1. 项目缘起从零到一的“送药小车”集训实录去年夏天我们团队接到了一个内部创新挑战赛的任务在六周内从零开始设计并制作一台能够在模拟医院环境中自主导航、完成药品配送任务的智能小车。这个项目被我们内部戏称为“送药小车”它远不止是一个简单的玩具车或者循迹小车而是一个融合了机械结构、嵌入式控制、传感器融合、路径规划乃至简单人机交互的综合性工程实践。整个集训过程与其说是在造一台车不如说是在经历一场关于系统思维、项目管理与快速学习能力的极限压力测试。今天我就把这段从“两眼一抹黑”到“小车跑起来”的完整历程以及其中踩过的坑、悟出的道毫无保留地分享出来。无论你是正在备战类似科创竞赛的学生还是对机器人、嵌入式开发感兴趣的工程师希望这篇总结能成为你手边一份真实的“避坑指南”和“灵感来源”。2. 需求拆解与方案选型如何定义一台合格的“送药小车”接到“送药小车”这个命题时第一反应往往是兴奋紧接着就是迷茫到底要做到什么程度一开始最容易犯的错误就是盲目追求“高精尖”恨不得把所有前沿技术都堆上去。我们的经验是必须首先进行冷静、彻底的需求拆解。2.1 核心功能定义与性能指标我们首先将模糊的“送药”任务拆解为一系列可量化、可测试的子功能自主移动小车必须能在地面上稳定行驶这是所有功能的基础。环境感知小车需要“看见”或“感知”周围环境以识别路径、障碍物和目标点。定位与导航小车需要知道“自己在哪里”并规划出“如何去目的地”的路线。任务执行到达目标点如病房门口或护士站后需要完成特定动作如语音提示、灯光指示或通过机械装置“递送”药品我们采用了一个可开合的储物舱模拟。人机交互提供一个简单的方式启动任务、选择目的地或查看状态。基于这些功能我们设定了几个关键性能指标KPI续航连续工作不低于2小时。导航精度在10m x 10m的模拟场地内最终定位误差小于10cm。避障响应检测到前方30cm内静态障碍物应在1秒内完成停车或绕行决策。任务成功率在无突发强干扰下完成单次送药任务的综合成功率 95%。2.2 硬件平台选型在成本、性能与开发难度间权衡硬件是项目的骨骼。我们对比了三种常见方案基于Arduino的扩展方案成本最低生态丰富但处理复杂传感器数据如摄像头图像、激光雷达点云和运行高级算法如SLAM的能力非常有限适合纯循迹或简单避障。基于树莓派Raspberry Pi的核心方案拥有完整的Linux系统和强大的通用计算能力可以轻松处理图像、运行Python算法GPIO也能控制电机。但实时性稍弱对电机 PWM 等底层硬件的直接控制不如单片机精准。“单片机微处理器”双核架构这是最终选择的方案。我们用STM32系列单片机作为“小脑”负责所有高实时性任务电机驱动PID控制、编码器读数、超声波/红外避障传感器数据采集、舵机控制。同时用树莓派作为“大脑”负责高计算量任务运行操作系统、处理摄像头图像进行视觉定位或二维码识别、运行路径规划算法如A*。两者通过串口UART或USB进行通信。这个方案的优点是兼顾了实时控制与智能计算是功能较复杂的移动机器人常见架构。选型心得不要迷信单一平台。对于动态性强、功能综合的项目根据任务特性进行异构计算平台搭配往往是更务实、更高效的选择。STM32负责“稳”树莓派负责“智”。2.3 传感器套件搭配让小车拥有“感官”传感器是小车的眼睛和耳朵。我们根据需求和预算进行了组合里程计电机自带编码器。这是最基础也是最重要的定位传感器通过测量车轮转速和转角来推算位置航迹推算。但它的误差会随时间累积特别是打滑时必须与其他传感器数据融合。避障传感器超声波传感器HC-SR04用于中远距离2cm-400cm的障碍物检测成本低但波束角大易受光滑表面干扰。红外接近传感器用于近距离~10cm的精确检测安装在小车侧面防止蹭到墙壁。定位与建图传感器这是方案的难点。我们放弃了昂贵的激光雷达LiDAR选择了RGB摄像头配合AprilTag视觉标签的方案。在场地关键位置如路口、房间门张贴已知大小和ID的AprilTag小车通过摄像头识别Tag可以直接解算出自身相对于Tag的精确位置和姿态。这相当于在环境中布设了“视觉灯塔”成本极低精度足够且AprilTag库非常成熟。其他按键用于启动/急停LED灯环用于状态指示蜂鸣器用于提示音。