1. 项目概述：从赛题到实战的灰度循迹解析

看到“2021全国电设（F题）灰度传感器——循迹红线”这个标题，很多参加过电子设计大赛的朋友应该会心一笑，没参加过的朋友可能也会好奇这到底是个什么项目。简单来说，这就是一道经典的“循迹小车”赛题，要求参赛者设计并制作一辆能够自主沿着地面指定红色轨迹线行驶的小车。核心的“眼睛”就是灰度传感器，而“大脑”则通常是Arduino、STM32这类微控制器。这道题之所以经典，是因为它麻雀虽小，五脏俱全，几乎涵盖了嵌入式系统开发中传感器数据采集、信号处理、控制算法（如PID）和电机驱动等所有核心环节。对于电子、自动化相关专业的学生或刚入行的工程师而言，吃透这个项目，就等于打通了从理论到实践的任督二脉。

我当年也带过不少学生做这类项目，从最初的懵懂到后来的驾轻就熟，踩过的坑、总结的经验都挺多。今天，我就以一个过来人的视角，抛开那些官方、教科书式的表述，和大家深入聊聊如何从零开始，扎实地完成一个基于灰度传感器的循迹小车。我们不仅会讲清楚怎么做，更会重点剖析“为什么这么做”，以及那些在标准教程里很少提及，但却能决定项目成败的实操细节和避坑指南。无论你是正在备赛的学生，还是对嵌入式控制感兴趣的爱好者，相信这篇长文都能给你带来实实在在的帮助。

2. 核心需求与方案选型背后的逻辑

拿到一个赛题或项目需求，第一步不是急着写代码、焊电路，而是要把任务书“嚼碎了”，理解每一个要求背后的潜台词和约束条件。2021年F题的要求虽然具体，但我们可以提炼出几个核心需求，并分析为什么常见的方案是那样选的。

2.1 需求拆解：不只是“跟着线走”

题目要求小车循“红色”轨迹线。这短短几个字，包含了多层含义：

1. 颜色识别：传感器需要能区分红色轨迹和（通常是浅色）背景。这直接指向了反射式灰度传感器或颜色传感器。
2. 循迹精度与速度：小车需要稳定、平滑地跟随轨迹，不能左右摇摆或冲出赛道。这涉及到传感器的布局（数量、间距）和控制算法的响应速度与稳定性。
3. 实时性：小车在运动过程中需要持续感知轨迹位置并快速调整，这对微控制器的处理速度和程序架构有要求。
4. 抗干扰能力：比赛环境的光照可能变化，地面可能存在污渍或反光。传感器和算法需要具备一定的鲁棒性。

基于这些需求，行业内最成熟、性价比最高的方案组合就浮出水面了：多路灰度传感器 + Arduino/STM32 + 差分驱动小车底盘 + PID控制算法。下面我们逐一拆解选型理由。

2.2 传感器选型：为什么是灰度传感器而非颜色传感器？

很多新手会疑惑，既然要识别红色，为什么不直接用颜色传感器（如TCS3200）？这里涉及到成本、复杂度和可靠性的权衡。

灰度传感器本质上是一个集成了红外发射管和接收管的光电反射模块。它发射红外光，接收物体反射回来的光强，并将其转换为电压信号。对于红色轨迹（尤其是深红色），它对红外光的反射率与白色背景、黑色背景或其他颜色是不同的，因此可以通过阈值判断来区分“线”和“非线”。

注意：这里有一个关键点，灰度传感器对“颜色”的区分，是基于物体对特定波长（红外光）的反射率差异，而不是真正的色彩识别。深红色、黑色可能都呈现低反射率（“黑”），白色、浅黄色呈现高反射率（“白”）。对于红色轨迹，只要其红外反射率与背景有足够差异，灰度传感器就能工作。

选择灰度传感器的核心优势：

• 成本低廉：一个灰度模块仅需几元，而颜色传感器要贵得多。
• 电路简单：输出通常是模拟电压或数字开关量，接口简单，无需复杂的色彩解算。
• 响应速度快：模拟量读取或数字量判断几乎无延迟，满足实时性要求。
• 可靠性高：结构简单，不易受复杂光线中的颜色成分影响（主要受环境光总强度影响，可通过调节阈值或增加遮光罩缓解）。

