1. 项目概述：当火车模型遇上开源硬件

玩火车模型的朋友，尤其是那些热衷于场景沙盘制作的，肯定都琢磨过一个问题：我这台按1:87比例缩小的HO级模型，在沙盘轨道上跑起来，它的“真实速度”应该是多少？看着它在弯道上呼啸而过，感觉挺快，但换算成真实世界的火车速度，可能也就时速二三十公里。这种“缩比速度”的测量，不仅仅是满足好奇心，更是评估模型动力性能、调整控制器参数、甚至模拟真实列车运行图的关键依据。传统方法要么靠目测估算，误差大；要么用昂贵的专业测速仪，不亲民。

最近我在折腾一个沙盘场景时，就遇到了这个需求。手头正好有一块行空板，这是一款集成了屏幕、Wi-Fi、多种传感器接口和强大Python环境的开源硬件。我琢磨着，能不能用它来搭建一个低成本、高精度的火车模型测速系统？结果不仅做成了，整个过程还意外地简单和有趣。今天就把这个从思路到代码，从硬件连接到数据处理的完整方案分享出来，无论你是模型爱好者还是硬件创客，都能跟着复现。

这个方案的核心，是利用行空板上的通用输入输出（GPIO）引脚，配合一个简单的红外对管传感器，在轨道特定位置形成一个“光栅”。当火车模型通过时，会阻断红外光束，产生一个电信号跳变。行空板捕捉这个跳变的时间点，结合已知的火车模型长度（缩比后的长度），就能精确计算出模型通过测速点的时间，进而得到速度。最关键的一步，是将这个“模型速度”按照比例尺，换算成它所代表的“真实火车速度”，也就是我们追求的“缩比速度”。

2. 核心思路与硬件选型解析

2.1 为什么选择“遮挡计时法”？

测量运动物体速度，物理上无非就是“测距计时”法。对于火车模型，在沙盘这个有限空间里，最实用的就是在固定距离上测量通过时间。我放弃了需要两个测量点的“区间测速”（对安装精度要求高），选择了更简单的“单点测速”，即测量模型自身长度通过一个点所需的时间。

其原理公式为：速度 = 模型长度 / 通过时间。这里的“模型长度”是已知的（例如一台HO比例的客车模型长约20厘米），我们只需要精确测量“通过时间”即可。这种方法对传感器安装要求低，只需要在轨道一侧固定一个测速点，非常适合沙盘环境。

2.2 传感器选型：红外对管 vs. 其他方案

确定了方法，接下来是选择用什么传感器来触发计时。常见的有以下几种：

1. 霍尔传感器+磁铁：需要在模型底部贴磁铁，会改变模型配重，且磁铁可能干扰某些带芯片的数码车头。
2. 接触式行程开关：需要机械接触，可能刮伤模型，且可靠性一般。
3. 视觉识别（摄像头）：方案最灵活，但需要处理图像，对行空板算力有要求，环境光影响大，实现复杂度高。
4. 红外对管：包含一个红外发射管和一个接收管。当模型通过其间遮挡光束时，接收管信号变化。这是我最推荐的方案。它非接触、无干扰、成本极低（一对模块通常不到5元）、响应速度快，且输出是简单的数字电平（有遮挡/无遮挡），非常容易与行空板的GPIO接口。

注意：选择红外对管时，最好选择“调制型”的。普通红外对管容易受到环境光（特别是日光灯）的干扰，可能产生误触发。调制型的发射管以特定频率闪烁，接收管只解调该频率的信号，抗干扰能力极强。如果手头只有普通的，可以尝试在软件上做防抖处理，但稳定性会差一些。

2.3 为什么是行空板？

市面上能跑Python的单板计算机很多，比如树莓派。但我选择行空板，是因为它在这个项目上具有“开箱即用”的独特优势：

• 集成度高：自带一块触摸屏，可以直接显示实时速度、历史记录，无需外接显示器。自带Wi-Fi，可以方便地将数据发送到电脑或手机进行进一步分析。
• 接口友好：GPIO引脚以PH2.0接口引出，直接用杜邦线连接传感器，无需焊接或扩展板。
• 编程环境简单：预装了基于Jupyter的Python环境，支持图形化和代码两种编程方式，对初学者极其友好。测量、计算、显示、数据记录的代码可以在一个环境中轻松完成。
• 供电方便：一根Type-C线即可供电并编程，非常适合在沙盘边移动使用。

