1. 从零开始理解MicroMouse它到底在比什么第一次接触MicroMouse的人十有八九会把它当成“会走迷宫的老鼠玩具”。但真正上手做过一轮之后你会发现这东西本质上是一个在极小体积内塞进感知、决策、控制、能源四大系统的嵌入式工程综合体。它要在未知迷宫里边探索边记忆走完一遍后算出最短路径然后以最快速度冲刺到终点。整个过程没有人工遥控全靠机器自己判断。MicroMouse的核心难点不在“走通”而在“走快”。走通只需要一个能沿墙走的算法但要在比赛中拿到好成绩你需要同时解决几个互相牵制的问题传感器在高速下的采样延迟、电机加减速与转弯半径的匹配、迷宫地图的存储与路径搜索效率、电池电压下降对速度控制的影响。这些因素任何一个没处理好都会让成绩差出一大截。这篇文章适合三类人看一是准备参加相关竞赛的学生需要一套从硬件选型到算法落地的完整思路二是嵌入式爱好者想找一个综合性强、能同时练传感器、电机、算法和结构设计的项目三是已经做过一轮但成绩卡住的人想找到瓶颈到底在哪。我会按照实际做一台能跑进合理成绩的MicroMouse的完整链路来讲包括选型理由、参数计算、代码结构、调试方法和踩过的坑。需要先说明一点MicroMouse没有唯一正确的做法不同迷宫尺寸、不同规则、不同预算都会影响方案。下面讲的是我在常见竞赛规则下验证过的一套思路你可以根据自己的条件调整。2. 硬件选型为什么这些参数决定了你的上限2.1 主控芯片算力和外设比主频更重要很多人选主控第一眼看主频觉得越快越好。但MicroMouse的实际计算量并不大——迷宫通常16×16路径搜索用Flood Fill在几十微秒内就能完成。真正吃资源的是实时控制循环你要以1kHz以上的频率读取多路传感器、做滤波、更新PID、输出PWM。这要求主控有稳定的定时器和足够的中断优先级管理。我实际用过两类方案STM32F4系列和更高端的H7系列。F4在大多数场景下完全够用1kHz控制循环占用不到20%的CPU。H7的优势在于可以跑更高的传感器采样率做更复杂的滤波但对新手来说性价比不高。关键指标其实是这几个ADC采样速度红外传感器需要快速轮询采样时间要短定时器数量和分辨率至少需要3个独立定时器控制循环、编码器计数、PWM输出浮点运算单元有FPU的话PID和滤波计算会轻松很多GPIO翻转速度影响传感器发射管的驱动频率提示不要用Arduino Uno这类8位主控做MicroMouse。不是不能跑而是当你需要同时处理传感器、编码器、电机控制和路径搜索时资源会非常紧张调试起来很痛苦。2.2 电机与编码器减速比和轮径的匹配计算电机选型是新手最容易翻车的地方。常见误区是买转速很高的电机觉得快就是好。但MicroMouse需要的是可控的加速能力不是空载极速。先做一个基本计算。假设你希望最高速度为1.5m/s轮子直径20mm那么轮子周长约62.8mm。需要的转速是1.5 m/s ÷ 0.0628 m/圈 23.9 圈/秒 1433 RPM这是轮子的输出转速。如果你选的电机减速比是30:1那电机本体需要跑到43000RPM这显然不现实。所以实际常用的方案是电机本体转速在10000-20000RPM配30:1到50:1的减速箱轮径选20-30mm。编码器方面每转脉冲数PPR决定了速度控制的精度。我建议轮子每转至少能有500个计数。假设编码器是7PPR减速比30:1四倍频后就是7×30×4840计数/转这个精度做速度环足够了。如果编码器精度太低低速时速度估计会抖动PID很难调稳。2.3 红外传感器数量和布局的取舍传感器方案主要有两种红外对管和激光测距。激光精度高但成本高、体积大而且响应速度不一定比红外快。绝大多数MicroMouse用的是红外发射-接收对管配合遮光罩控制视场角。