基于ESP32与超声波传感器的低成本社交距离监测系统设计与实现-开发者社区

1. 项目缘起：一个被忽视的“安全距离”痛点

去年，我参与了一个社区活动中心的改造项目。在规划公共休息区时，一个看似简单的问题难住了我们：如何在不依赖人工提醒、不侵犯隐私的前提下，引导人们自觉保持一个合理的社交距离？尤其是在排队等候、交流区等场景，口头提醒效果有限，安装物理隔板又影响空间通透性。这让我意识到，“保持社交距离”这个公共卫生领域的核心要求，在技术实现上其实存在一个巨大的空白——它需要一种非侵入式、实时、低成本的自动化感知与提醒方案。

市面上当然有成熟的方案，比如基于深度摄像头的AI行为分析系统，但那动辄数万甚至数十万的部署成本，对于社区中心、小型商铺、临时活动场所来说，无疑是难以承受的。我们需要的是一个“平民化”的解决方案。于是，这个“社交距离预警传感器”的项目构想便诞生了。它的核心目标很明确：利用廉价的通用硬件和开源算法，实现一个能够检测特定区域内人员间距，并在距离过近时发出友好警示的原型系统。这不仅仅是技术上的DIY，更是对普适性公共健康辅助工具的一次有价值的探索。

2. 核心方案选型：为什么是超声波雷达+ESP32？

要实现距离检测，可选的技术路径很多。我最初考虑过以下几种，并逐一进行了权衡：

红外对管/光电传感器：成本极低，但检测距离短（通常几厘米到一米），且只能判断“有无”遮挡，无法精确测距，更无法判断是两个独立个体还是同一个人的不同部位，误报率会非常高。
激光测距模块（如VL53L0X）：精度高，响应快，但它是单点测距。要监控一个区域，就需要部署多个模块组成阵列，成本和控制复杂度会成倍增加。
毫米波雷达模块：这是目前商业级方案的主流，如TI的IWR6843，它能直接输出点云数据，甚至识别人体微动。但模块本身价格昂贵（数百元），开发门槛高，需要复杂的信号处理算法，完全背离了我们“低成本、易实现”的初衷。
摄像头+OpenCV：视觉方案功能强大，能识别多人、跟踪轨迹。但它对光线环境敏感，涉及隐私问题，并且需要持续运行图像处理算法，对主控的计算能力要求较高，增加了系统的复杂性和功耗。

经过一番对比，我最终将目光锁定在了超声波传感器上。具体来说，是HC-SR04这款经典模块。它的优势非常突出：价格仅需几元人民币，测距原理简单（发射超声波并接收回波，通过时间差计算距离），有效测距范围在2cm到400cm之间，完全覆盖了室内社交距离（通常1-2米）的监测需求。虽然它也有缺点，比如波束角较大（约15度），容易受到复杂环境回波的干扰，但通过合理的硬件布局和软件滤波算法，这些缺点是可以被有效抑制的。

确定了感知单元，接下来是大脑——主控制器。Arduino Uno是入门首选，但它的性能和处理多任务的能力（比如同时驱动多个传感器、处理数据、连接网络）有些捉襟见肘。而ESP32则是一个近乎完美的选择。它集成了双核处理器、Wi-Fi和蓝牙，性能远超普通的Arduino，价格却相差无几。更重要的是，我们可以利用它的网络能力，在未来扩展功能，比如将预警数据上传到服务器进行统计，或者通过手机APP接收通知，这为项目的可扩展性留下了巨大空间。

因此，HC-SR04 + ESP32构成了本项目最核心、最合理的硬件基石。一个负责“看见”距离，一个负责“思考”和“决策”。

3. 硬件设计与布局：如何让超声波“看清”一个区域？

单个超声波传感器只能测量正前方一个点的距离。要监控一个区域（例如一个入口通道或一个柜台前的区域），就需要进行空间布局设计。这里我采用了两种经典的部署模式：

模式一：单点定向监测这是最简单的模式。将传感器固定在需要监测的“线”或“点”的上方或侧面，使其波束覆盖一个特定的通道。例如，安装在超市收银台的地面上方，监测顾客与收银员之间的直线距离。这种模式配置简单，但监测范围有限。