3. 硬件搭建与电路连接

3.1 所需材料清单

• 行空板x1
• 调制型红外对管模块x1（通常有3根或4根线：VCC， GND， OUT/D0）
• PH2.0转杜邦线母头线x1（用于连接行空板GPIO）
• 杜邦线（公对公）若干
• 模型火车及轨道x1
• 固定支架（如乐高积木、胶水、蓝丁胶）x1
• USB Type-C 数据线x1

3.2 电路连接详解

红外对管模块通常有三根线：

• VCC（红色）：接电源正极。行空板的GPIO引脚中，有专门标注“3V3”的引脚，提供3.3V电压，就接这里。
• GND（黑色或棕色）：接电源负极。接行空板上任意一个“GND”引脚。
• OUT/D0（黄色或绿色）：数字信号输出线。这是我们用来检测遮挡的关键线。它需要连接到行空板的一个数字输入引脚上。我选择的是行空板上标注为“P21”的引脚（你也可以选其他如P22, P23等）。

连接步骤：

1. 将PH2.0转杜邦线插入行空板的“P21”、“3V3”和“GND”引脚。
2. 用杜邦线将红外模块的OUT线（黄）与行空板的P21线连接。
3. 用杜邦线将红外模块的VCC线（红）与行空板的3V3线连接。
4. 用杜邦线将红外模块的GND线（黑）与行空板的GND线连接。
5. 检查连接无误后，用Type-C线为行空板上电。

3.3 传感器安装与校准

这是影响测量精度的物理关键。

1. 定位：选择一段平直轨道。将红外对管的发射头和接收头分别固定在轨道两侧，确保它们在同一水平线上，并且光束中心大致对准轨道中心。
2. 高度：调整传感器高度，使其光束恰好能被火车模型的车体遮挡，而不会被底盘、轮子或轨道本身干扰。对于大多数模型，光束中心距离轨面5-10毫米比较合适。
3. 固定：使用蓝丁胶、热熔胶或小夹子将传感器牢牢固定。确保火车模型高速通过时不会碰倒传感器。
4. 测试：在软件编写前，可以先用手在光束前晃动，观察红外模块上的信号指示灯（如果有的话）是否灵敏亮灭。同时，可以用行空板简单的读取一下P21引脚的电平，确认遮挡时电平变化正常（通常是遮挡时从高电平变为低电平，即“下降沿”）。

4. 软件程序设计：从信号捕捉到速度计算

程序的核心逻辑是“边沿检测+高精度计时”。我们将使用行空板Python库中的pinpong库（用于GPIO控制）和time库（用于高精度计时）。

4.1 初始化与引脚配置

# 导入必要的库 from pinpong.board import Board, Pin import time # 初始化行空板 Board().begin() # 初始化红外传感器引脚 (P21) 为输入模式，并启用内部上拉电阻 # 启用上拉后，默认引脚为高电平(1)，当红外光被遮挡，模块输出低电平(0) ir_sensor = Pin(Pin.P21, Pin.IN, pull=Pin.PULL_UP) # 状态变量初始化 model_length_cm = 22.0 # 示例：你的火车模型长度，单位厘米。务必准确测量！ scale = 87.0 # 示例：HO比例是1:87 is_blocked = False # 当前遮挡状态 last_event_time = 0 # 上次事件时间戳 current_speed_kph = 0.0 # 计算出的缩比速度（公里/小时）

实操心得：Pin.PULL_UP（内部上拉）非常关键。它确保了在传感器未连接或失效时，引脚有一个确定的高电平，避免因引脚悬空产生随机抖动信号，导致误触发。这是硬件防干扰的软件辅助手段。

4.2 核心测速逻辑：状态机与时间差计算

我们不能简单地检测到低电平就开始计时，因为传感器信号可能在遮挡期间有微小抖动。一个健壮的方法是使用“状态机”，只在状态发生改变（从无遮挡到有遮挡，即下降沿）时记录时间点。