避坑点传感器不是越多越好。每增加一个传感器就增加了数据融合的复杂度和潜在的冲突源。务必明确每个传感器的首要任务和失效边界。例如超声波在检测透明玻璃或深色绒布时基本失效这就是它的边界。3. 机械结构与驱动系统稳定是智能的前提再聪明的算法也需要一个靠谱的“身体”来执行。机械部分常常被软件背景的开发者忽视但却决定了项目的下限。3.1 底盘设计与电机选型我们选择了经典的两轮差速驱动万向轮的底盘布局。两个驱动轮分别由独立的直流减速电机控制通过调节左右轮的速度差来实现转向。这种结构简单、控制模型成熟。电机选型计算这是一个关键步骤。首先估算小车总重含电池、所有硬件约为3kg。假设最大爬坡角度5°地面摩擦系数0.8计算所需最大扭矩。再根据期望的最大速度如0.5m/s和车轮半径计算电机转速。最终我们选择了额定电压12V带有减速箱和编码器的直流电机并为其配备了TB6612FNG电机驱动模块。这款驱动芯片性能优于经典的L298N发热小支持更高频率的PWM。编码器重要性电机自带编码器是实现精确速度控制和里程计的基础。没有它所谓的“自主导航”就是空中楼阁。3.2 电源管理系统别让小车“猝死”嵌入式系统最诡异的故障一半以上来自电源。我们采用了分级供电方案一块大容量10000mAh的3S锂聚合物电池11.1V作为主电源。12V总线直接给电机驱动模块供电。5V总线通过一个大的DC-DC降压模块将11.1V转为5V/3A为树莓派、单片机、传感器阵列供电。特别注意树莓派4B在高负载时峰值电流可达2.5A以上必须选择输出电流足够、纹波小的降压模块。3.3V总线由单片机的LDO或独立的降压模块产生给部分传感器供电。血泪教训务必在电源入口处加入大容量如470μF的电解电容进行缓冲以应对电机启停时产生的巨大电流冲击。我们曾因为忽略这一点导致电机启动瞬间树莓派电压被拉低而重启排查了整整一天。3.3 结构与布线魔鬼在细节中重心电池作为最重的部件应尽量放置在底盘中心、位置较低的地方以降低重心提高行驶稳定性。传感器布局超声波传感器应朝前并有一定高度避免检测到地面摄像头视野前方应无遮挡如不要被上层电路板挡住红外接近传感器应贴近车身侧面。线束管理使用扎带、线槽规整所有线缆。混乱的线缆不仅不美观更是潜在的短路、信号干扰和机械故障源。电机驱动线大电流应与信号线如编码器线、串口线分开走线减少干扰。4. 嵌入式软件架构从裸机循环到简单RTOS小车的“小脑”——STM32的程序我们经历了从简单的前后台超级循环系统到引入实时操作系统RTOS的演变。4.1 初期基于定时器中断的前后台系统最初我们使用标准的HAL库在主循环中轮询执行各个任务读取编码器、计算PID、更新电机PWM、读取传感器、与树莓派通信。同时用一个硬件定时器产生固定频率如1kHz的中断用于精确的PID计算周期。问题随着任务增多主循环变得臃肿低优先级任务如状态灯闪烁可能阻塞高优先级任务如电机控制。传感器读取和通信的延迟不稳定。4.2 升级引入FreeRTOS进行任务调度为了解决上述问题我们移植了FreeRTOS一个轻量级的开源RTOS。将不同功能模块划分为独立的任务Task并赋予不同的优先级MotorControl_Task(优先级最高)严格按1ms周期运行执行PID计算和电机驱动。Encoder_Read_Task高频读取编码器数据更新里程计。Sensor_Fusion_Task读取并预处理超声波、红外数据。Comm_Task负责与树莓派的串口通信解析指令发送状态。Indicator_Task(优先级最低)控制LED和蜂鸣器。引入RTOS的好处模块化每个任务代码独立便于编写、调试和维护。实时性保证高优先级任务可抢占低优先级任务确保电机控制等关键操作的定时执行。系统更健壮提供了信号量、队列等机制安全地在任务间传递数据如将编码器数据从读取任务传递到控制任务。实操技巧FreeRTOS的堆栈Stack大小设置需要仔细估算。设置过小会导致栈溢出引发难以调试的硬件错误HardFault。可以通过FreeRTOS提供的工具函数如uxTaskGetStackHighWaterMark来监控任务栈的历史高水位线从而优化设置。