参数。它取决于你的图像处理帧率。如果OpenMV每秒能处理30帧，那么理想控制周期就是33ms。在STM32中，我们用一个定时器中断，严格每隔33ms读取一次最新的目标坐标，并执行一次PID计算和舵机控制。周期不稳定会导致控制效果剧烈波动。

4. 系统集成与调试全流程

4.1 软件架构与多任务处理

STM32的程序我们采用“前后台”架构，配合中断，来保证实时性。

• 后台主循环：负责状态显示、参数设置（通过按键或串口）、模式切换等非实时任务。
• 定时器中断：这是核心节奏器。我们设置了一个1ms的定时器中断，用于计时。在中断服务函数里，我们设置一个33ms的“软定时器”。当33ms到达时，置位一个标志位Vision_Update_Flag。
• 串口中断：用于接收OpenMV发来的坐标数据。一旦收到一帧完整数据（通过帧头判断），就立即解析，并将最新的(cx, cy)坐标更新到一个全局变量中，同时记录接收时间戳。
• 主循环中的控制任务：在主循环中，不断检查Vision_Update_Flag。如果标志位为1，则：
  1. 清除标志位。
  2. 从全局变量中读取最新的目标坐标。
  3. 检查坐标是否有效（非零值且接收时间在最近100ms内，防止用陈旧数据）。
  4. 执行坐标转换，得到角度偏差。
  5. 调用两个轴的PID计算，得到舵机PWM的增量。
  6. 更新舵机的目标PWM值。
  7. 通过定时器PWM输出驱动舵机。

这种设计确保了控制周期基本稳定，并且图像数据的接收是即时的，不会被主循环中的其他任务阻塞。

4.2 通信协议与数据同步

OpenMV和STM32之间的串口通信必须可靠。我们设计了简单的协议：

• 数据帧格式：帧头1帧头2数据1高字节数据1低字节数据2高字节数据2低字节。
• 0xFF, 0xFE代表找到目标，后面4个字节分别是cx和cy。
• 0xFF, 0xFD代表目标丢失，后面4个字节忽略。
• STM32端在串口中断中，用一个状态机来解析这个协议，确保能正确应对数据丢包和错位。

同步问题：摄像头采集、处理、发送需要时间，STM32接收、处理、控制也需要时间，这造成了系统延时。如果目标运动很快，这个延时会导致追踪永远慢半拍。我们的补偿方法是：在PID中适当增大微分项（Kd），因为微分项本质上是对未来趋势的预测。更高级的做法是使用“预测滤波”，如卡尔曼滤波，根据目标前几帧的运动速度来预测它当前的位置，但这在四天三夜的比赛中实现和调优风险较大。

4.3 现场调试与性能优化

调试阶段，我们准备了几个工具：

1. 无线串口模块：将STM32的调试信息（如当前坐标、角度偏差、PID输出、帧率）实时发送到电脑，用串口绘图工具（如SerialPlot）可视化。这是调参的“眼睛”，没有它就是在盲调。
2. 手机慢动作拍摄：用手机的慢动作视频（240帧）拍摄激光点追踪目标的整个过程，回放时可以一帧帧看，分析是反应慢、过冲还是抖动。
3. 参数在线微调：我们在STM32程序里预留了接口，可以通过电脑串口助手实时发送指令修改PID参数，无需重新烧录程序，极大提升了调试效率。

优化点：

• 图像处理优化：在OpenMV上，将搜索区域（ROI）限制在上一帧目标位置附近，而不是全图搜索，能大幅提升帧率。
• 运动预测：当目标连续若干帧向一个方向运动时，可以给舵机目标角度加一个很小的提前量。
• 死区设置：当角度偏差小于某个很小阈值（如0.5度）时，不更新舵机位置，避免舵机一直在“微颤”，减少磨损和功耗。

5. 常见问题与故障排查实录

在实际制作和调试中，我们遇到了无数坑，这里把最典型的几个列出来，希望能帮你避雷。

最后再分享一个比赛时的心态技巧：电赛到最后一天，系统可能还是不太稳定。这时不要盲目大改算法或硬件。“稳”字当头。检查所有接线是否牢固，电源是否充足，参数是否备份。做一个最基础、最稳定的功能版本保底。在这个基础上，再去尝试那些“锦上添花”的优化功能。我们当时就是先确保匀速直线追踪绝对稳定，拿到基础分，然后再去挑战S形曲线追踪的加分项。记住，一个能稳定拿到80分的系统，远胜于一个理论上能拿100分但随时会崩的系统。