AAMC 2026决赛夜大屏幕上成绩单定格在2.713秒NeuroMouse V2.0拿下了第三名。说实话第一次看到这个成绩时我比听到名次还兴奋——这台基于ESP32-S3的微型鼠终于跑出了我想要的样子不是单纯地快而是知道该在什么地方快、什么地方稳。回头复盘整个项目最大的转折点就是把主控换成了ESP32-S3并且在系统里真正落地了一个小型神经网络。这篇文章给正在做Micromouse、嵌入式小车、或者想在资源受限设备上跑神经网络的同学们。我会把NeuroMouse V2.0从硬件选型、算法设计到赛场实战的完整过程摊开来讲包括一些文档里永远查不到的调参教训。哪怕你完全没接触过微型鼠也应该能从里面收获一些嵌入式系统设计的思路。1. 为什么做NeuroMouse V2.0从能跑完到能跑快1.1 微型鼠比赛到底考的是什么先把规则讲清楚。标准的Micromouse迷宫是16乘16的网格每个格子边长180毫米墙高约50毫米。机器人放在角落的起点格任务是先自主探索整个迷宫、找到中心目标然后再从起点以最短时间冲刺到中心。听起来很简单但比赛里比的其实是一个极其苛刻的闭环定位、决策、控制每个环节都要在几十毫秒内完成。最难的地方在于不确定性。电机转速会随电池电压跌落而变化轮子可能在高速过弯时轻微打滑红外传感器会受现场灯光影响甚至场馆空调的气流都可能让光流传感器产生微小漂移。所有这些噪声叠加在一个300克左右、掌心大小的小车上这就是微型鼠项目的核心魅力——把所有变量都逼到极限。从我个人的经验看新手做微型鼠最容易犯的错误是只盯着直道最高速度。实际上真正决定成绩的是转向段。迷宫冲刺动辄四五个弯每个弯道在高速下多犹豫10毫秒整圈就是几十毫秒的差距。AAMC这种级别的比赛第二名和第三名经常只差0.02秒胜负就在几个弯的决策质量上。1.2 V1.0留下的三笔旧账NeuroMouse V1.0是我上一代的方案主控用的STM32F407传感器是传统红外加编码器加IMU的组合算法也是经典的洪水填充加直线转弯。那台车在区域赛里能稳定进决赛但基本冲不进前三原因我可以非常明确地归结为三点。第一算力不够做在线标定。V1.0的传感器校准数据都是出厂前写死的到了不同场馆、不同灯光条件下红外和IMU的误差就会变大我只能手动调参数非常痛苦。第二转弯策略是“减速-转向-再加速”这是很多入门级微型鼠的通病。V1.0过弯时速度会掉到直道的40%以下时间全耗在恢复速度上了。第三探索路径规划太保守。V1.0只会按固定顺序扫迷宫很多墙在第一次探索时判断不清还得额外跑一整圈确认白白浪费宝贵时间。所以V2.0立项的时候我给自己定了三条量化指标整圈冲刺平均速度比V1.0提升30%以上连续弯道不再降速用弧线轨迹切过去探索阶段的决策要聪明到能动态选择最有信息价值的格子去确认。1.3 为什么这次选ESP32-S3先从结论说起V2.0选择ESP32-S3不是因为它性能最强而是因为它是现阶段“算力、生态、功耗、体积”平衡得最好的选择。ESP32-S3是双核Xtensa LX7处理器主频最高240MHz带单精度FPU更关键的是它内置了向量指令集配合乐鑫的ESP-NN库可以跑int8量化的卷积神经网络推理。这就解决了V1.0最让我头疼的问题在线跑一个小型神经网络。我不需要去外挂一个树莓派或者K210模块所有视觉感知、地图维护、运动控制都在一块芯片上解决。双核的天然优势是能做一个非常清晰的实时分工核心0跑1kHz的运动控制中断核心1跑感知和规划任务两边用队列通信互不抢占。另一个很实际的好处是Wi-Fi和USB。调试微型鼠最烦的就是反复插拔下载线有了无线调试我在场地边上直接改参数、看日志效率提升不是一点半点。