5. 上位机智能与算法树莓派上的“大脑”开发树莓派运行Raspbian系统主要承载环境感知、决策规划等“智能”部分。5.1 视觉定位AprilTag识别与位姿解算这是我们全局定位的核心。流程如下图像采集使用树莓派原装摄像头或USB摄像头通过OpenCV的VideoCapture获取图像。标签检测使用成熟的apriltag库Python版对图像进行检测。这个库能高效地找出图像中所有AprilTag并输出每个Tag的ID、四个角点的像素坐标。位姿估计PnP求解已知AprilTag的物理尺寸例如边长是5cm、Tag四个角点的3D世界坐标假设Tag在水平面上以及它们在图像中对应的2D像素坐标就可以利用OpenCV的solvePnP函数求解出相机相对于该Tag的旋转向量rvec和平移向量tvec。坐标转换解算出的位姿是相机坐标系相对于Tag坐标系的。我们需要通过预先测量好的相机与小车底盘中心的固定安装关系一个固定的平移和旋转将这个位姿转换到小车底盘中心在世界坐标系中的位姿x, y, θ。# 简化示例代码片段 import cv2 from apriltag import apriltag detector apriltag(tag36h11) # 创建检测器使用tag36h11系列 camera_matrix np.load(camera_calibration_matrix.npy) # 加载相机内参需事先标定 dist_coeffs np.load(distortion_coeffs.npy) # 加载畸变系数 # 假设已知Tag的3D点单位米 tag_points_3d np.array([[-0.025, -0.025, 0], [ 0.025, -0.025, 0], [ 0.025, 0.025, 0], [-0.025, 0.025, 0]], dtypenp.float32) while True: ret, frame cap.read() gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) detections detector.detect(gray) for det in detections: if det[id] in known_tag_ids: # 获取Tag四个角点的像素坐标需注意库返回的格式 corners_pixel np.array(det[lb-rb-rt-lt], dtypenp.float32) # 顺序可能需调整 # 使用solvePnP求解位姿 success, rvec, tvec cv2.solvePnP(tag_points_3d, corners_pixel, camera_matrix, dist_coeffs) if success: # 将旋转向量转换为旋转矩阵 rotation_matrix, _ cv2.Rodrigues(rvec) # 此处进行坐标系转换得到小车底盘位姿... # 将位姿信息通过串口发送给STM32关键点相机必须进行标定获取准确的内参矩阵和畸变系数否则位姿解算误差会很大。我们使用OpenCV的棋盘格标定法完成了这一步。5.2 路径规划A*算法在栅格地图上的应用我们构建了一个简单的栅格地图Grid Map来表示环境。每个栅格有两种状态空闲可通行或占用障碍物。地图构建初期采用手动绘制的方式根据场地测量尺寸在程序中定义一个二维数组来表示。更高级的做法是通过SLAM实时构建但鉴于项目时间和AprilTag提供的全局定位能力手动绘图足够可靠。A*算法实现A*是一种经典的启发式搜索算法。它综合了从起点到当前点的实际代价g(n)和从当前点到终点的预估代价h(n)我们使用曼哈顿距离或欧几里得距离。算法会优先探索总代价 f(n) g(n) h(n) 最小的节点直到找到终点。路径平滑A*规划出的路径通常是栅格中心的折线转折尖锐。我们采用了简单的线性插值或贝塞尔曲线进行平滑处理使小车能够更流畅地跟踪。心得在资源有限的嵌入式系统上算法的简洁与高效至关重要。A在100x100的栅格地图上规划路径在树莓派上几乎是瞬间完成的。