因此，在循迹这种对绝对色彩识别要求不高、更关注反射率对比的应用中，灰度传感器是更优解。常见的布局是使用3路、5路甚至8路传感器，横向排布在小车前端，通过不同传感器检测到线的状态组合，来判断小车相对于轨迹的偏移位置。

2.3 控制器选型：Arduino与STM32的取舍

这是另一个常见争论点。我的建议是：新手、快速原型开发首选Arduino；追求性能、深入学习和应对复杂赛题首选STM32。

• Arduino (如 Uno, Mega)：

  • 优势：生态极其丰富，有大量现成的传感器、电机驱动库，IDE简单易用，程序上传一键完成。对于实现基础循迹功能，其性能绰绰有余。
  • 劣势：处理能力、存储空间和外设功能相对有限。如果赛题要求同时处理无线通信、复杂人机交互或更高级的算法，可能会捉襟见肘。
  • 适用场景：快速验证想法，学习基础概念，完成要求明确且不太复杂的赛题。

• STM32 (如 F103C8T6 “蓝色药丸”)：

  • 优势：性能强大，外设丰富（高级定时器用于精准PWM生成、多路ADC可同步采样多路灰度传感器），更贴近工业实际。使用HAL库或寄存器开发，能更深入地理解底层硬件。
  • 劣势：开发环境搭建稍复杂（Keil, STM32CubeIDE），调试需要ST-Link等工具，学习曲线较陡。
  • 适用场景：需要高性能处理、复杂控制算法（如位置式PID）、多任务管理或希望技能更上一层楼的场景。

对于2021年F题，使用Arduino是完全可行的，也能很好地完成。但如果想做得更出色（比如速度更快、运行更平稳），或者为未来更复杂的项目打基础，投入时间学习STM32是值得的。下文我将以Arduino平台为例进行讲解，因为其受众更广，原理是相通的，移植到STM32主要涉及底层驱动和库函数的更换。

2.4 小车底盘与驱动：差分驱动的必然性

循迹小车几乎清一色采用两轮差分驱动（左右轮独立控制）+一个或多个万向轮的结构。这是为什么呢？ 因为这种结构控制转向的方式非常直接：通过调节左右两个轮子的速度差来实现转向。当小车需要左转时，就降低左轮速度或提高右轮速度，产生一个旋转力矩。这与通过灰度传感器检测到的偏移方向（如车头偏左了）的控制需求完美匹配。

电机驱动方面，L298N或TB6612FNG是经典选择。它们都是双H桥驱动芯片，可以独立控制两个直流电机的正反转和速度（PWM调速）。

• L298N：皮实耐用，驱动能力强，但发热较大，需要散热片。
• TB6612FNG：效率更高，发热小，外围电路更简单，是当前更主流的选择。

3. 硬件系统搭建与核心电路设计

理论分析完毕，我们开始动手。硬件是系统的骨架，搭建不好，软件再优秀也无济于事。

3.1 传感器布局与安装的“门道”

传感器的布局是影响循迹精度的首要硬件因素。以最常用的5路灰度传感器为例。

布局原则：

1. 间距：传感器之间的中心距应略小于轨迹线的宽度。如果线宽是2cm，传感器间距可以设为1.5cm左右。这样能保证在大多数情况下，至少有一个传感器能稳定检测到线。
2. 高度：传感器模块离地面的高度需要仔细调整。太高，反射信号弱，容易误判；太低，容易碰到地面障碍物。一般通过实验确定，通常在1-3厘米之间。一个重要的技巧：在传感器发射接收管前方加装一个黑色的、向下延伸的遮光罩（可以用热缩管或黑色电工胶带制作）。这能极大地减少环境杂散光的干扰，提高检测稳定性，尤其是在室内日光灯环境下。
3. 安装刚性：传感器板必须牢固地安装在小车前端，不能晃动。轻微的抖动都会导致读取值剧烈波动，进而引起小车抖动。