def calculate_speed(length_cm, time_interval_s, scale): """ 计算缩比速度 :param length_cm: 模型实际长度 (厘米) :param time_interval_s: 模型通过时间 (秒) :param scale: 比例尺 (如87) :return: 缩比速度 (公里/小时) """ if time_interval_s <= 0: return 0.0 # 1. 计算模型速度 (厘米/秒) model_speed_cm_per_s = length_cm / time_interval_s # 2. 换算为真实世界速度：模型速度 * 比例尺 real_speed_cm_per_s = model_speed_cm_per_s * scale # 3. 单位转换：厘米/秒 -> 公里/小时 # 厘米 -> 公里：除以 100,000 (1000*100) # 秒 -> 小时：乘以 3600 real_speed_kph = real_speed_cm_per_s * 3600 / 100000 return real_speed_kph # 主循环 while True: current_state = ir_sensor.read_digital() # 读取当前引脚电平，0=遮挡，1=未遮挡 if current_state == 0 and not is_blocked: # 状态：从未遮挡 -> 遮挡 (检测到下降沿，车头开始进入光束) is_blocked = True start_time = time.time() # 记录开始遮挡的时刻（车头进入） # 注意：这里不是最终计时开始，我们等车尾进入再开始算“车身通过” elif current_state == 1 and is_blocked: # 状态：从遮挡 -> 未遮挡 (检测到上升沿，车尾离开光束) is_blocked = False end_time = time.time() # 记录结束遮挡的时刻（车尾离开） # 计算整个车身通过光束的时间 passing_time = end_time - start_time # 调用函数计算缩比速度 current_speed_kph = calculate_speed(model_length_cm, passing_time, scale) # 这里可以打印、显示或发送速度数据 print(f"通过时间: {passing_time:.3f} 秒， 缩比速度: {current_speed_kph:.1f} km/h") # 加入短暂延时，避免循环过快消耗CPU。5-10ms是合理的。 time.sleep(0.01)

4.3 数据显示与交互界面

行空板自带屏幕，我们可以用unihiker库来创建一个简单的GUI，实时显示速度。

# 在开头导入unihiker库 from unihiker import GUI import tkinter as tk # unihiker基于tkinter # 初始化GUI gui = GUI() # 创建显示速度的标签，使用大字体 speed_label = gui.draw_text(x=120, y=100, text="0.0", font_size=80, color="blue") unit_label = gui.draw_text(x=220, y=140, text="km/h", font_size=30, color="black") title_label = gui.draw_text(x=100, y=30, text="火车模型缩比测速仪", font_size=20, color="green") # 在主循环中，更新显示部分 while True: # ... (上述状态机检测代码) ... elif current_state == 1 and is_blocked: # ... (计算速度的代码) ... # 更新屏幕显示 speed_label.config(text=f"{current_speed_kph:.1f}") # 为了界面响应，更新后可以调用 gui.update() gui.update() time.sleep(0.01)

4.4 数据记录与导出

为了分析模型在不同电压下的性能，记录每次通过的速度和时间很有用。我们可以将数据写入CSV文件。

import csv from datetime import datetime # 在程序开始时，创建或打开一个CSV文件 filename = f"train_speed_log_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv" with open(filename, 'w', newline='') as csvfile: writer = csv.writer(csvfile) writer.writerow(['Timestamp', 'Passing_Time(s)', 'Scale_Speed(km/h)']) # 写入表头 # 在主循环的测速成功后，添加记录逻辑 elif current_state == 1 and is_blocked: # ... (计算速度的代码) ... current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S.%f')[:-3] with open(filename, 'a', newline='') as csvfile: writer = csv.writer(csvfile) writer.writerow([current_time, f"{passing_time:.3f}", f"{current_speed_kph:.1f}"]) print(f"[{current_time}] 记录: {passing_time:.3f}s, {current_speed_kph:.1f}km/h")

5. 精度提升与高级功能拓展

基础版本已经可以工作，但要获得更可靠、更专业的数据，还需要考虑以下几点。

5.1 软件防抖与滤波处理

红外传感器可能因灰尘、振动或电气噪声产生毛刺信号，导致误测出极短的通过时间，从而计算出荒谬的高速。我们需要在软件中加入防抖。

DEBOUNCE_TIME = 0.02 # 防抖时间20毫秒，短于这个时间的状态变化将被忽略 # 修改状态机逻辑，加入时间判断 while True: current_state = ir_sensor.read_digital() current_time = time.time() if current_state == 0 and not is_blocked: # 检测到潜在下降沿，但需要确认信号稳定低电平超过防抖时间 if (current_time - last_event_time) > DEBOUNCE_TIME: # 短暂延时后再次检测，确认仍是低电平 time.sleep(DEBOUNCE_TIME) if ir_sensor.read_digital() == 0: is_blocked = True start_time = current_time # 使用当前时间作为开始时间 last_event_time = current_time # ... 上升沿检测也做类似防抖处理 ...