不要一开始就追求复杂的D或RRT算法。5.3 下位机通信协议设计定义“大脑”与“小脑”的对话语言树莓派上位机和STM32下位机通过USB转TTL串口进行通信。设计一个清晰、健壮的通信协议至关重要。我们设计了一个简单的帧结构[帧头 0xAA 0x55] [数据长度 L] [命令字 CMD] [数据区 DATA] [校验和 CHK] [帧尾 0x0D 0x0A]命令字示例0x01: 上位机发送目标速度指令左轮速度右轮速度。0x02: 上位机发送目标位姿指令x, y, theta。0x11: 下位机上传当前里程计位姿。0x12: 下位机上传超声波/红外传感器数据。校验和通常使用数据区所有字节的累加和取低8位用于检测传输错误。解析策略下位机程序实现一个状态机依次寻找帧头、解析长度、接收数据、验证校验和。只有完整的帧才会被处理。避坑点串口通信是异步的必须处理好数据接收的缓冲和解析避免数据帧粘连或截断。我们使用环形缓冲区Ring Buffer来存储接收到的原始字节解析线程从中取出数据组帧。6. 系统集成与调试让各部分协同工作这是最考验耐心和系统思维的阶段。硬件、底层驱动、控制算法、上层应用全部就位后如何让它们和谐共舞6.1 分层调试法从单元到系统绝对不要试图一次性集成所有模块然后上电调试。我们采用自底向上的分层调试硬件层验证单独给电机供电测试正反转单独测试每个传感器超声波测距、摄像头拍照、编码器计数是否正常工作。驱动层验证编写最简单的测试程序让STM32能通过PID控制电机精确转到指定角度或保持指定转速。用示波器或逻辑分析仪查看PWM波形和编码器反馈。功能层验证在STM32上测试FreeRTOS各任务调度是否正常串口收发数据是否准确。在树莓派上单独测试AprilTag识别程序看能否稳定输出位姿单独测试A*算法看规划路径是否正确。接口联调将树莓派和STM32用串口连接先进行“乒乓测试”——上位机发送一个数据下位机原样返回确保物理链路和基础协议畅通。然后测试单个指令如发送速度指令看小车是否响应。子系统联调让小车在空旷场地仅使用里程计和底层PID控制执行上位机发送的一系列路径点开环控制测试运动基础。全系统闭环调试引入AprilTag定位进行闭环控制。让小车从A点运动到B点观察其能否利用视觉定位修正里程计累积误差准确到达。6.2 PID参数整定让小车“走直线”和“转准弯”差速小车的基本运动控制依赖于左右轮的两个PID速度环。P比例决定了对当前误差的反应强度。P太大小车会震荡P太小响应慢到达目标速度的时间长。I积分用来消除静差。比如由于地面摩擦不均左右轮理论速度相同却走不直I项可以累计这个微小误差并补偿。但I太大会引起超调和不稳定。D微分预测误差变化趋势具有阻尼作用能抑制震荡。但对噪声敏感需要良好的滤波。整定口诀“先P后I最后D”将I和D设为0逐渐增大P让小车能较快速地响应速度指令但会出现围绕目标速度的震荡。增加一点I观察震荡是否减弱静差是否消除。注意I要小量增加。如果系统有震荡加入少量的D使系统更平稳。我们通过树莓派发送速度阶跃指令并通过无线串口或蓝牙将STM32实时采集的实际速度数据回传在电脑上用绘图工具如SerialPlot、MATLAB绘制速度曲线直观地观察PID效果。6.3 定位融合与导航逻辑处理“看不见”标签的情况AprilTag并非无处不在。当小车运动到两个Tag之间或摄像头暂时被遮挡时就会丢失全局定位。我们的策略是多标签融合当同时看到多个Tag时对它们解算出的位姿进行加权平均可以根据Tag的检测质量或距离赋予不同权重得到更稳定的定位结果。里程计递推在看不到任何Tag时完全依赖STM32上传的里程计数据进行航迹推算Dead Reckoning。同时树莓派记录下最后看到的有效全局位姿并以此为基础叠加里程计的相对运动量。重定位与校正一旦再次识别到Tag立即用Tag提供的绝对位姿对当前递推的位姿进行“校正”。这里可以采用简单的替换或者使用一个卡尔曼滤波器Kalman Filter进行更平滑的融合。我们项目由于时间关系采用了前者效果尚可但在重新看到Tag的瞬间小车位置可能会有一个跳变。