电路连接： 灰度传感器通常有3个或4个引脚（VCC, GND, OUT, 有时有模拟/数字选择引脚AO/DO）。

• 对于数字输出模式：将OUT引脚连接到Arduino的数字输入引脚。通过模块上的电位器调节检测阈值，当反射光强超过阈值时，输出低电平（检测到白色），反之高电平（检测到黑色/线）。这种方式简单，但适应性差，环境光变化后可能需要重新调节电位器。
• 对于模拟输出模式（推荐）：将AO引脚连接到Arduino的模拟输入引脚（A0-A5）。这样MCU可以读取到连续的电压值（0-5V对应0-1023的数值）。我们可以通过程序动态地设置阈值，甚至采用更复杂的算法（比如动态阈值或差值比较），鲁棒性更强。

实操心得：强烈建议使用模拟模式。在程序初始化时，可以让小车原地缓慢旋转，记录下每个传感器在纯白色背景和纯黑色（或轨迹色）背景下的读数，取一个中间值作为初始阈值。甚至可以设计一个“学习按钮”，按下后自动完成阈值校准。

3.2 电机驱动电路连接详解

以TB6612FNG为例，其与Arduino和电机的连接需要清晰无误。

TB6612FNG引脚连接表：

重要提示：电机电源（VM）和单片机电源最好分开供电，并使用一个共地点连接。电机启动和换向时会产生很大的电流噪声和电压波动，如果和单片机共用电源，极易导致单片机复位或工作异常。典型的做法是使用两节18650锂电池串联（约7.4V）给电机驱动供电，同时通过一个降压模块（如LM2596）降到5V给Arduino供电。两个电源的负极（GND）必须连接在一起，为信号提供统一的参考地。

3.3 电源系统的设计与避坑

电源是硬件系统中最容易忽视，也最容易出问题的地方。

1. 电流估算：两个TT马达堵转电流可能达到1A以上，驱动芯片本身也有损耗。因此电池和供电线路需要能提供持续2A以上的电流能力。普通的9V方块电池或USB供电是绝对不够的，会导致小车“有气无力”或突然断电。
2. 电源路径：遵循“大功率电机电源”与“精密控制电路电源”分离的原则。如上所述，使用独立电池组并通过降压模块给控制部分供电。
3. 滤波：在电机驱动芯片的VM引脚附近，尽量靠近芯片放置一个容量较大的电解电容（如100uF-470uF）和一个小的陶瓷电容（0.1uF），用于滤除电源线上的高频噪声。这能有效减少对控制电路的干扰。
4. 开关：在总电源回路上串联一个拨动开关，方便调试和紧急断电。

4. 软件逻辑与核心算法实现

硬件搭建好后，软件就是小车的灵魂。循迹程序的逻辑可以概括为：感知 -> 决策 -> 执行。

4.1 传感器数据读取与预处理

我们使用模拟模式，读取5路传感器的值。

// 定义传感器引脚 const int sensorPins[5] = {A0, A1, A2, A3, A4}; int sensorValues[5]; // 存储原始值 bool lineStatus[5]; // 存储二值化状态（0:在线外/背景，1:在线上） // 阈值，需要通过实验校准 int threshold = 500; // 假设0-1023，小于阈值认为是线（黑色） void readSensors() { for (int i = 0; i < 5; i++) { sensorValues[i] = analogRead(sensorPins[i]); // 简单的二值化 if (sensorValues[i] < threshold) { lineStatus[i] = 1; // 检测到线（黑色） } else { lineStatus[i] = 0; // 检测到背景（白色） } } }

预处理可以更复杂，比如进行滑动平均滤波来消除毛刺：

const int FILTER_WINDOW = 5; int sensorHistory[5][FILTER_WINDOW] = {0}; int historyIndex[5] = {0}; int getFilteredValue(int sensorIndex) { int sum = 0; for (int i = 0; i < FILTER_WINDOW; i++) { sum += sensorHistory[sensorIndex][i]; } return sum / FILTER_WINDOW; } void updateSensorHistory() { for (int i = 0; i < 5; i++) { sensorHistory[i][historyIndex[i]] = analogRead(sensorPins[i]); historyIndex[i] = (historyIndex[i] + 1) % FILTER_WINDOW; } }