当然比赛开始前我会把Wi-Fi彻底关掉这个后面再细说。2. 硬件平台ESP32-S3不是大材小用2.1 主控选型对比为什么不是H750或RP2040做硬件选型时我认真比较过几颗主流芯片包括STM32H750、树莓派RP2040和眼前的ESP32-S3。STM32H750主频高、外设丰富但对我这个应用来说没有硬件向量加速指令跑同样的CNN推理会比ESP32-S3慢不少。RP2040双核不错但外设太精简驱动电机和摄像头都要大量IO口整体搭建时间会长很多。最终选择ESP32-S3还有一个容易被忽略的点内置的向量指令和ESP-NN库让神经网络部署变得几乎开箱即用。我把一张64乘64的灰度图丢进去int8量化的两层卷积网络推理一次只需要4.6毫秒左右这个速度完全能塞进30fps的感知循环里。对比V1.0在F407上跑个浮点网络动辄三四十毫秒这个差距非常直观。不过ESP32-S3也有它的缺点最明显的是没有双精度浮点好在微型鼠的算法几乎不需要双精度。另外如果你习惯用Arduino框架它的Wi-Fi回调函数和定时器会有隐性抢占我后来把所有实时任务全部搬到ESP-IDF框架下重写中断抖动才稳定下来。2.2 传感器组合从“摸墙”到“看路”V2.0的感知方案是“三路近距红外IMU光电编码器光流视觉”的混合架构。听起来很多但每类传感器都有明确的职责不是堆料。墙距检测用了三路红外收发管位置分别在前、左、右负责判断当前格子周围的墙是否存在。近距红外很容易受环境光干扰所以我用了分时驱动方案三路LED轮流点亮测量每次点亮10毫秒后采集ADC再做5点中值滤波。这个方案在比赛现场救了我一命后面会讲具体事故。IMU挑了ICM-42688-P相比常见的MPU6050噪声密度低不少。它负责提供高速运动时的角速度积分这是转向控制的核心反馈。编码器装在两个驱动电机上负责左右轮的行程测量另外我在车体中心装了一颗PMW3901光流传感器它直接输出地板的相对位移能弥补编码器在打滑时产生的误差。视觉部分用的是OV2640摄像头工作在灰度模式只取中心240乘240像素区域做预处理然后缩放到64乘64送入神经网络。视觉不参与墙的物理判定因为摄像头在逆光和阴影下的可靠性不如红外它主要负责判断当前处于什么类型的交叉口——直道、T字、十字还是终点区为路径规划提供一个高置信度的语义信号。2.3 电机驱动与电源管理的几个关键决定动力系统上我选择了空心杯电机加行星减速箱的方案。具体减速比是根据目标速度反推的我希望直道最高速度到1.8米每秒左右轮子直径约22毫米这样轮子转速大约需要1560转每分。结合电机空载最高转速最终选了一个约4.5比1的减速箱。编码器用的是512线的微型磁编码器分辨率足够支撑高速下的速度环。驱动芯片最终选了MP6513而不是更常见的TB6612FNG。原因很实际MP6513的导通电阻更低堵转或大电流时的压降更小。在2S锂电池供电的低压系统里驱动芯片上的每一毫欧导通电阻都会直接吃掉电机端电压影响高速段的速度极限。电源部分是最容易翻车的地方。我用2S锂电供电5V供给摄像头和逻辑电路3.3V供给传感器。关键经验是驱动芯片旁边必须放足够大的储能电容我贴了两颗100微法陶瓷电容加一颗220微法钽电容否则电机堵转瞬间的电流尖峰会把系统电压拉到复位阈值以下小车直接重启。3. 软件架构与算法细节3.1 探索阶段洪水填充的三处改良迷宫搜索算法的基座是经典的洪水填充算法原理就是从目标格向外反向扩散距离值机器人每次都走向距离值最小的相邻格。撞到新墙后重新计算一遍距离图如此反复直到打通到中心的路径。这个方法足够可靠但原始版本不够快。V2.0做了三处针对性改良。