模式二：多点阵列扫描为了覆盖一个矩形区域，我设计了一个由四个HC-SR04组成的传感器阵列。将它们布置在一个平面的四个角上，如下图所示（概念示意）：

[传感器A] -------------------- [传感器B] | | | 监测区域 | | | [传感器C] -------------------- [传感器D]

每个传感器负责测量从其位置到区域内障碍物（也就是人）的距离。通过四个点的测距数据，我们可以进行简单的三角定位，估算出人员在该平面区域内的粗略位置。这并不是为了获得厘米级的精确定位，而是为了判断“区域内是否有人”以及“人与人之间的大致距离是否过近”。

硬件连接清单与要点：

ESP32开发板x1
HC-SR04超声波模块x1~4个（根据模式选择）
有源蜂鸣器模块x1（用于声音报警）
WS2812B RGB LED灯环x1（用于视觉报警，可选）
面包板、杜邦线若干

以连接一个传感器为例，ESP32的引脚连接如下：

HC-SR04 VCC -> ESP32 5V 或 3.3V（注意：HC-SR04虽标称5V，但3.3V下也能工作，ESP32的3.3V引脚更安全）
HC-SR04 GND -> ESP32 GND
HC-SR04 Trig (触发) -> ESP32 GPIO 5 (可自定义)
HC-SR04 Echo (回响) -> ESP32 GPIO 18 (可自定义)

注意：HC-SR04的Echo引脚输出是5V电平，而ESP32的GPIO引脚耐受电压通常是3.3V。直接连接有损坏ESP32的风险。稳妥的做法是在Echo引脚和ESP32的GPIO之间串联一个1kΩ的电阻，或者使用一个简单的电平转换电路（如分压电阻）。这是硬件连接中最容易忽略也最关键的安全细节。

蜂鸣器和LED灯环的连接相对简单，只需连接电源、地和信号线即可。

4. 核心代码逻辑与滤波算法实现

有了硬件，软件就是灵魂。整个程序的逻辑可以概括为：循环触发各个传感器测距 -> 收集数据 -> 滤波处理 -> 判断逻辑 -> 执行报警。这里面的核心挑战在于数据的稳定性。超声波在室内环境极易受到干扰，比如空气流动、其他物体的偶然反射等，会导致单次测量值出现跳变。

4.1 基础测距与循环触发

首先，我们需要一个稳定可靠的测距函数。为了避免传感器间信号干扰，必须采用分时触发，即一个传感器完成一次测量后，再触发下一个。

// 定义传感器引脚 const int trigPin = 5; const int echoPin = 18; float getDistance(int trig, int echo) { digitalWrite(trig, LOW); delayMicroseconds(2); digitalWrite(trig, HIGH); delayMicroseconds(10); // 发送10微秒的高电平脉冲 digitalWrite(trig, LOW); long duration = pulseIn(echo, HIGH); // 读取高电平持续时间（微秒） // 声速取340米/秒，除以2（往返距离） float distance = duration * 0.034 / 2; return distance; } void loop() { float dist = getDistance(trigPin, echoPin); // ... 后续处理 delay(50); // 给传感器留出恢复时间，避免连续触发 }

4.2 关键的中值滤波与滑动平均滤波

直接使用getDistance()的返回值是非常不可靠的。我采用了中值滤波和滑动平均滤波的组合拳。

中值滤波：连续采样5-7次，将这组数据排序，取中间值。这能有效剔除偶然出现的极大或极小值（脉冲干扰）。
滑动平均滤波：维护一个包含最近10次中值滤波结果的数组，每次计算这个数组的平均值作为最终输出。这能平滑数据，使其变化更平缓。

