简介：本资源为2021年全国大学生电子设计竞赛F题‘智能送药小车’的完整参赛方案实现包，面向嵌入式系统开发初学者、电赛备赛学生及智能控制方向实践者，聚焦多传感器融合、视觉识别与运动控制等典型工程问题。压缩包共298个文件，含59个C源码与头文件（核心控制逻辑）、57个PCB/SCH设计文件（Altium格式）、47个DLL动态库及MATLAB相关M脚本（用于PID参数优化与仿真）、9个可执行工具（如STM32烧录批处理）、7个Word设计文档与PDF说明，整体容量317.67MB。已有1881人学习下载，内容覆盖从OpenMV/K210图像识别、六轴姿态解算、光电编码器测距到串级PID与多群进化算法调参的全链路实现，配套硬件清单、电赛原题及字模资源，便于快速复现、调试与二次开发。
1. 项目概述：从“智能送药小车”看电赛F题的实战精髓
那年电赛的F题“智能送药小车”，可以说是一个集大成的综合性项目，它完美地融合了自动控制、机器视觉、嵌入式开发和机械设计等多个学科的知识点。题目要求小车在模拟的医院病房环境中，自主识别房间号，规划路径，并准确地将药品送达指定病房，最后还要能自动返回充电桩。这听起来像是一个简化版的物流机器人或者医院服务机器人原型，其核心挑战在于如何在有限的比赛时间内，搭建一个稳定、快速且鲁棒性强的软硬件系统。对于参赛队伍而言，这不仅是对技术能力的检验，更是对项目规划、团队协作和临场应变能力的全面考验。我结合自己多年的嵌入式开发和带队经验，来深度拆解一下这个项目的核心脉络、技术选型的底层逻辑，以及那些在官方文档里绝不会写的“踩坑”实录与调优技巧。无论你是即将参赛的学生，还是对移动机器人感兴趣的爱好者，相信这篇从一线实战中总结出的干货，都能为你提供清晰的思路和可直接复现的参考方案。
2. 核心系统设计与整体架构拆解
面对这样一个复杂的系统，最忌讳的就是一上来就埋头写代码、焊电路。一个清晰、模块化的顶层设计是成功的一半。我们的核心思路是：将整个系统分解为感知、决策、执行三大模块，并通过一个可靠的中心控制器进行调度和信息融合。
2.1 硬件平台选型与核心控制器考量
硬件是系统的骨架，选型直接决定了性能上限和开发难度。对于电赛这类有严格时间和成本限制的比赛，平衡性能、易用性和可靠性是关键。
主控制器（大脑）：这是最核心的决策。常见的选择有STM32系列、ESP32、树莓派（Raspberry Pi）或Jetson Nano等。
- STM32（如F4或H7系列）：这是电赛的“传统强项”。优势在于实时性极佳，对电机控制、传感器数据采集等底层时序要求严格的任务处理得心应手，功耗和成本也控制得很好。缺点是处理复杂的图像识别或路径规划算法时能力有限，通常需要搭配额外的视觉处理模块。
- 树莓派/类似Linux开发板：优势是强大的通用计算能力和丰富的生态库（如OpenCV、ROS），非常适合跑视觉算法和复杂的决策逻辑。缺点是实时性不如单片机，对电机控制的PWM精度、中断响应可能不如STM32直接，且系统相对复杂，启动时间较长。
- 双核架构（推荐方案）：我们最终采用的是“STM32 + 树莓派/或高性能单片机（如K210）”的主从架构。STM32作为底层执行单元，专责电机驱动、编码器计数、陀螺仪数据融合、超声波避障等实时性要求高的任务；树莓派或K210作为上层决策单元，负责摄像头图像处理、房间号识别、全局路径规划，并通过串口或CAN总线向STM32发送运动指令（如：前进1米、左转90度）。这种架构兼顾了实时性和算力，是应对此类复杂赛题的稳健选择。
注意：如果选用Linux系统作为主控，务必关注启动时间。比赛上电即开始计时，一个优化不佳的Linux系统启动可能需要30秒以上，这会白白浪费宝贵时间。可以通过定制裁剪内核、使用RAM磁盘、设置自动登录并启动应用程序等方式进行优化。
运动执行单元（双腿）：
- 电机与驱动：我们选择了带增量式编码器的直流减速电机，搭配TB6612或DRV8833这类双H桥电机驱动芯片。编码器用于实现精确的里程计计算（测距）和速度闭环控制，这是实现精准走直线、定角度转弯的基础。TB6612相比古老的L298N，效率更高，发热更小，是更优的选择。
- 车体结构：结构强度至关重要！很多队伍的小车在快速启停或转弯时，因结构刚性不足导致整体抖动，严重影响了传感器读数（尤其是摄像头图像）和运动精度。我们使用了铝合金型材搭配3D打印件来制作车架，在保证轻量化的同时确保了坚固性。
2.2 传感器套件配置与信息融合策略