传感器数量上常见的有3对、5对、6对几种布局。3对左前、左、右前、右实际是4个方向只能做基本的沿墙对斜墙和死胡同的判断不够。我推荐至少5对左前斜45度、左正、前、右正、右前斜45度。这样在转弯和斜墙修正时有足够的信息。传感器的安装高度和角度非常关键。太高会受环境光干扰太低容易蹭到地面。一般距离地面10-15mm比较合适。斜45度的传感器要确保在距离墙壁约50mm时能读到有效值这个需要通过实际测试来标定。2.4 电源与结构被低估的两个环节电源方面MicroMouse通常用2节锂聚合物电池串联7.4V或者单节3.7V配合升压。我倾向于2节串联因为电机在加速时电流需求大电压高一些可以减少电流降低线损和发热。电池容量不需要太大200-300mAh就够跑好几轮但放电倍率要够至少20C以上否则加速时电压会明显跌落。结构上底盘要尽量低、重心居中。电机对称布置轮子尽量靠近车身中线。万向支撑点通常是两个滑片或一个小球要保证车身在加速和转弯时不翘头。我见过很多车直线跑得好好的一转弯就翻问题就出在重心太高或者支撑点位置不对。3. 传感器数据处理从原始值到可信距离3.1 红外传感器的非线性标定红外传感器的输出电压和实际距离是强非线性关系。近距离时电压变化剧烈远距离时几乎不变。直接用原始ADC值做阈值判断在不同电池电压下会飘得很厉害。正确的做法是做一个距离-ADC值查找表。具体操作把车放在迷宫墙壁前从0mm开始每隔5mm记录一次ADC值一直到传感器有效范围的上限通常100-150mm。然后把这个表存到代码里运行时用查表加线性插值的方式把ADC值转成距离。标定的时候要注意几点电池电压要保持在你实际比赛时的典型电压不要用满电或亏电状态标定环境光要和比赛环境接近如果比赛场地有强光标定时也要有每个传感器单独标定不要用同一组参数3.2 斜45度传感器的墙壁检测逻辑斜45度安装的传感器不是用来测距的而是用来判断前方是否有墙壁以及墙壁的角度。当车正对墙壁时左右两个斜传感器的读数应该接近相等。如果左边读数明显小于右边说明车头偏右了需要向左修正。这里有个实用技巧不要用绝对距离做判断而是用左右斜传感器的差值。差值超过某个阈值就触发修正修正量用PID或者简单的比例控制。这样即使电池电压变化导致绝对读数漂移差值判断依然稳定。3.3 滤波中值滤波加滑动平均的组合原始ADC值一定有噪声。我试过几种滤波方案最终稳定用的是中值滤波加滑动平均的组合。具体做法每个传感器连续采5次去掉最大最小值取中间3个的平均然后再做一次4点的滑动平均。这样既能去掉脉冲噪声又能平滑随机波动。滤波的代价是延迟。5次采样加滑动平均在1kHz采样率下大约有5-8ms的延迟。对于MicroMouse来说这个延迟可以接受但如果你把采样率降到200Hz延迟就会变成25-40ms高速时就会出问题。所以采样率不能太低建议至少500Hz。4. 运动控制让车跑得又快又稳4.1 速度环和方向环的串级结构MicroMouse的运动控制通常用串级PID外环是方向环控制车头角度或位置偏差内环是速度环控制左右轮转速。方向环的输出作为左右轮速度的修正量叠加到基础速度上。为什么用串级而不是单环因为单环很难同时兼顾直线稳定性和转弯响应。串级结构下速度环保证轮子转速精确跟随设定值方向环只需要处理路径偏差两个环的参数可以独立调互不干扰。具体实现上速度环用编码器反馈周期1ms。方向环用传感器偏差反馈周期可以稍慢2-5ms。方向环的输出限幅要合理否则转弯时会突然给一个很大的速度差导致车打滑。4.2 加减速规划梯形速度曲线的参数计算直线段不能一直用最高速跑起步和停车都需要加减速。最简单的是梯形速度曲线加速段、匀速段、减速段。