导航状态机我们为小车设计了一个简单的状态机IDLE空闲状态等待任务。PLANNING收到目标点后基于当前位姿和地图进行路径规划。TRACKING沿着规划路径运动。在此状态下结合视觉定位和里程计实时计算当前位姿与目标路径的横向偏差和角度偏差生成左右轮的目标速度差类似于横向的PD控制实现轨迹跟踪。AVOIDING在跟踪过程中如果超声波/红外检测到突发障碍物则进入临时避障状态暂停路径跟踪执行绕行或停车逻辑待障碍清除后返回TRACKING。ARRIVED到达目标点容差范围内停车执行送达动作如亮灯、语音然后返回IDLE。7. 集训中的典型问题与解决思路7.1 电机控制异常编码器计数方向与PID极性现象小车无法保持直线总是向一边偏或者给定正转指令却反转。排查检查电机驱动模块的输入逻辑是否正确IN1, IN2 与 PWM。单独测试编码器手动转动电机通过串口打印编码器计数值观察转动方向与计数增减方向是否一致。不一致则需要软件里取反或在初始化时交换A、B相接线。检查PID控制器的极性如果编码器反馈值增加意味着电机正转那么当目标速度大于实际速度时PID输出应增加从而让电机转得更快。这个逻辑必须正确。7.2 视觉定位跳变相机标定与Tag安装现象小车静止时解算出的位姿尤其是角度不停微小跳动或者在不同位置看到同一个Tag时解算出的距离值偏差大。解决重新进行精细的相机标定。标定板拍摄张数要足够15-20张且要覆盖整个画面、不同角度。检查AprilTag的打印质量必须清晰、无褶皱。Tag的边长测量要精确。在代码中对解算出的位姿进行低通滤波如移动平均平滑掉高频噪声。确保Tag安装平面与地面平行如果假设如此否则solvePnP使用的3D点模型就不准确。7.3 通信丢帧或乱码电源干扰与缓冲区溢出现象小车偶尔不受控或者上位机收不到下位机数据。解决加强电源滤波如前所述在电机电源入口处加大电容。检查地线确保树莓派、STM32、电机驱动模块的“地”是共地的且连接良好。优化串口缓冲区增大STM32和树莓派串口接收缓冲区的大小。确保解析程序能及时取走数据防止溢出。增加协议重发机制对于关键指令如急停上位机如果没有收到下位机的确认回复应在超时后重发。7.4 路径跟踪震荡控制参数与运动学模型现象小车在跟踪直线路径时左右摇摆像喝醉了一样。解决降低轨迹跟踪控制器的P参数增加D参数如果用了的话。检查用于跟踪控制的当前位姿是否更新过快或噪声太大。对定位结果进行滤波。重新审视小车的运动学模型。差速模型下小车的转弯半径与左右轮速差的关系并非完全线性在高速时尤为明显。可以引入更精确的模型或者通过实验数据拟合一个查找表来补偿。8. 总结与展望超越小车本身的能力提升回顾这六周的密集集训最终成功跑通的小车只是一个有形的成果。更宝贵的是那些无形的收获第一建立了完整的系统工程视角。从前期的需求分析、方案论证到中期的模块化开发、接口设计再到后期的集成调试、问题排查我们完整地走完了一个小型智能硬件产品的开发流程。这让我们深刻理解到任何一个环节的疏忽比如电源设计、一个接插件的松动都可能导致整个系统失效。第二掌握了快速学习与决策的能力。在有限时间内我们需要快速学习FreeRTOS、AprilTag、A*算法、PID控制等多个新知识。关键在于不是为了学而学而是带着明确的问题“如何实现多任务调度”“如何获得全局定位”去查找、筛选、实践并果断做出技术选型。第三锤炼了调试与解决问题的“手感”。嵌入式开发中很多问题无法单靠逻辑推理解决。我们学会了使用万用表、逻辑分析仪、串口调试助手等工具学会了通过“二分法”、“替换法”隔离问题学会了查看数据曲线而不是单纯看打印信息。这种调试能力是工程师的核心竞争力之一。这台“送药小车”当然还有很多可以优化的地方比如引入IMU惯性测量单元与编码器、视觉进行更鲁棒的融合定位实现基于摄像头的动态障碍物检测与跟踪设计更优雅的机械臂或传送机构进行药品取放甚至开发一个简单的手机App进行远程监控和任务下发。但最重要的是我们通过这个项目把书本上的理论、散落的知识点串联成了一个能跑、能看、能思考的实体。这种从零到一、亲手打造一个复杂系统的经历其价值远超项目本身。它给了我们面对任何未知技术挑战时那份“我能拆解它我能实现它”的底气。