1. 项目概述与核心价值

看到“2021年电赛F题智能送药小车（国二）开源分享”这个标题，相信很多参加过电赛或者正在备赛的同学都会心头一热。这不仅仅是一个开源项目，更是一份凝结了无数个通宵调试、方案迭代和临场应变经验的“战地笔记”。2021年的F题，全称是“智能送药小车系统”，是当年本科组中极具代表性的控制类题目，它综合考察了机械结构设计、运动控制、视觉识别、通信调度和系统集成等多方面的能力。能拿到国二奖项，意味着这套方案在稳定性、完成度和创新性上都已经达到了相当高的水准。如今将整个项目开源，其价值远超代码本身，它为我们提供了一个绝佳的“解剖样本”，让我们能深入理解一个成功的电赛作品是如何从零到一构建，又是如何在紧张的比赛周期内应对各种突发状况的。

这个开源项目最核心的价值在于“真实性”和“完整性”。它不像某些经过精心修饰的教程，只展示最理想化的路径。相反，它很可能包含了当时为了赶进度而采用的“土办法”，为了提升稳定性而做的冗余设计，甚至是比赛现场发现的硬件BUG和软件补丁。对于后来者而言，这些“不完美”的细节恰恰是最宝贵的财富。你可以清晰地看到，在有限的四天三夜里，一支队伍是如何进行任务分解、技术选型、风险权衡和最终整合的。从主控芯片的选型到电机驱动电路的布线，从OpenMV识别药房的策略到与安卓上位机通信的协议设计，每一个环节都充满了实战的考量。学习这个项目，你学到的不是某个孤立的算法，而是一套完整的、经过国赛检验的工程化思维和问题解决方法论。

2. 核心需求与任务拆解

要复现或深入理解这个智能送药小车，第一步必须是彻底吃透赛题任务书。2021年F题的核心任务，是要求小车在模拟医院病房的场地上，自主完成从药房出发，到不同病房（由数字编号标识）送药，并最终返回药房的全流程。这个过程看似线性，实则暗藏玄机，需要我们将总任务拆解为多个可并行或串行开发的子模块。

2.1 任务场景与功能需求解析

赛题场地通常铺设黑色电工胶带作为引导线，构成包含十字、丁字、弯道和环岛等元素的复杂路径。病房位置以数字标签形式放置在路径旁。药房则是一个特定的区域，可能带有特殊的视觉标识（如二维码或特定图案）。小车的基本功能需求可以分解为以下几点：

1. 循迹导航：这是小车的“双腿”，必须稳定、快速、抗干扰地沿着黑线行驶，并能正确处理所有类型的路口。
2. 病房识别：这是小车的“眼睛”。需要准确识别路径旁的病房编号（通常是0-9的数字），并将编号与物理位置对应起来。
3. 任务调度与决策：这是小车的“大脑”。需要接收上位机（如安卓APP）下达的送药指令（例如：“送药到3号病房”），然后规划行驶路径（去程），执行送药动作（如通过机械臂或舵机抛投药品），并规划返回药房的路径。
4. 通信交互：小车需要与上位机稳定通信，接收指令并上报状态（如“已到达3号病房”、“开始送药”、“返回药房”等）。
5. 机械执行：设计一个可靠、简单的送药机构，如舵机控制的翻转托盘或推杆，能准确将模拟药品（可能是小木块或乒乓球）投入病房区域。

