1. 項(xiàng)目背景與核心挑戰(zhàn)去年參加光電賽我們團(tuán)隊(duì)抽到的是小車(chē)相關(guān)的題目要求實(shí)現(xiàn)一個(gè)具備自主導(dǎo)航與目標(biāo)識(shí)別能力的移動(dòng)平臺(tái)。題目本身沒(méi)有限定具體的傳感器方案但“光電”二字其實(shí)已經(jīng)暗示了視覺(jué)是核心得分點(diǎn)。當(dāng)時(shí)市面上開(kāi)源的小車(chē)方案很多但要么是純循跡的簡(jiǎn)單邏輯要么是依賴激光雷達(dá)的“重裝”方案成本高且與“光電”主題的貼合度不夠。我們決定走一條更貼合賽事精神的路以低成本樹(shù)莓派為主控搭配普通USB攝像頭完全依靠視覺(jué)算法來(lái)實(shí)現(xiàn)環(huán)境感知、路徑規(guī)劃和動(dòng)態(tài)避障。這個(gè)決定背后有幾個(gè)現(xiàn)實(shí)的考量。首先比賽預(yù)算有限一套像樣的激光雷達(dá)加上配套的工控機(jī)成本直接起飛而樹(shù)莓派加攝像頭的組合幾百塊就能搞定。其次視覺(jué)方案的可擴(kuò)展性和“炫技”空間更大比如我們后來(lái)做的動(dòng)態(tài)目標(biāo)跟蹤和二維碼導(dǎo)航都是激光方案很難低成本實(shí)現(xiàn)的“亮點(diǎn)”。但挑戰(zhàn)也是顯而易見(jiàn)的視覺(jué)處理對(duì)算力要求高樹(shù)莓派的CPU在跑操作系統(tǒng)、圖像處理、控制邏輯時(shí)很容易捉襟見(jiàn)肘環(huán)境光照變化、攝像頭畸變、動(dòng)態(tài)障礙物干擾每一個(gè)都是坑。我們最終完成的代碼不僅讓小車(chē)在比賽場(chǎng)地里穩(wěn)定跑完全程還實(shí)現(xiàn)了幾個(gè)超出題目要求的附加功能。比賽結(jié)束后我覺(jué)得這套從零搭建的視覺(jué)處理框架、以及過(guò)程中趟過(guò)的無(wú)數(shù)個(gè)坑對(duì)后來(lái)者應(yīng)該很有價(jià)值所以決定把核心代碼和方案思路徹底開(kāi)源。這不是一個(gè)簡(jiǎn)單的“調(diào)庫(kù)”Demo而是一個(gè)包含了傳感器驅(qū)動(dòng)、圖像預(yù)處理、特征提取、決策控制、電機(jī)PID調(diào)速的完整工程你可以直接用它作為基礎(chǔ)去開(kāi)發(fā)你自己的AGV、巡檢機(jī)器人或者更復(fù)雜的移動(dòng)視覺(jué)平臺(tái)。2. 硬件選型與系統(tǒng)架構(gòu)設(shè)計(jì)硬件是地基選錯(cuò)了后面代碼寫(xiě)得再漂亮也白搭。我們的核心思路是在有限的成本和算力下實(shí)現(xiàn)功能、穩(wěn)定性和開(kāi)發(fā)效率的平衡。2.1 主控與感知單元為什么是樹(shù)莓派4B OV5647主控我們選擇了樹(shù)莓派4B 4GB版本。當(dāng)時(shí)樹(shù)莓派5還沒(méi)發(fā)布4B是性價(jià)比和性能的甜點(diǎn)。2GB內(nèi)存跑帶圖形界面的ROS都有些吃力4GB給了我們充足的緩沖空間。有人可能會(huì)問(wèn)為什么不用性能更強(qiáng)的Jetson Nano原因很簡(jiǎn)單功耗和生態(tài)。小車(chē)由電池供電Jetson Nano的功耗和散熱是個(gè)大問(wèn)題。而樹(shù)莓派龐大的社區(qū)意味著任何奇怪的問(wèn)題幾乎都能找到解決方案這對(duì)于爭(zhēng)分奪秒的比賽和后續(xù)開(kāi)發(fā)至關(guān)重要。攝像頭模塊我們選擇了樹(shù)莓派官方的OV5647攝像頭。這是一個(gè)非常關(guān)鍵的選擇。很多人會(huì)直接用USB攝像頭因?yàn)榧床寮从梅奖?。但我們放棄了USB方案選擇了通過(guò)CSI接口直接連接的OV5647。主要原因有三點(diǎn)帶寬與延遲CSI是專為攝像頭設(shè)計(jì)的高速接口數(shù)據(jù)傳輸?shù)膸捄头€(wěn)定性遠(yuǎn)高于USB。