小车的“眼睛”和“耳朵”决定了其感知世界的能力。
- 全局定位与房间识别（核心）：这是F题最核心的难点之一。题目通常会在赛道旁放置代表房间号的数字或二维码标识。
- 方案一：OpenCV数字识别。使用树莓派搭配普通USB摄像头或CSI摄像头，采集图像后，利用OpenCV进行灰度化、二值化、轮廓查找，然后进行数字模板匹配或使用轻量级机器学习模型（如SVM、KNN）进行识别。优点是灵活，可适应不同字体；缺点是对光照变化敏感，算法调参需要经验。
- 方案二：二维码识别。在房间标识处放置二维码，内容即为房间号。使用专门的二维码识别库（如
pyzbar、OpenCV的QRCodeDetector）进行识别。这是当时我们选择的方案，也是强烈推荐的稳定方案。二维码识别速度快、准确率极高（几乎100%）、抗光照干扰能力强。虽然看似“取巧”，但在比赛追求稳定第一的准则下，这是最可靠的选择。我们只需在车头安装一个向下倾斜的摄像头，对准地面标识区域即可。
- 自身姿态感知：
- 编码器：用于里程计（Odometry），计算小车相对于起点的粗略位置（x， y）和航向角。但存在累积误差，长时间运行会漂移。
- 陀螺仪（IMU中的角速度计）：常用MPU6050或更高级的BMI088。用于测量转弯的角速度，积分后得到角度变化，与编码器数据融合（互补滤波或卡尔曼滤波）可以得到更准确的航向角，是实现精准90度转弯的关键。
- 环境感知与避障：
- 超声波传感器（HC-SR04等）：用于检测前方障碍物（如模拟的临时障碍、其他小车），实现紧急制动或绕行。通常作为安全冗余，在路径规划层之外提供一层快速反应保护。
- 巡线传感器（可选）：虽然F题主要是自主导航，但有些赛题版本或自己训练时，可能会在走廊中央铺设引导线。可以使用灰度传感器阵列或OpenCV巡线作为辅助定位手段，纠正里程计的累积误差。
信息融合：STM32通过定时中断，高速采集编码器和IMU的原始数据，进行滤波和融合计算，实时估算出小车的速度、位移和航向角，并打包通过串口发送给上位机（树莓派）。树莓派结合视觉识别到的房间号信息和自身的里程计信息，做出决策。
3. 核心算法与软件实现细节
硬件搭好了，软件就是灵魂。下面重点拆解几个核心算法的实现思路和避坑点。
3.1 运动控制：让小车“走准”是第一步
精准的基础运动是完成所有任务的前提。我们实现了几个基础动作原语：
精准走直线：单纯开环控制电机PWM会因为电池电压波动、地面摩擦不均等原因跑偏。我们采用了双电机速度闭环PID控制。
- 思路：设定一个目标线速度（如0.3m/s）。STM32通过编码器反馈计算每个电机的实际转速，与目标转速做差，经过PID控制器运算，动态调整PWM占空比。同时，加入一个偏航角纠正环：使用IMU融合得到的当前航向角，与目标航向角（例如保持0度）做差，其误差值经过一个比例系数P，转化为两个电机速度的差值，从而微调转向，抵抗跑偏。
- PID调参心得：先调速度环的P，让电机能快速响应且不震荡；再调I消除静差；D项在电机控制中要谨慎使用，容易引入噪声。偏航纠正环通常一个较大的P就够了，反应要迅速但不过激。
精准定点转弯（90度/180度）：这是进出房间的关键。
- 思路：采用位置式PID控制转角。目标角度设为90度。控制器输入是IMU反馈的当前角度与目标角度的误差，输出是电机的差速值（一个正转一个反转）。当误差小于一个阈值（如0.5度）时，停止转弯。
- 避坑点：电机惯性会导致过冲。我们的策略是“分段刹车”：当角度误差小于20度时，就大幅降低PID的输出限幅或比例系数，让小车“轻柔”地逼近目标角度，有效抑制过冲和振荡。
3.2 视觉识别：稳定可靠的“眼睛”
我们采用二维码识别方案，其稳定性的关键在于图像预处理。
# 树莓派上使用Python + OpenCV + pyzbar的简化示例 import cv2 from pyzbar import pyzbar def decode_qr_code(frame): # 1. 图像预处理：提升识别率的关键 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 自适应二值化，应对光照不均 binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 2. 