2.2 系统方案选型背后的逻辑

一个国二水平的方案，在技术选型上必然经过深思熟虑。以下是基于常见电赛实践和该题目特点的合理推演：

• 主控芯片（MCU）：STM32F4系列（如F407或F429）是极大概率的选择。原因在于：第一，性能足够。F4系列带有FPU（浮点运算单元），对于需要做图像处理（即便用了专门的视觉模块，主控也可能需要处理结果）或复杂控制算法（如PID调参）的场景非常友好。第二，资源丰富。具有足够的定时器（用于产生PWM控制电机和舵机）、串口（用于与视觉模块、蓝牙/WIFI模块通信）、IO口等。第三，生态成熟。资料多，库函数完善，遇到问题容易找到解决方案，这在分秒必争的电赛中至关重要。
• 视觉方案：OpenMV是当时的最优解，甚至可能是“标配”。OpenMV是一款集成了MicroPython解释器和摄像头的开源机器视觉模块。它的优势在于“开箱即用”：内置了颜色识别、模板匹配、二维码识别、AprilTag识别等丰富的视觉算法库。对于识别固定的数字模板或特定的药房标识，使用OpenMV的find_template或find_apriltags函数可以极大降低开发难度，将团队从复杂的底层图像算法中解放出来，专注于应用逻辑。它通过串口与主控STM32通信，发送识别结果。
• 循迹方案：多路红外对管（灰度传感器）是主流且可靠的选择。相比于摄像头循迹，红外对管方案更简单、响应更快、受环境光影响相对较小。通常会在小车前部布置5-7个红外对管，呈一字排开。中间的对管用于精确循迹，两侧的对管用于检测路口（当两侧传感器同时检测到黑线，即为十字或丁字路口）。这种方案稳定可靠，调试直观。
• 通信方案：蓝牙（如HC-05/HC-08）或WIFI（如ESP8266）。题目要求与安卓上位机通信，这两种方案都很常见。蓝牙配对简单，功耗低，但传输距离短；WIFI传输距离远，可组网，但配置稍复杂。考虑到比赛场地通常不大，且需要稳定连接，使用经典蓝牙模块HC-05是很多队伍的选择。通信协议通常自定义一个简单的帧结构，例如：[帧头][指令类型][数据][校验和][帧尾]。
• 驱动与电源：电机驱动常用TB6612FNG或DRV8833这类双路H桥驱动芯片，它们比古老的L298N效率高、发热小。电源管理是重中之重，必须为单片机、传感器、舵机和驱动电机提供独立且稳定的电压，通常会用多个稳压模块（如LM2596、AMS1117）从总电池（如2S或3S锂电池）降压得到5V和3.3V。

注意：开源项目中具体用了哪些型号，需要查看其源码和文档。但以上选型代表了在当时技术条件下，平衡性能、难度、可靠性和开发速度后的最优解集合。

3. 硬件系统设计与核心细节

硬件是系统的骨架，设计不合理，软件再优秀也无法稳定运行。一个国二水平的硬件设计，必然在可靠性、可调试性和电磁兼容性（EMC）上下了功夫。

3.1 车体结构与传感器布局

车体通常采用现成的亚克力板或碳纤维板小车底盘，关键在于传感器和核心模块的布局。

• 红外循迹传感器阵列：安装在前轮轴心稍前方的位置，离地高度需仔细调节（通常1-2厘米），以确保对黑色胶带有良好的检测灵敏度，同时避免地面反光干扰。传感器排布间距要略小于引导线宽度，以确保在任何弯道上至少有一个传感器能检测到线。
• OpenMV摄像头：安装高度和角度需要经过严格标定。太高或太低都会影响识别距离和精度。通常需要向前下方倾斜，使其视野能覆盖前方约30-50cm的路面以及路旁的病房标签。一个关键技巧：在OpenMV镜头上方加一个遮光罩（用黑色电工胶带卷成筒状），可以极大减弱顶部灯光造成的眩光，显著提升图像质量，这是很多新手容易忽略的细节。
• 主控与驱动板：应集中布置在车体重心附近，降低重心提高稳定性。STM32核心板、电机驱动板、电源模块之间通过排针和杜邦线连接时，务必对电源线（VCC, GND）进行“加固”，比如并联焊接，或使用更粗的导线，避免因接触不良导致系统复位，这是比赛中最令人崩溃的故障之一。
• 送药机构：机构设计应遵循“简单可靠”原则。常见的有：
  • 舵机翻转托盘式：一个平放的托盘由舵机控制，到达病房时，舵机转动一定角度将药品倒出。优点是结构简单，缺点是药品落点不精确。
  • 推杆推出式：利用舵机或小型直线推杆，将药品从车厢侧面推出。落点相对可控。
  • 机械臂夹取式：复杂度高，除非有很强机械基础，否则在电赛紧张周期内风险极大。国二方案很可能采用前两种之一。