5.2 多组测量与平均算法

单次测量可能受轨道接缝、轮子打滑等偶然因素影响。更科学的做法是连续测量多次，取平均值或中位数。

speed_readings = [] # 用于存储最近N次测量结果 MAX_READINGS = 5 # 在计算得到 current_speed_kph 后 speed_readings.append(current_speed_kph) if len(speed_readings) > MAX_READINGS: speed_readings.pop(0) # 移除最旧的数据 # 计算平均速度 if speed_readings: avg_speed = sum(speed_readings) / len(speed_readings) # 或者计算中位数，对异常值更鲁棒 sorted_readings = sorted(speed_readings) median_speed = sorted_readings[len(sorted_readings) // 2] # 在屏幕上可以同时显示本次速度和平均速度 gui.draw_text(x=50, y=180, text=f"Avg: {avg_speed:.1f} km/h", font_size=20, color="red")

5.3 无线数据传输与远程监控

行空板的Wi-Fi功能可以让数据飞起来。我们可以搭建一个简单的HTTP服务器，在局域网内的电脑或手机浏览器上实时查看速度图表。

import network import socket import json # 连接Wi-Fi (需要修改为你的网络信息) def connect_wifi(ssid, password): wlan = network.WLAN(network.STA_IF) wlan.active(True) if not wlan.isconnected(): print('connecting to network...') wlan.connect(ssid, password) while not wlan.isconnected(): pass print('network config:', wlan.ifconfig()) return wlan.ifconfig()[0] # 返回IP地址 ip_address = connect_wifi("你的Wi-Fi名", "你的密码") # 创建一个简单的HTTP服务器线程（这里为简化，展示核心思路） # 实际应用中，可以使用microdot等轻量级框架 # 在主循环中，将 current_speed_kph 存入一个全局变量或队列 # HTTP服务器线程读取这个变量，并生成一个包含实时速度的JSON或HTML页面 # 这样，在浏览器访问 http://[行空板IP]:8080 就能看到数据

6. 校准、测试与常见问题排查

系统搭建好后，必须进行校准和测试，确保数据可信。

6.1 系统校准流程

1. 测量真实模型长度：用游标卡尺精确测量你要测速的火车模型的总长度（车钩到车钩）。这是所有计算的基础，误差会直接放大87倍（对于HO比例）。务必精确到毫米。
2. 验证传感器触发：手动缓慢推动模型通过光束，观察行空板打印的日志或屏幕显示，确认模型车头进入、车身完全遮挡、车尾离开这三个时刻，传感器状态变化是否准确、无抖动。
3. 静态时间校准：这不是校准时钟，而是测试系统延迟。用一个已知宽度的卡片（如5厘米宽）以恒定慢速（用手匀速推动）通过光束。记录系统测出的通过时间。根据速度 = 卡片宽度 / 时间计算出的速度，应该与你手动推动的估计速度大致吻合。如果偏差很大，检查传感器安装高度是否导致卡片未完全遮挡光束。
4. 比例尺验证：找一个速度相对恒定的模型车头，在控制器上设定一个固定档位（例如50%油门）。用本系统和另一种方法（如用手机慢动作视频拍摄，通过帧数计算）同时测量多次，对比结果。两者应在一个合理的误差范围内（例如±5%）。

6.2 常见问题与解决方案速查表

6.3 性能优化与扩展思路

• 更高精度计时：time.time()在标准Python中精度约1毫秒。对于极高速的N比例模型（长度更短），可能需要微秒级精度。可以尝试使用time.perf_counter()或time.perf_counter_ns()函数。
• 多车道测速：使用多个红外对管，连接到行空板的不同GPIO引脚，可以同时监测沙盘上多条轨道的车流。
• 速度曲线绘制：结合行空板的屏幕或通过网络将数据发送到电脑，可以绘制出模型在加速、匀速、减速阶段的速度-时间曲线，用于分析电机性能。
• 与控制器联动：将测得的实时速度作为反馈信号，输入到模型火车控制器（如DCC系统）中，理论上可以实现闭环速度控制，让模型以恒定的缩比速度运行，这将是迈向高度仿真的关键一步。

这个项目最让我满意的地方，在于它用极低的成本（核心传感器不到一杯咖啡的钱）和一块功能丰富的开源硬件，解决了一个模型玩耍中实实在在的痛点。从看到问题、拆解需求、选型搭建、到编码调试，整个过程就是一个完整的创客项目闭环。当你第一次看到屏幕上显示出自己火车模型对应的“真实”时速时，那种将虚拟比例与现实数据连接起来的成就感，远超单纯地看着模型跑圈。希望这个详细的分享能帮你打造出自己的测速仪，让火车模型的奔跑，不仅有形，更有数。