第一把转向代价写进距离值直行消耗1.0左转或右转消耗1.5掉头消耗2.0。这样规划出来的路径天然偏爱直道因为频繁转弯在物理上花费的时间远大于单纯的路程长度。第二引入“信息增益优先”策略我不再按固定顺序扫图而是维护一个“可疑墙”列表每次都跑到那个一旦确认墙的有无、对整条最短路径影响最大的格子上方。第三探索完成后增加一个确认圈只去复查那些传感器置信度低的关键墙避免冲刺时被假墙误导。下面这一段是探索主循环的伪代码方便理解整体逻辑while (targetNotReached) { updateWallMap(infrared, vision); if (wallMapChanged) { rebuildDistanceMap(goalCell, turnPenalty); } CandidateCell next selectBestNextCell(distanceMap, informationGain); followTrajectory(next, speedProfile); } duringConfirmationRun: for suspiciousCell in suspiciousWalls: revisit(suspiciousCell, dualCheck);3.2 神经网络在这里到底做了什么很多朋友一听NeuroMouse第一反应是端到端强化学习或者纯视觉导航。我的态度很明确在这种高实时、高风险的赛场上端到端黑盒策略的泛化风险太大了一次错误决策就是撞墙。所以神经网络只负责一个范围极小、输出极明确的任务交叉口分类。网络输入是64乘64的灰度图经过两层3乘3卷积加ReLU、一层最大池化再接一个全连接层Softmax输出五个类别直道、左T、右T、T字、十字或终点。整个模型参数量不到5Kint8量化后占用极小的闪存空间。训练数据来自两方面自己写脚本在随机生成的迷宫渲染图上仿真再叠加真机采集的现场样本。数据增强做了亮度抖动、透视变换和高斯噪声目的是让网络对场馆灯光变化不那么敏感。部署流程是PyTorch训练、导出ONNX、再量化成int8最后通过ESP-DL的推理接口加载。实测单帧推理4.6毫秒加上预处理总共不到7毫秒完全能满足30fps的感知循环。真机测试准确率98.7%误判样本基本集中在反光地板和阴影边缘。为了安全我加了一条硬规则置信度低于0.9时剥夺视觉的决策权系统自动降级成纯红外加几何逻辑的传统模式。这个退化路径后来在比赛里发挥了重要作用。3.3 运动控制用弧线替代“停转走”V1.0的转弯是状态机式的“减速到零、原地转、再加速”慢且机械。V2.0改成了连续轨迹规划转向不再是一个独立状态而是速度曲线的一部分。我在笛卡尔空间直接规划x、y和航向角底盘控制层只负责跟踪这条轨迹。速度规划的核心是向心加速度约束。最大过弯速度由公式V_max等于根号下“路面摩擦系数乘重力加速度乘转弯半径”来估算。实测轮胎和比赛地板的摩擦系数大概0.65那么半径0.3米弯道允许的最高速度只有1.38米每秒半径0.5米时可以提高到1.78米每秒。这些数值直接写进了轨迹生成器每个弯道都会自动计算允许速度上限而不是拍脑袋定一个转弯速度。控制环采用级联PID结构内环是1kHz的电机速度环外环是500Hz的航向角度环。角度反馈来自IMU的陀螺仪积分同时用编码器和光流融合出来的位置误差做修正。还有一个小技巧在距离交叉口0.12秒时提前预判转向方向把转向动作以曲率前馈的方式提前叠加到速度曲线上。这样真正经过交叉口时车已经在弧线上运动而不是到达了才开始反应。4. 实操过程与调参手记4.1 机械装配里最容易忽视的细节机械上踩过的坑不比软件少。