3.2 电路设计与电源管理

稳定的电源是“生命线”。许多赛场上的诡异问题（如单片机莫名复位、传感器数据跳动、电机突然无力）都源于电源干扰。

1. 分级供电与隔离：
   • 动力电源：直接使用电池（如7.4V锂电池）供给电机驱动模块。电机启停时会产生巨大的电流波动和反向电动势，必须与控制系统隔离。
   • 控制系统电源：通过一个独立的DC-DC降压模块（如LM2596），将电池电压降至5V。这个5V再供给舵机、OpenMV、蓝牙模块等外设。
   • 核心电源：再用一个LDO稳压芯片（如AMS1117-3.3）从5V降压到3.3V，专门给STM32单片机和一些3.3V的传感器供电。LDO相比DC-DC纹波更小，对单片机更友好。
2. 滤波与退耦：在每个芯片的电源引脚附近，紧贴芯片放置一个0.1uF的陶瓷电容（104）进行高频滤波，同时并联一个10uF的电解或钽电容进行低频储能。这能有效抑制芯片工作时产生的电源噪声。
3. 电机干扰抑制：在电机的两个引脚之间焊接一个0.1uF的瓷片电容，可以吸收电刷产生的火花干扰。在驱动芯片的电源输入处，也要加大容值的滤波电容。

实操心得：我们当时吃了大亏。最初将所有设备都接在同一路5V上，一旦舵机动作（瞬间电流可达1-2A），STM32的电压就会被拉低，导致串口数据乱码甚至重启。后来改为舵机单独一路5V供电（仍由同一个LM2596输出，但布线分开并加大输入输出电容），单片机和其他逻辑器件用另一路经过LC滤波的5V，问题彻底解决。这个小改动花了我们大半天调试时间，教训深刻。

4. 软件架构与核心算法实现

软件是系统的灵魂。一个好的软件架构能让调试事半功倍。对于智能送药小车，通常采用“前后台”或“多任务协作”的架构。

4.1 主程序流程与状态机设计

主控STM32的程序通常围绕一个超级循环（main loop）和定时器中断展开。更清晰的架构会引入状态机（State Machine）来管理小车的工作流程。

// 伪代码示例：小车主状态机 typedef enum { STATE_IDLE, // 空闲，等待上位机指令 STATE_RECEIVED_TASK, // 已接收任务 STATE_NAV_TO_ROOM, // 导航至目标病房 STATE_ARRIVED_ROOM, // 到达病房区域 STATE_DELIVERING, // 执行送药动作 STATE_NAV_TO_DEPOT, // 导航返回药房 STATE_ARRIVED_DEPOT, // 到达药房 STATE_ERROR // 错误状态 } CarState_t; CarState_t gCarState = STATE_IDLE; uint8_t gTargetRoomNum = 0; void Main_Loop(void) { switch(gCarState) { case STATE_IDLE: // 检查蓝牙串口是否有新指令 if (UART_ReceivedNewCommand()) { ParseCommand(&gTargetRoomNum); // 解析出目标病房号 gCarState = STATE_RECEIVED_TASK; } break; case STATE_RECEIVED_TASK: PlanPath(gTargetRoomNum); // 规划路径（可能简单到只是设定一个目标标志） gCarState = STATE_NAV_TO_ROOM; break; case STATE_NAV_TO_ROOM: // 在这个状态下，核心是循迹和路口处理 TraceLine_Handler(); // 循迹控制函数 Cross_Handler(); // 路口处理函数 // 当视觉识别到目标病房号，且满足停车条件（如到达特定地点）时 if (OpenMV_DetectTargetRoom(gTargetRoomNum) && ShouldStop()) { gCarState = STATE_ARRIVED_ROOM; } break; case STATE_ARRIVED_ROOM: StopCar(); gCarState = STATE_DELIVERING; break; case STATE_DELIVERING: ExecuteDelivery(); // 控制舵机完成送药动作 Delay_ms(500); // 等待动作完成 gCarState = STATE_NAV_TO_DEPOT; break; // ... 其他状态处理 case STATE_ERROR: StopCar(); // 通过蓝牙向上位机报警 UART_SendErrorMsg(); // 等待复位或远程指令 break; } }

状态机的优势在于逻辑清晰，易于调试。你可以通过一个全局变量就知道小车当前在干什么，出现问题时也能快速定位到哪个状态出了错。

4.2 循迹控制算法：PID的实战调参

循迹的核心是PID控制。红外对管阵列读回的数据，需要转化为一个“偏差量”。例如，采用5路传感器，从左到右编号为1-5。定义当只有中间第3路检测到黑线时，偏差为0；第2路检测到，偏差为-1；第1路检测到，偏差为-2；反之亦然。这样就将位置信息量化了。