识别二维码 decoded_objects = pyzbar.decode(binary) # 也可以直接解码gray图，但binary更稳 for obj in decoded_objects: room_number = obj.data.decode("utf-8") print(f"识别到房间号: {room_number}") # 返回房间号及二维码在图像中的位置（用于后续定位微调） return room_number, obj.rect return None, None # 主循环中 cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) # 分辨率不必过高 cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) while True: ret, frame = cap.read() if not ret: break room_num, qr_rect = decode_qr_code(frame) if room_num: # 触发决策逻辑，例如停车、发出提示音等 break实操技巧：摄像头安装位置和角度需要反复调试。确保在小车正常行驶高度和距离下，二维码能完整、清晰地出现在画面中央区域。可以增加补光灯（LED条）来消除环境光影响，保证识别稳定性。
3.3 路径规划与任务调度逻辑
这是小车的“大脑”决策层。由于比赛环境通常是结构化的（笔直走廊，房间在两侧），我们采用了**基于状态机的有限状态自动机（FSM）**来实现，逻辑清晰且易于调试。
我们定义了以下几个主要状态：
STATE_IDLE： 空闲状态，等待启动命令。STATE_NAV_TO_CORRIDOR： 从起点导航到主走廊。STATE_CORRIDOR_CRUISING： 在走廊中巡航，同时用摄像头扫描右侧（或左侧）地面寻找目标房间号。STATE_QR_DETECTED： 识别到二维码，减速并准备转弯。STATE_TURN_INTO_ROOM： 执行90度转弯进入房间。STATE_DELIVER_MEDICINE： 进入房间后，前进指定距离（模拟送达），触发卸货机构（如舵机推动药盒）。STATE_EXIT_ROOM： 倒车出房间或转弯出房间。STATE_RETURN_HOME： 所有药品送达后，返回充电桩（起点）。
状态之间的转换由事件触发，例如：“到达走廊入口点”触发进入巡航状态；“识别到目标房间号”触发进入转弯状态；“转弯完成”触发进入送货状态。
关键实现：在STATE_CORRIDOR_CRUISING状态下，小车需要一边匀速前进，一边处理视频流。这里采用多线程：一个线程负责控制小车匀速运动（向STM32发送固定速度指令），另一个线程专责图像识别。当识别线程发现目标二维码时，立即设置一个共享标志位，主控线程检测到该标志位，便触发状态转移，发送减速和转弯指令。
4. 系统集成、调试与性能优化实战
将各个模块整合在一起并调通，是项目中最耗时也最考验人的环节。
4.1 通信协议设计与联调
STM32与树莓派之间的通信必须可靠、高效。我们采用串口通信，并自定义了一套简单的文本协议，便于调试。
协议格式：
[命令头],[参数1],[参数2],...\n- 例如，树莓派发送运动指令：
$SPEED,0.25,0.0\n(线速度0.25m/s，角速度0) - STM32上传传感器数据：
$ODOM,1.2,0.5,45.3\n(x=1.2m, y=0.5m, 航向角=45.3度) - STM32上传二维码信息：
$QR,502\n(识别到502房间)
- 例如，树莓派发送运动指令：
联调技巧：
- 先独立后联合：先在PC上用串口助手调试STM32，确保它能正确解析指令并控制电机。再用Python脚本模拟树莓派向STM32发送指令，验证通信链路。
- 加入心跳包与超时重发：在应用层设计心跳机制（如每秒互发
$ALIVE\n），监测连接是否正常。对于关键指令（如开始任务），如果没有收到应答，应进行重发。 - 日志记录：在树莓派上，将关键状态、接收到的传感器数据和发出的指令实时写入文件。当小车行为异常时，这些日志是 priceless 的排查依据。
4.2 系统标定与参数整定
这是提升精度的必要步骤。
- 轮子周长与编码器精度标定：让小车在光滑地面上直线行走一段精确距离（如2米），记录编码器总脉冲数。计算每个脉冲对应的实际距离（
轮子周长 / (编码器线数 * 减速比 * 4)中的“4”是因为对AB相进行了4倍频）。这个参数是里程计准确的基础。 - 陀螺仪零偏校准：将小车静止放置数十秒，采集陀螺仪Z轴（垂直方向）的输出，计算平均值，作为零偏值。在后续读数中减去这个零偏，能显著提高角度积分精度。