底盘用了激光切割的碳纤维板加3D打印的传感器支架目标是把整车重量压在300克以内。重心尽量低电池平贴在底盘下这样高速过弯时不容易向一侧倾斜。轮距控制在90毫米左右保证在180毫米宽的迷宫里能有足够小的转弯半径。红外探头的安装高度是个需要反复试的经验值。装太低会照到地面缝隙或贴纸边沿装太高又可能照到墙壁顶部的探出部分。我最后把探头中心定在离地12毫米处又做了可微调支架用两颗螺丝锁紧这样到了比赛现场还能快速调整。还有两个印象深刻的教训。第一轮胎一定要用千分尺逐个测量外径左右轮直径差超过0.05毫米就会在长直道上表现为肉眼可见的偏航我一开始没筛选害得我查了一整天的PID参数。第二第一次给电机驱动板上电时因为GPIO默认电平不确定直接烧了一片驱动芯片。从那以后我养成了习惯先断掉电机电源、确认程序里PWM输出为0再接电机排线。4.2 双核任务的切分与实时性保障ESP32-S3的双核架构需要认真规划不规划等于没有双核。我的分配方案如下核心0只跑1kHz的运动控制中断包含IMU读取、编码器计数、PID计算、PWM更新所有操作都写成轻量的固定循环不做任何动态内存分配。核心1跑感知与规划循环负责摄像头帧读取、神经网络推理、地图更新、路径规划和速度曲线生成。核心间通过FreeRTOS队列传递“目标速度”和“当前位姿”地图结构用临界区保护。这里有一个很重要的经验不要把Wi-Fi协议栈和实时控制放在同一个核心上Wi-Fi回调会打断控制时序。我最后用ESP-IDF重写了任务管理用逻辑分析仪抓取定时器引脚实测控制中断的周期抖动在±6微秒左右这个精度对微型鼠来说足够稳定。如果你也打算用ESP32-S3做类似项目我的建议是尽早切到ESP-IDF框架虽然初期学习成本高一些但实时性把控完全不一样。4.3 传感器标定的量化流程标定这件事听起来简单做起来极其繁琐但每一分钟都值得。红外墙距传感器的标定方法是把车放在迷宫里人工推着走每到一定距离停下记录ADC值和真实间隙值标定点取2厘米、4厘米、6厘米、8厘米、10厘米五档然后用二次曲线拟合。要注意红外传感器在不同距离区间灵敏度差异很大只做线性拟合的话误差会很大。我每次换场地都会重新标定一遍避免环境光改变基线。IMU零偏是另一个重点。上电后静止采集2000个样本取平均作为静态零偏。但陀螺仪有温漂比赛场馆开了强力空调温度比调试室低好几度所以我到了现场先让设备热机二十分钟再做一次零偏采集绝不拿着上一次的数据直接用。编码器和光流的融合系数我用“已知距离推车法”标定在地面铺一张打印了10毫米网格的纸推着小车直线走1米对比光流累计位移和实际位移的误差反复调整比例系数再左右转几圈验证方向一致性。轮径系数则通过1米直线测试反推要求误差小于0.5毫米。5. AAMC 2026赛前冲刺与现场复盘5.1 赛前一周我做了什么距离比赛还有一周时我开始执行固定的测试矩阵。首先是仿真层我写了个Python脚本随机生成一百个迷宫批量跑V2.0算法统计探索成功率、平均探索步数和理论冲刺时间确保算法层面没有死角和极端情况。然后是真机层每天让小车跑80圈全程记录日志晚上统一分析每圈里出现的撞墙、打滑、传感器误判事件。这里我想特别推荐“速度阶梯”测试法从1.0米每秒起步每跑十圈加速0.1米每秒找到小车还能稳定完成全场的临界速度比赛时把冲刺目标速度设定在这个临界值的95%。这个安全系数非常关键比赛现场的不确定性远高于调试室留出的那5%余量很可能就是名次的分水岭。电池策略同样不能马虎。我准备六组电池轮换充电每圈都记录起始电压尽量保证每轮试跑时电池状态一致。你可能觉得这是小题大做但微型鼠的速度极限和电压高度相关电压差0.3伏就可能导致高速段PID输出饱和。