4.2 循迹决策：从条件判断到PID控制

最简单的循迹策略是“开关量控制”或“状态机控制”。根据5个传感器的二值化状态，定义几种情况：

• 00100：中间传感器检测到线，小车居中，直行。
• 00010或00011：线稍微偏右，小车轻微左转。
• 11000：线严重偏左，小车急右转。
• 00000：所有传感器都看不到线，可能脱线了，执行上次的转向或停车搜索。

这种方法实现简单，但小车运行起来会一顿一顿的，不流畅，速度也提不高。

进阶策略：比例控制与PID要让小车平滑高速循迹，必须引入连续量的控制。我们可以定义一个偏差量 Error。 一种常见方法是为每个传感器分配一个权重，例如从左到右5个传感器的权重为-2, -1, 0, +1, +2。

// 计算加权偏差 int calculateError(bool *status) { int weights[5] = {-2, -1, 0, +1, +2}; int error = 0; int sensorCount = 0; for (int i = 0; i < 5; i++) { if (status[i] == 1) { // 只有检测到线的传感器参与计算 error += weights[i]; sensorCount++; } } if (sensorCount == 0) { // 没看到线，返回一个特殊值或保持上一次误差 return 999; // 特殊值表示脱线 } // 可以除以 sensorCount 得到平均偏差，这里简单返回总和 return error; }

得到的error是一个有正负、有大小的连续量。误差为负表示线偏左，小车需要右转；误差为正表示线偏右，小车需要左转；误差绝对值越大，说明偏离越远，需要更大幅度的转向。

接下来就是经典的PID控制器出场的时候了。PID根据误差计算出一个控制量（这里是左右轮的速度差）。

• P (比例)：control = Kp * error。误差越大，转向力度越大。这是最主要的控制项。
• I (积分)：control += Ki * sum_error。累积历史误差，用于消除静态误差（比如小车始终有微小的固定偏向）。
• D (微分)：control += Kd * (error - last_error)。根据误差变化率进行控制，能预测误差趋势，抑制振荡，让小车响应更平稳。

在循迹小车中，通常使用PD控制或PI控制就足够了。完整的PID实现如下：

float Kp = 10.0; // 比例系数，需要调试 float Ki = 0.05; // 积分系数 float Kd = 8.0; // 微分系数 float lastError = 0; float integral = 0; int computePID(int error) { // 防止脱线时积分项饱和 if (error == 999) { integral = 0; // 清零积分 return 0; } integral += error; // 积分限幅，防止积分饱和 if (integral > 100) integral = 100; if (integral < -100) integral = -100; float derivative = error - lastError; lastError = error; int control = Kp * error + Ki * integral + Kd * derivative; return control; }

4.3 电机控制输出：将控制量转化为轮速

计算出控制量turn后，我们需要将其转化为左右电机的PWM值。设定一个基础速度baseSpeed。

int baseSpeed = 150; // 基础PWM速度，范围0-255 int leftMotorSpeed, rightMotorSpeed; void setMotorSpeeds(int turn) { leftMotorSpeed = baseSpeed + turn; rightMotorSpeed = baseSpeed - turn; // 限制PWM值在有效范围内 leftMotorSpeed = constrain(leftMotorSpeed, 0, 255); rightMotorSpeed = constrain(rightMotorSpeed, 0, 255); // 调用函数控制电机驱动芯片 motorControl(leftMotorSpeed, rightMotorSpeed); }

motorControl函数需要根据你使用的驱动芯片（如TB6612）来编写，负责设置正确的方向引脚和PWM引脚输出。

实操心得：PID参数调试这是整个项目的精髓，也是最有挑战的部分。没有万能参数，必须根据你的小车机械结构、传感器特性、赛道曲率现场调试。

1. 先P后D再I：先将Ki和Kd设为0，只调Kp。从小值开始（如1.0），逐渐增大，直到小车能跟随轨迹但开始出现明显振荡。此时Kp值约为临界值的60%-70%。
2. 加入D：引入Kd，从小值开始增加，能有效抑制由P引起的振荡，让小车运行更平稳。D太大反而会引入高频抖动。
3. 最后考虑I：如果小车在长直道上仍有固定的偏向（比如总是微微偏右），再引入较小的Ki来消除这个静态误差。注意积分限幅，防止“积分饱和”（小车长时间偏离后，积分项过大，导致控制失控）。