- 摄像头内参标定（如果做视觉测距）：如果除了识别还想用摄像头粗略估计到房间门的距离，可以用OpenCV的棋盘格法标定摄像头，获取内参矩阵和畸变系数，进行图像去畸变。但对于单纯的二维码识别，这一步不是必须的。
4.3 现场调试与抗干扰策略
比赛现场环境复杂，必须提前考虑。
- 光照干扰：这是视觉识别的头号杀手。解决方案除了软件上的自适应二值化，硬件上一定要加装可调亮度的LED补光灯环，并准备不同颜色的滤光片（如在某些日光灯环境下，加红色滤光片可能有效抑制特定频闪）。
- 电磁干扰：电机、尤其是有刷电机，在启停时会产生强烈的电磁噪声，可能干扰单片机、串口通信甚至摄像头。务必做好：
- 电源隔离：电机驱动部分与单片机、传感器部分使用不同的稳压模块供电，或在总电源入口处加装大容量电解电容（如1000uF）缓冲。
- 信号隔离：如果条件允许，STM32与电机驱动之间使用光耦隔离。至少确保PWM、编码器等信号线使用双绞线或屏蔽线。
- 共地：确保所有模块的“地”是干净且连接良好的单点接地。
- 机械振动：振动会导致摄像头图像模糊、螺丝松动、接线脱落。所有连接处（电机与车架、电路板与支架）使用防滑螺母或点胶固定。线缆用扎带或热熔胶固定。
5. 常见故障排查与应急方案实录
在紧张的比赛或调试中，问题总会不期而至。这里记录几个我们踩过的“坑”及解决办法。
| 故障现象 | 可能原因 | 排查步骤与解决方案 |
|---|---|---|
| 小车启动后原地转圈或单轮不动 | 1. 电机接线相序错误。 2. 电机驱动芯片某一路损坏。 3. PID参数中两个电机的目标速度符号设置相反。 | 1. 交换不动电机的两根线，看是否恢复。 2. 用万用表测量驱动芯片输出端电压，或直接给对应电机引脚输入固定PWM，测试电机是否正常。 3. 检查代码中左右轮的目标速度赋值。 |
| 走直线严重跑偏 | 1. 两个轮子实际直径或摩擦力差异大。 2. 编码器计数方向不一致。 3. 陀螺仪安装不水平或零偏未校准。 4. 偏航角纠正环PID参数不当。 | 1. 互换左右电机和驱动器，如果跑偏方向反了，是电机/轮子问题；如果不变，是电路或代码问题。 2. 查看左右编码器计数，前进时是否都增加。修改其中一个的方向逻辑。 3. 重新校准IMU零偏。 4. 适当增大偏航纠正环的比例系数P。 |
| 二维码时灵时不灵 | 1. 光照变化影响二值化效果。 2. 摄像头对焦模糊。 3. 图像处理帧率太低，小车移动过快导致图像拖影。 | 1. 启用自适应二值化，并增加补光灯。 2. 固定焦距摄像头，或调整到合适距离。 3. 降低图像处理分辨率（如320x240），优化代码，提升识别帧率。确保小车巡航速度与处理速度匹配。 |
| 串口通信突然中断 | 1. 接线松动。 2. 波特率设置错误。 3. 电源波动导致单片机复位。 4. 缓冲区溢出。 | 1. 检查所有杜邦线连接，重要连接最好焊接。 2. 确认双方波特率、数据位、停止位、校验位完全一致。 3. 加强电源滤波，检查稳压模块输出是否稳定。 4. 在STM32端增加串口接收中断超时管理，定期清空缓冲区。 |
| 转弯角度总是超过或不足 | 1. IMU角度积分存在累积误差（漂移）。 2. 电机惯性导致过冲。 3. 转弯PID参数不匹配。 | 1. 使用互补滤波或卡尔曼滤波融合编码器航向角估计，抑制陀螺仪漂移。 2. 如前所述，采用“分段刹车”策略，在接近目标角度时减小控制量。 3. 在平整地面上反复测试，精细调整转弯PID参数。 |
最后的个人体会：智能送药小车这样的项目，其魅力不在于用了多么高深的理论，而在于如何将书本上的知识（控制理论、图像处理、嵌入式）工程化，集成到一个能稳定运行的物理系统中。它教会你的远不止代码和电路，更是如何定义问题、分解模块、接口设计、调试排错和团队协作。我的建议是，尽早搭建一个能跑起来的最小可行系统（MVP）——哪怕只能用手推着车走，能识别出二维码并打印出来。然后在此基础上，像搭积木一样一个个增加功能（速度闭环、转弯、状态机），每步都充分测试。永远为调试留出比开发更多的时间，并且一定要在模拟真实比赛环境的场地上进行反复测试，你会发现无数在桌面上发现不了的问题。记住，稳定性和鲁棒性永远是竞技类项目的首要追求，一个能稳定完成80%任务的方案，远胜于一个性能卓越但十次里会失败三次的方案。
本文还有配套的精品资源，点击获取