参数计算如下假设目标速度Vmax1.2m/s加速度a3m/s²加速到最高速需要时间tVmax/a0.4s加速距离sVmax²/(2a)0.24m。也就是说如果直线段长度小于0.48m加速减速距离根本达不到最高速需要降低Vmax。实际调参时加速度不能太大否则轮子会打滑编码器计数和实际位移不符导致位置估计错误。我一般从a1.5m/s²开始试逐步加大直到刚好不打滑为止。4.3 转弯控制原地转和弧线转的选择转弯有两种基本方式原地转左右轮反向和弧线转左右轮同向但速度不同。原地转的优点是转弯半径小适合窄迷宫缺点是速度慢而且对地面摩擦要求高。弧线转速度快但需要更大的空间。我的经验是90度弯用弧线转180度调头用原地转。弧线转的时候内侧轮速度不能太低否则会打滑。一般内侧轮速度取外侧轮的40%-60%。转弯过程中要持续读取斜传感器当车头接近目标角度时提前减速避免过冲。5. 迷宫算法从探索到冲刺的两套逻辑5.1 Flood Fill算法的实现细节Flood Fill是MicroMouse最常用的迷宫算法。核心思想是从终点开始给每个格子标注到终点的距离然后车每次移动到距离更小的相邻格子。实现上用一个二维数组存储每个格子的距离值。初始化时终点距离为0其他格子为无穷大。然后从终点开始做BFS广度优先搜索把距离值填满整个迷宫。车在探索时每到一个新格子更新墙壁信息然后重新计算Flood Fill。这里有个关键细节墙壁信息的存储方式。每个格子有四面墙用位掩码存储最省空间。比如用4个bit分别表示北、东、南、西是否有墙。16×16的迷宫只需要256字节就能存下所有墙壁信息。5.2 探索阶段的路径选择策略探索阶段的目标不是走最短路径而是尽快覆盖整个迷宫。所以不能简单地每次走距离最小的格子那样会反复走同一条路。常用的策略是优先走未探索的格子如果没有未探索的相邻格子再走距离最小的。这样能保证在较少的步数内覆盖整个迷宫。另一个技巧是记录每个格子的访问次数优先走访问次数少的格子避免在某个区域反复绕。5.3 冲刺阶段的最短路径优化探索完成后你已经有了完整的迷宫地图。这时候重新做一次Flood Fill得到从起点到终点的最短路径。但最短路径不一定是最快路径——因为转弯会减速直线可以加速。所以冲刺阶段要做路径平滑把连续的直线段合并把不必要的转弯去掉。比如“前进-前进-左转-前进”可以优化成“前进-左转-前进”减少一次转弯。更激进的做法是允许对角线移动但这需要迷宫有相应的通道宽度。6. 调试与实战那些文档里不会写的事6.1 用串口波形调PID的正确姿势调PID最有效的方法不是盯着车看而是把关键数据通过串口发出来看波形。我一般会发这几组数据目标速度、实际速度、方向偏差、方向环输出。用上位机软件比如SerialPlot或者自己写个Python脚本实时显示。调速度环时先只给P看实际速度能不能跟上目标。如果跟不上就加大P如果震荡就减小P。然后加I消除稳态误差最后加D抑制超调。方向环同理但方向环的响应可以比速度环慢一些。6.2 电池电压下降对速度的影响及补偿锂电池从满电到亏电电压会从8.4V降到6.8V左右。同样的PWM占空比电机转速会差20%以上。如果不做补偿你会发现车越跑越慢路径参数全乱了。补偿方法很简单实时测量电池电压把PWM输出乘以一个补偿系数。补偿系数标称电压/当前电压。比如标称7.4V当前6.8V补偿系数就是1.088PWM输出要相应放大。这样即使电压下降轮子转速也能保持稳定。6.3 地面摩擦和轮胎选择迷宫地面通常是木板或者亚克力板摩擦系数不同。轮胎材质我试过硅胶、橡胶和海绵最终硅胶轮胎在大多数地面上表现最稳定。但硅胶怕灰尘跑几轮之后表面会沾灰抓地力下降。所以要随身带酒精棉片每轮之前擦一下轮胎。另外轮胎的硬度也有影响。太硬的轮胎接触面积小加速时容易打滑太软的轮胎滚动阻力大高速时发热严重。