5.2 比赛当天三个没想到的意外意外永远发生在现场。第一个问题是场馆灯光频闪。下午侧窗直射光让红外传感器开始间歇性误判我果断把三路红外改成前面说的分时驱动加中值滤波实时性牺牲了12毫秒但误判率大幅下降这步改动让整场后面的比赛都稳定了很多。第二个问题是电池过放导致的“撞墙事故”。第二轮试跑前设备在待机状态停了大半个钟头我以为拔了电机电源就没事结果逻辑电路还在用电缓慢耗电。一上场冲刺段电压跌到7.2伏以下高速段PID饱和小车直直撞上了墙。当场教训比赛前一定要把低压保护阈值写进程序低于7.2伏拒绝冲刺并发出蜂鸣提示。第三个意外是我主动选择关闭Wi-Fi后隔壁赛队的一些无线设备还是让光流传感器出现了偶发抖动。我没有现场去排查干扰源而是直接切到“无光流也能跑”的基础模式视觉和光流全部停用只用红外、编码器和IMU完成比赛。这是V2.0架构里最让我满意的一步所有智能模块都可以被安全剥离系统永远不会因为某个感知部件失效而无法完赛。5.3 决赛成绩与那0.021秒决赛最终成绩是这样项目用时或名次探索圈8.42秒确认圈3.16秒冲刺圈2.713秒最终名次第3名冲刺成绩和冠军差了大约0.05秒、和亚军差了0.021秒。回看慢动作录像差距出现在最后一段连续S弯的第二个入弯点。那个交叉口正好有反光视觉分类器置信度只有0.82系统按规则剥夺了视觉决策权走了保守路线多绕了小半圈。如果当时把置信度阈值从0.9改成0.7很可能抢回那20毫秒但代价是更高的撞墙风险。这个复盘让我很清楚地看到传感器之间的信任分配本身就是比赛的一部分。0.021秒的差距不是哪一步慢了而是风险管理决策的差异。6. 常见问题排查速查表6.1 高频故障诊断表以下几类问题我在这半年里反复遇到整理成速查表分享给同好症状可能原因解决办法长直道持续偏航左右轮径不一致用千分尺筛选轮胎误差控制在0.05毫米内高速冲刺撞墙电池电压跌落导致饱和设低压保护阈值低于7.2V禁止冲刺红外频繁误判环境光频闪或侧窗直射分时点亮加中值滤波重新标定基线摄像头掉帧供电不稳或GPIO冲突检查5V电源纹波独立LDO给摄像头上电瞬间复位电机堵转电流拉低电压驱动芯片旁加100uF陶瓷220uF钽电容转向过冲陀螺仪零偏未更新现场热机后重新采集零偏探索反复走回头路转向代价设置过低提高左/右转代价降低掉头代价神经网络推理卡顿任务优先级抢占用ESP-IDF重写把推理放到核1空闲任务6.2 我的比赛避坑清单再补充几条只有真跑过比赛才会总结出来的经验。第一比赛前把所有螺栓重新点一遍螺丝胶。微型鼠高速跑起来振动非常大我曾在一次测试中跑丢了传感器支架螺丝要不是及时发现整台车就废了。第二传感器的黑胶带遮光很有用但别把IMU区域也盖住IMU需要散热空间我在测试中发现遮死后陀螺仪温漂明显变大。第三训练数据里一定要混入现场的光照噪声。V2.0的视觉分类器第一次在调车室里准确率很高到了光线复杂的比赛场馆就露馅后来我专门跑了好几个场地采集阴影、反光、偏色样本准确率才稳定到比赛可用水平。第四把准备一块“表演电池”和一套“调试电池”分开。调试时用旧电池随便造比赛时用满电的新电池这样可以保证冲刺成绩每次都处于一致的最佳状态。做完NeuroMouse V2.0我越来越坚信一句话所谓Neuro不是把问题丢给神经网络而是让它在传统方法最容易被不确定性击穿的环节精准发力。端到端的控制虽然看起来很酷但真正到了赛场上最可靠的系统一定是能逐级退回安全模式的系统。下一步我做V3.0时想尝试用强化学习在线优化局部速度曲线但大概率还是会保留这套“高置信度才让智能接管”的框架。至少V2.0证明了一块ESP32-S3加一个小神经网络完全有机会在这种级别的比赛里争到名次。下次赛场见。