對(duì)于需要實(shí)時(shí)處理圖像的視覺(jué)小車(chē)降低圖像采集的延遲至關(guān)重要幾十毫秒的延遲在高速移動(dòng)和避障時(shí)可能就是撞上與錯(cuò)開(kāi)的區(qū)別。系統(tǒng)資源占用使用raspistill或picamera庫(kù)直接操作CSI攝像頭圖像數(shù)據(jù)直接進(jìn)入內(nèi)存CPU占用率低。而USB攝像頭需要走USB總線并由uvcvideo等內(nèi)核模塊處理會(huì)額外消耗CPU資源。固定與供電OV5647模塊小巧通過(guò)排線連接更容易在小車(chē)車(chē)體上固定且供電來(lái)自樹(shù)莓派本身無(wú)需額外考慮USB供電問(wèn)題。當(dāng)然OV5647的缺點(diǎn)是其默認(rèn)的廣角鏡頭畸變較大。我們通過(guò)事先標(biāo)定獲取了相機(jī)內(nèi)參和畸變系數(shù)在代碼中進(jìn)行了實(shí)時(shí)校正這個(gè)問(wèn)題就解決了。2.2 車(chē)體、電機(jī)與驅(qū)動(dòng)打造穩(wěn)定的運(yùn)動(dòng)平臺(tái)車(chē)體我們選用了一款常見(jiàn)的兩輪差速底盤(pán)。差速驅(qū)動(dòng)結(jié)構(gòu)簡(jiǎn)單控制模型成熟非常適合做路徑規(guī)劃和算法驗(yàn)證。電機(jī)是關(guān)鍵我們選擇了帶編碼器的直流減速電機(jī)。編碼器是必須的它是實(shí)現(xiàn)閉環(huán)速度控制、里程計(jì)推算的基礎(chǔ)。沒(méi)有編碼器你只能開(kāi)環(huán)控制電機(jī)“大概轉(zhuǎn)多快”小車(chē)走直線都會(huì)飄。電機(jī)驅(qū)動(dòng)板選用的是基于TB6612FNG芯片的驅(qū)動(dòng)模塊。它比古老的L298N效率高、發(fā)熱小支持PWM調(diào)速和正反轉(zhuǎn)控制接口簡(jiǎn)單。我們將驅(qū)動(dòng)板直接通過(guò)GPIO與樹(shù)莓派連接。這里有一個(gè)重要的經(jīng)驗(yàn)務(wù)必給樹(shù)莓派和電機(jī)驅(qū)動(dòng)使用獨(dú)立的電源供電并通過(guò)共地連接。電機(jī)在啟停時(shí)會(huì)產(chǎn)生巨大的電流波動(dòng)和反向電動(dòng)勢(shì)如果和樹(shù)莓派共用電源極易導(dǎo)致樹(shù)莓派重啟或IO口損壞。我們采用了兩塊鋰電池組分別供電這是保證系統(tǒng)穩(wěn)定的基石。2.3 軟件架構(gòu)輕量級(jí)ROS與自定義節(jié)點(diǎn)的融合軟件上我們沒(méi)有使用完整的ROS Desktop環(huán)境而是安裝了ROS Noetic的ros-base版本。因?yàn)樾≤?chē)不需要圖形化界面ros-base包含了核心的通信機(jī)制節(jié)點(diǎn)、話題、服務(wù)足夠我們使用。這節(jié)省了大量的存儲(chǔ)空間和啟動(dòng)時(shí)的內(nèi)存占用。我們的軟件架構(gòu)分為幾個(gè)獨(dú)立的節(jié)點(diǎn)通過(guò)ROS話題進(jìn)行通信camera_node: 負(fù)責(zé)驅(qū)動(dòng)OV5647攝像頭發(fā)布校正后的圖像話題 (/camera/image_raw) 和相機(jī)信息話題 (/camera/camera_info)。vision_processing_node: 核心視覺(jué)處理節(jié)點(diǎn)。訂閱圖像話題進(jìn)行目標(biāo)識(shí)別、車(chē)道線檢測(cè)、障礙物分割等并發(fā)布處理結(jié)果如目標(biāo)位置、可行區(qū)域邊界到?jīng)Q策話題。decision_control_node: 決策與控制節(jié)點(diǎn)。訂閱視覺(jué)處理結(jié)果和編碼器數(shù)據(jù)里程計(jì)進(jìn)行路徑規(guī)劃并計(jì)算出左右輪的目標(biāo)速度發(fā)布到控制話題。