调试时，可以通过串口将error,control,leftSpeed,rightSpeed等关键数据实时打印出来，在电脑上用串口绘图仪观察波形，这是非常高效的调试手段。

5. 系统调试与性能优化实战

代码写完了，小车能动起来了，但很可能跑得歪歪扭扭，或者遇到弯道就冲出去。别急，这才是真正学习的开始。

5.1 静态调试：确保硬件与基础功能正常

1. 传感器测试：将小车抬起，用手在传感器下方移动红黑纸片，通过串口监视器观察每个传感器的模拟读数变化，确认其工作正常，响应灵敏。调整传感器高度和阈值，使黑白区分明显。
2. 电机测试：编写一个简单的测试程序，分别让左右电机正转、反转、调速，观察小车运动是否符合预期，检查接线是否正确。
3. 供电测试：让小车空载和带载（用手轻轻阻止轮子转动）运行，用万用表测量Arduino的5V供电电压是否稳定。如果电压被拉低，说明电机电源干扰到了控制电源，需要检查电源方案和滤波电容。

5.2 动态调试与PID整定

这是最耗时的环节。准备一条标准的赛道（可以用电工胶带粘贴）。

1. 低速调试：将baseSpeed设低（如80），只使用P控制。观察小车在直道和缓弯的表现。目标是让小车能大致跟上，不冲出去。
2. 引入D：增加速度，此时小车可能会在轨迹两侧振荡。逐步增加Kd，直到振荡明显减弱，过弯更平滑。
3. 优化过弯：对于急弯（如90度或S弯），小车可能因惯性冲出去。此时可以尝试：
   • 动态速度：根据偏差error的绝对值来动态降低baseSpeed。偏差越大，速度越慢，过弯更稳。

   int dynamicBaseSpeed = baseSpeed - abs(error) * speedFactor; dynamicBaseSpeed = constrain(dynamicBaseSpeed, minSpeed, maxSpeed);

   • 弯道预测：结合微分项D，它本身就反映了偏差变化趋势。当D值很大（误差快速增大）时，说明正在进入急弯，可以提前减速。
4. 脱线处理：当所有传感器都检测不到线时（error=999），小车可能已经冲出赛道。处理策略有：
   • 记忆策略：按照最后一次有效的转向方向，原地旋转搜索。
   • 渐进搜索：先向左转一定角度，如果找不到线，再向右转更大角度。
   • 倒车策略：先短暂倒车，再尝试转向。

5.3 提升鲁棒性的高级技巧

1. 动态阈值：环境光会变。可以在程序中定期采样传感器在“认为”是背景区域的值，动态更新阈值。
2. 传感器数据融合：不单纯依赖二值化。可以持续使用模拟量，计算传感器读数的“重心”或进行更复杂的滤波算法。
3. 死区处理：当误差error的绝对值小于某个很小值时（如2），认为小车已经足够居中，不进行转向调整，可以避免小车在直道上不必要的微小抖动。
4. 控制量输出限幅与平滑：对计算出的turn控制量进行限幅，防止瞬间变化过大。也可以对输出给电机的PWM值进行低通滤波，让速度变化更平滑。

6. 常见问题排查与解决实录

以下是我在带项目过程中，学生们最常遇到的问题及解决方法：

最后的个人体会：做一个循迹小车，从能动到跑得稳、跑得快，中间隔着无数个细节。它考验的不仅仅是编程和电路能力，更是系统工程思维和解决问题的耐心。最宝贵的经验往往来自于调试过程中那些看似古怪的现象，每一次排查和解决，都是对系统理解的加深。不要满足于让小车“能跑”，多问问自己：能不能跑得更快？过弯更稳？适应更复杂的环境？在这个基础上，你可以尝试增加编码器实现速度闭环，用陀螺仪辅助过弯，甚至上视觉传感器，这条路深着呢。把这个项目做透，它给你打下的嵌入式系统开发基础，会比任何一门单纯的课程都要扎实。