// 偏差计算示例 int Calculate_Error(void) { int sensor_values[5]; // 0:白线，1:黑线 int error = 0; // 假设传感器状态为 [0, 1, 1, 0, 0] if (sensor_values[1] == 1) error = -1; else if (sensor_values[0] == 1) error = -2; else if (sensor_values[2] == 1) error = 0; // 中间 else if (sensor_values[3] == 1) error = 1; else if (sensor_values[4] == 1) error = 2; else { // 全部检测到白线或黑线，可能是脱线或路口，需特殊处理 error = 100; // 用一个特殊值表示 } return error; }

得到偏差error后，代入PID公式计算电机PWM输出增量：output = Kp * error + Ki * integral + Kd * (error - last_error)

PID调参是玄学也是科学：

• 比例P：决定了对当前偏差的反应速度。P太大，小车会在黑线两侧剧烈振荡，像喝醉了一样；P太小，反应迟钝，过弯时容易脱线。
• 积分I：用来消除静态误差。如果长期有一个固定的小偏差（比如小车结构轻微不对称，导致总是偏右），I项会累积这个偏差并修正。但I太强容易导致“积分饱和”，引起超调和震荡。
• 微分D：预测未来趋势，抑制振荡。当偏差快速减小时，D会产生一个反向力，防止小车冲过头。D能提升系统稳定性，但对噪声敏感，如果传感器数据有毛刺，D项会放大噪声。

调参实战口诀：“先P后I再D，从小到大慢慢试”。首先将I和D设为0，只调P，让小车能基本沿着线走，即使有振荡。然后慢慢增加D，你会发现振荡被有效抑制了，过弯更平滑。最后，如果小车在直道上存在固定的偏向，再引入一个很小的I值。关键技巧：将调参参数（Kp， Ki， Kd）通过蓝牙实时发送到上位机显示，并能在上位机上修改后下发给小车，实现“无线调参”，这能极大提升调试效率。

4.3 视觉识别与通信协议

OpenMV端的程序相对独立。它的主要任务是：

1. 初始化：设置摄像头分辨率、帧率，加载数字模板图片。
2. 循环捕捉图像：在main.py的循环中，持续抓取图像。
3. 图像处理与识别：

   # OpenMV IDE 示例代码片段 import sensor, image, time, pyb from pyb import UART uart = UART(3, 115200) # 初始化串口3，与STM32通信 # 加载模板图片 (需要在SD卡中提前存放0-9的数字模板图) templates = ["/0.pgm", "/1.pgm", ... , "/9.pgm"] while(True): img = sensor.snapshot() for i, template_path in enumerate(templates): template = image.Image(template_path) # 在img中查找template r = img.find_template(template, 0.7) # 0.7是相似度阈值 if r: # 找到了匹配的模板 print("Found: %d" % i) # 通过串口发送识别结果，例如发送字符 '0'~'9' uart.writechar(ord('0') + i) # 可以添加矩形框绘制等调试代码 img.draw_rectangle(r) break # 找到就跳出循环 time.sleep_ms(50) # 控制识别频率

4. 串口通信：将识别到的数字通过串口发送给STM32。协议要简单可靠，例如直接发送ASCII字符‘3’代表识别到3号病房。

STM32端通过中断或轮询方式接收串口数据，并设置一个缓冲区和一个简单的协议解析器。例如，约定OpenMV每次发送一个字节的有效数据。STM32收到后，将其与当前任务目标病房号比对，并判断是否到达了需要停车的“识别区域”（通常通过路程估算或特定路标判断）。

4.4 路口处理与路径决策

这是导航逻辑的难点。小车需要根据当前任务和识别到的路口类型，决定直行、左转、右转还是掉头。

• 路口类型判断：依靠红外传感器阵列。当中间传感器在线，且左边和/或右边传感器也检测到线时，即为路口。通过记录左右传感器触发顺序和持续时间，可以区分十字路口、左丁字口、右丁字口等。
• 决策逻辑：需要为小车“绘制”一张简单的地图。例如，假设场地是“日”字形路径，药房在左下角，病房分布在路径节点。可以为每个可能的路口编号，并预设小车在不同任务下，到达该路口时应执行的动作（转左、转右、直行）。
  • 方法一：状态记忆法。小车从起点开始，记录经过的每个路口及其转向动作。当需要返回时，按相反顺序执行反向动作。这种方法逻辑简单，但依赖于初始定位和精确的转角控制。
  • 方法二：绝对坐标法（更优）。为场地建立一个粗略的坐标系，每个路口和病房都有坐标。小车通过里程计（编码器）或视觉路标（如AprilTag）估算自身坐标。这样，无论小车在哪里，都能通过坐标计算前往目标点的方向。这对于2021年F题这种需要往返多次的任务，鲁棒性更强。