中等硬度的硅胶轮胎是比较好的折中。6.4 常见故障排查表现象可能原因排查方法直线跑偏左右电机特性不一致交换电机测试单独标定每个轮子的速度环转弯过冲方向环D太小或速度太快加大D降低转弯速度传感器读数跳变环境光干扰或电源噪声加遮光罩传感器供电加滤波电容编码器计数丢失中断优先级太低或采样率不够提高编码器中断优先级检查定时器配置车重启电池放电倍率不够换高倍率电池加大电容缓冲7. 从能跑到跑快进阶优化思路7.1 传感器采样与控制的时序优化当速度提到1.5m/s以上时时序问题会变得非常突出。假设控制周期1ms车在1ms内移动1.5mm。如果传感器采样有2ms延迟车已经移动了3mm这个误差在窄迷宫里足以导致撞墙。优化方向有两个一是提高采样率把控制循环提到2kHz甚至4kHz二是做预测补偿根据当前速度和加速度预测下一个控制周期的位置提前做修正。预测补偿需要建立比较准确的运动模型调参难度较大但效果明显。7.2 路径规划中的速度前瞻冲刺阶段不要等到了转弯点才开始减速而是提前计算减速点。具体做法在路径规划时给每个直线段标注长度根据当前速度和减速度计算出需要在距离转弯点多远开始减速。这样可以在直线段末尾刚好减到转弯速度不浪费任何时间。实现上可以在Flood Fill得到路径后再做一次遍历把路径转换成“直线段长度转弯角度”的序列。然后根据运动学约束给每个段分配速度曲线。7.3 机械结构的减重与刚性平衡重量直接影响加速性能。我做过对比同样电机和电池车重从120g降到90g0到1m/s的加速时间从0.5s降到0.35s。减重的方法包括用碳纤维板代替玻纤板、去掉不必要的螺丝和铜柱、选用更轻的轮毂。但减重不能牺牲刚性。底盘太软的话加速时会发生形变导致传感器角度变化读数不准。所以要在关键受力位置加加强筋或者用蜂窝结构提高刚度。8. 我在这条路上踩过的几个坑第一个坑是传感器标定环境不一致。我在实验室日光灯下标定好到比赛场地发现是暖色射灯红外传感器的读数整体偏移了15%。后来学乖了标定时用比赛同款光源或者干脆用差值判断代替绝对值判断。第二个坑是编码器线太长引入噪声。电机PWM线和高频编码器线捆在一起走编码器计数偶尔会跳变。后来把编码器线改成双绞线并且远离电机线问题才解决。第三个坑是电池电压检测分压电阻选错。一开始用了100k和10k的分压ADC输入阻抗不够读数偏低。换成10k和1k之后正常了。这个细节很小但排查起来很费时间。第四个坑是Flood Fill的墙壁更新逻辑写错。车检测到左边有墙我只更新了当前格子的左墙忘了更新左边格子的右墙。结果路径规划时出现“穿墙”现象车直接往墙上撞。这个bug找了整整一个下午。9. 给准备入坑的人几条实在建议如果你刚开始做MicroMouse我建议先不要追求速度。第一版目标定在“能完整探索迷宫并回到起点”速度控制在0.3m/s以内。这个阶段重点是验证传感器、电机、算法整个链路能跑通。第二版再开始提速。每次只改一个参数改完记录成绩。我习惯用一个简单的表格记录日期、电池电压、速度设定、加速度、成绩、备注。这样能清楚看到哪个改动有效哪个改动反而变差了。第三版再考虑优化路径和冲刺策略。这时候你已经有足够的数据和经验来判断瓶颈在哪是机械、控制还是算法。最后说一个容易被忽略的点多准备几套轮胎和电池。比赛现场换轮胎比调代码快得多有时候成绩差就是因为轮胎沾了灰。电池也要带够每组电池跑两轮就换不要等电压掉下来再换。MicroMouse这个项目最大的魅力在于它没有标准答案。同样的规则下有人用简单的沿墙法也能跑出不错成绩有人堆了一堆高级算法却总是撞墙。关键是把每个环节都做扎实让车的行为可预测、可复现。当你看到自己做的车在迷宫里流畅地探索、然后加速冲刺到终点时那种成就感是其他项目很难给的。