#define FILTER_SIZE 10 float distanceBuffer[FILTER_SIZE]; int bufferIndex = 0; float filteredDistance(float rawDist) { // 1. 简单中值滤波（示例为5次） float samples[5]; for(int i=0; i<5; i++){ samples[i] = getDistance(trigPin, echoPin); delay(10); } // 排序并取中值（这里简化，实际应实现排序逻辑） float medianDist = simpleMedian(samples, 5); // 2. 滑动平均滤波 distanceBuffer[bufferIndex] = medianDist; bufferIndex = (bufferIndex + 1) % FILTER_SIZE; float sum = 0; for(int i=0; i<FILTER_SIZE; i++){ sum += distanceBuffer[i]; } return sum / FILTER_SIZE; }

经过这样的处理，最终得到的距离数据就稳定多了，为后续的判断打下了坚实基础。

4.3 多传感器数据融合与距离判断

对于多点阵列模式，每个传感器都会得到一个到最近物体的距离dist_A, dist_B, dist_C, dist_D。我们可以设定一个“预警阈值”，比如150厘米。

一种简单的判断逻辑是：如果四个传感器中有任意两个同时检测到距离小于阈值，并且这两个传感器不是相邻的（例如A和C， B和D），那么我们可以粗略推断监测区域的“对角线”方向上有两个物体距离过近。当然，这是一个非常简化的模型。更复杂的逻辑可以引入每个传感器的坐标，通过几何关系估算物体位置，但这需要更精确的校准和更复杂的计算。

在单点定向模式下，判断就简单得多：只要测得的距离持续低于阈值（例如持续5次滤波后的数据都小于150cm），就触发预警。

4.4 预警输出模块

判断逻辑触发后，需要通知用户。我设计了两级预警：

一级预警（提示）：当距离介于阈值和阈值+50cm之间时，控制LED灯环显示温和的黄色呼吸灯效果。
二级预警（警报）：当距离持续低于阈值时，LED灯环变为急促的红色闪烁，同时蜂鸣器发出间歇性的“滴滴”声。

通过视觉和听觉的双重反馈，警示效果更加直观和有效。

5. 实测中的三大挑战与优化策略

将原型系统部署到实际环境（我的工作室门口走廊）进行测试后，一系列预料之中和预料之外的问题接踵而至。

5.1 挑战一：复杂环境回波与“幽灵检测”

超声波遇到光滑的墙面、玻璃门、金属柜子时，会产生强烈的镜面反射，可能产生多次回波，导致测距值远小于实际距离。更麻烦的是，当监测区域无人时，这些固定物体的反射可能被误认为是“持续有人”。

优化策略：

环境标定与静态掩码：系统启动后，首先在无人状态下进行一段时间的采样，记录下每个传感器到固定背景（墙、家具）的“基线距离”。在后续运行时，只有当测量值显著偏离这个基线（例如变化超过20cm），才认为是有效目标。这相当于创建了一个“静态背景掩码”。
安装角度微调：轻微调整传感器的俯仰角，使其主波束避开最强的固定反射面。
软件死区设置：对于已知的固定反射源距离，设置一个“死区”，忽略这个范围内的数值变化。

5.2 挑战二：多人场景与边缘误判

当多人同时进入监测区域且站位复杂时，简单的“任意两传感器低于阈值”逻辑会失效。例如，一个人站在传感器A和B的中间，他可能同时触发A和B的近距离告警，系统会误判为A和B方向各有一人且距离过近。

优化策略：

引入时间序列分析：不仅看瞬时距离，还看距离的变化趋势。一个人的移动轨迹是连续的，而两个独立个体的出现是突发的。通过分析短时间内各传感器数据的变化模式，可以一定程度上区分单人移动和多人进入。
提高判断阈值与持续时间：将预警触发条件设为“连续N个周期（如10个，约0.5秒）均满足条件”，这能过滤掉人员快速穿过监测区域边缘造成的瞬时误报。
明确系统边界：在项目说明中明确，本原型系统适用于低流量、行为相对简单的场景（如柜台前排队），对于高流量复杂区域，需要升级为更专业的视觉或毫米波雷达方案。这是对技术边界诚实。

5.3 挑战三：系统功耗与长期稳定性

ESP32全速运行，加上多个传感器和LED灯环，如果一直插着USB电源当然没问题。但如果想用于无电源的临时场合呢？

优化策略：