一个关键实现细节：在路口转向时，不能简单地让一边轮子正转另一边反转来实现“原地转向”，因为这样容易偏离引导线，且对轮胎磨损大。更好的做法是：让小车继续循迹直到前轮轴心越过路口中心，然后根据转向方向，让内侧轮子低速、外侧轮子高速，以一个弧线轨迹平滑过弯，过弯后继续进入循迹模式。这需要精细的电机差速控制。

5. 系统调试与问题排查实录

电赛作品的开发过程，80%的时间可能都在调试和解决问题。以下是基于经验总结的常见问题库和排查思路。

5.1 硬件层常见问题

5.2 软件与算法层常见问题

5.3 系统集成与稳定性提升

当各个模块单独测试都正常，但整合起来就出问题时，问题往往出在“交互”和“时序”上。

• 中断冲突：确保不同优先级的中断（如定时器中断用于PID计算，串口中断用于接收数据）不会互相长时间阻塞。在中断服务函数（ISR）中只做最必要的操作（如置标志、存数据），复杂的处理放到主循环中。
• 资源竞争：如果多个任务（如循迹控制、视觉数据处理、通信）都需要使用串口或全局变量，要做好互斥保护，防止数据被意外修改。
• 心跳与超时机制：为所有关键流程添加超时判断。例如，从发出转向指令开始，如果5秒内未完成转向并重新检测到引导线，则判定为转向失败，进入错误恢复流程（如后退一点再尝试），而不是傻等。
• 现场适应性调整：比赛现场的光照、地面摩擦系数、电池电量都与实验室不同。程序里要预留一些可通过上位机实时调整的参数，如PID参数、电机基础速度、视觉识别阈值等。到了现场，根据实际情况微调这些参数，往往能起到立竿见影的效果。

6. 从开源项目到个人备赛的进阶思考

拿到一个国二开源项目，直接照搬代码和硬件连接图，可能能让你的小车动起来，但距离你真正掌握并能在新赛题中灵活运用，还差得很远。我建议按以下步骤深度挖掘这个开源项目的价值：

第一步：复现与理解。按照开源项目的README，尽可能1:1地复现硬件和软件。在这个过程中，你会遇到各种预料之外的问题（库版本、编译器设置、硬件批次差异），解决这些问题的过程就是学习的过程。确保小车能完整跑通赛题基本要求。

第二步：分析与注释。不要满足于“它能跑”。逐行阅读核心代码，特别是状态机、PID控制、路口处理、通信解析这几个部分。为每一段复杂的代码加上你自己的注释，用自己的话解释“这里为什么要这么做”。尝试画出系统的软件架构图和数据流图。

第三步：修改与破坏。这是提升的关键。尝试修改一些参数或逻辑，观察小车行为的变化。

• 把PID参数调乱，看看小车会怎么跑。
• 修改路口转向的延时，看是转早了还是转晚了。
• 模拟一个传感器故障（拔掉一个红外对管），看你的程序能否容错？
• 尝试增加一个功能，比如让小车在送药完成后播放一段声音提示。

第四步：重构与创新。在完全理解原有方案的基础上，思考其局限性，并尝试用你认为更好的方式去改进。

• 原来的视觉识别用的是模板匹配，你是否可以尝试用特征点匹配或者简单的CNN分类（如果OpenMV支持）来提升抗光照和角度变化的鲁棒性？
• 原来的路径决策是硬编码的，你是否可以设计一个更通用的、基于地图坐标的导航算法？
• 原来的通信协议很简单，你是否可以设计一个带重传、确认机制的更可靠的协议？

通过这四步，你吸收的就不再是一个项目的“形”，而是其背后的“神”——即面对一个复杂工程问题时，如何分析需求、拆解模块、选型设计、调试排错和迭代优化的完整思维框架。这套框架，才是你应对未来任何电赛题目乃至更复杂工程项目的核心武器。这个2021年国二开源项目，就是一个绝佳的、高水平的训练案例。把它吃透，你的备赛之路就成功了一大半。