从零到一：STM32无人小车的避障算法优化实战

从零到一：STM32无人小车的避障算法优化实战

当我在实验室第一次看到那个巴掌大的STM32小车颤颤巍巍地绕过障碍物时，突然意识到嵌入式开发的魅力就在于这种"从无到有"的创造过程。这辆搭载着超声波和红外传感器的小家伙，背后隐藏的是传感器融合、实时控制、路径规划等一系列关键技术。本文将带你深入无人小车避障系统的核心，从硬件选型到算法优化，完整呈现一个可落地的避障方案。

1. 硬件架构设计与传感器选型

1.1 主控芯片与驱动方案

选择STM32F103作为主控芯片是经过多维度考量的结果。这款基于Cortex-M3内核的MCU不仅具备72MHz主频，更重要的是其丰富的外设资源：

// STM32F103主要外设初始化示例 void Hardware_Init(void) { RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA | RCC_APB2Periph_AFIO, ENABLE); GPIO_PinRemapConfig(GPIO_Remap_SWJ_JTAGDisable, ENABLE); // 释放JTAG引脚 PWM_Init(7199, 0); // PWM频率=72MHz/(7199+1)=10kHz Ultrasonic_Trig_Config(); Infrared_Init(); }

电机驱动采用经典的L298N模块，其关键参数对比如下：

提示：在小车应用中，L298N虽然效率略低，但其耐压高、价格低廉的特点使其成为入门首选。若追求更高效率，可考虑MOSFET驱动方案。

1.2 多传感器融合设计

避障系统的可靠性取决于传感器组合策略。我们采用超声波+红外的双模方案：

• HC-SR04超声波模块：

  • 测距范围：2cm-400cm
  • 精度：±3mm
  • 波束角度：15°
  • 最佳工作周期：≥60ms

• 红外避障传感器：

  • 检测距离：2-30cm可调
  • 响应时间：<2ms
  • 不受可见光干扰

传感器布局遵循"前主侧辅"原则：

1. 正前方布置1个超声波+2个红外对管
2. 左右两侧各布置1个红外传感器
3. 所有传感器呈扇形分布，覆盖180°范围

2. 避障算法核心逻辑实现

2.1 多源数据融合算法

传感器数据融合采用加权决策模型：

距离可信度 = α*(超声波权重) + β*(红外权重)

其中权重系数通过实验标定：

#define ULTRASONIC_WEIGHT 0.7f #define INFRARED_WEIGHT 0.3f float GetFusedDistance(void) { float ultrasonic_dist = GetUltrasonicDistance(); float infrared_dist = GetInfraredDistance(); if(infrared_dist < 10.0f) { // 近距离时红外更可靠 return ULTRASONIC_WEIGHT*ultrasonic_dist + INFRARED_WEIGHT*infrared_dist; } return ultrasonic_dist; // 远距离仅用超声波 }

2.2 动态阈值避障策略

避障阈值根据小车速度动态调整：

安全距离 = 基础距离 + (当前速度 × 制动系数)

具体实现采用状态机设计：

typedef enum { STATE_FORWARD, STATE_TURN_LEFT, STATE_TURN_RIGHT, STATE_BACKWARD } AvoidanceState; void AvoidanceFSM(void) { static AvoidanceState state = STATE_FORWARD; float safe_dist = BASE_DIST + current_speed * BRAKE_FACTOR; switch(state) { case STATE_FORWARD: if(front_dist < safe_dist) { if(left_dist > right_dist) state = STATE_TURN_LEFT; else state = STATE_TURN_RIGHT; } break; // 其他状态处理... } }

3. 实时性能优化技巧

3.1 中断优先级配置

确保关键任务的实时响应：

NVIC_InitTypeDef NVIC_InitStructure; NVIC_InitStructure.NVIC_IRQChannel = TIM3_IRQn; NVIC_InitStructure.NVIC_IRQChannelPreemptionPriority = 1; NVIC_InitStructure.NVIC_IRQChannelSubPriority = 0; NVIC_InitStructure.NVIC_IRQChannelCmd = ENABLE; NVIC_Init(&NVIC_InitStructure);

3.2 内存优化策略

针对STM32F103的64KB内存限制：

1. 使用__packed关键字压缩数据结构
2. 将常量字符串存储在Flash中
3. 采用内存池管理动态内存

#pragma pack(push, 1) typedef struct { uint8_t sensor_id; float distance; uint16_t timestamp; } SensorData; #pragma pack(pop) const char *debug_msg = "System Ready"; // 存储在Flash

4. 实际调试与性能测试

4.1 传感器校准流程

1. 将小车置于距墙面50cm处
2. 执行校准命令：

   $ calibrate ultrasonic $ calibrate infrared

3. 记录各传感器读数偏差
4. 写入EEPROM保存校准参数

4.2 避障性能指标

测试环境：3m×3m场地，随机布置5个障碍物

在完成第三轮算法迭代后，我们发现将超声波采样间隔从100ms缩短到60ms，配合预测算法，可以使小车的反应速度提升40%。但这也带来了CPU负载上升的问题，最终通过优化中断服务程序，将CPU占用率控制在75%以下。