motor_driver_node: 電機(jī)驅(qū)動(dòng)節(jié)點(diǎn)。訂閱控制話題的目標(biāo)速度通過(guò)PID控制器結(jié)合編碼器反饋生成PWM信號(hào)驅(qū)動(dòng)電機(jī)實(shí)現(xiàn)精準(zhǔn)調(diào)速。這種模塊化設(shè)計(jì)的好處是調(diào)試方便。我們可以單獨(dú)測(cè)試視覺(jué)算法用錄制好的數(shù)據(jù)包rosbag回放也可以單獨(dú)測(cè)試電機(jī)控制手動(dòng)發(fā)布速度指令。整個(gè)系統(tǒng)的耦合度很低。3. 核心視覺(jué)處理流程拆解視覺(jué)處理是整個(gè)系統(tǒng)的大腦我們將其 pipeline 分解為幾個(gè)串行的步驟每一步都做了針對(duì)性的優(yōu)化。3.1 圖像預(yù)處理不僅僅是“濾波”從攝像頭出來(lái)的原始圖像不能直接用。我們的預(yù)處理流程包括畸變校正使用事先標(biāo)定好的相機(jī)內(nèi)參矩陣和畸變系數(shù)調(diào)用OpenCV的cv2.undistort()函數(shù)消除鏡頭畸變。這是后續(xù)所有幾何計(jì)算如測(cè)距準(zhǔn)確的前提。ROI區(qū)域裁剪小車(chē)的攝像頭通常向前下方安裝圖像上半部分很多是無(wú)關(guān)的天空或天花板。我們根據(jù)攝像頭安裝的俯仰角動(dòng)態(tài)計(jì)算一個(gè)感興趣區(qū)域ROI只對(duì)這部分圖像進(jìn)行處理減少了近30%的計(jì)算量。顏色空間轉(zhuǎn)換與閾值分割這是識(shí)別特定目標(biāo)比如賽道的綠色引導(dǎo)線、紅色的停止標(biāo)志的關(guān)鍵。我們并沒(méi)有簡(jiǎn)單地在RGB空間做閾值分割因?yàn)镽GB對(duì)光照太敏感。對(duì)于車(chē)道線我們轉(zhuǎn)換到HSV顏色空間針對(duì)黃色的色調(diào)H和飽和度S設(shè)定閾值對(duì)亮度的變化相對(duì)魯棒。# 示例提取黃色車(chē)道線 hsv cv2.cvtColor(roi_image, cv2.COLOR_BGR2HSV) lower_yellow np.array([20, 100, 100]) # 注意OpenCV中H范圍是0-180 upper_yellow np.array([30, 255, 255]) mask_yellow cv2.inRange(hsv, lower_yellow, upper_yellow)降噪與形態(tài)學(xué)操作閾值分割后的二值圖像通常有很多噪聲點(diǎn)。我們先后使用了中值濾波去除椒鹽噪聲以及開(kāi)運(yùn)算先腐蝕后膨脹來(lái)斷開(kāi)細(xì)小的連接、消除小的噪點(diǎn)同時(shí)閉運(yùn)算先膨脹后腐蝕來(lái)填充目標(biāo)內(nèi)部的小孔洞。這個(gè)順序和核的大小需要根據(jù)實(shí)際場(chǎng)景微調(diào)。3.2 特征提取從像素到?jīng)Q策信息預(yù)處理后我們得到了干凈的二值圖像。接下來(lái)需要從中提取出可供決策的量化特征。對(duì)于車(chē)道線我們采用“滑動(dòng)窗口”法。將圖像在垂直方向上分成若干水平條帶在每個(gè)條帶中對(duì)二值圖像的非零像素點(diǎn)進(jìn)行直方圖統(tǒng)計(jì)找到像素分布的中心點(diǎn)作為該條帶中車(chē)道線的位置。將這些中心點(diǎn)連接起來(lái)就得到了車(chē)道線的擬合曲線。同時(shí)我們計(jì)算曲線的曲率用于判斷前方是直道還是彎道。對(duì)于障礙物我們使用了背景減除與輪廓檢測(cè)的方法。對(duì)于靜態(tài)或緩動(dòng)障礙物通過(guò)比較連續(xù)幀間圖像的變化或使用更高級(jí)的MOG2背景減除器得到運(yùn)動(dòng)前景掩膜。然后使用cv2.findContours()查找輪廓并計(jì)算每個(gè)輪廓的外接矩形。矩形的底邊中心點(diǎn)的x坐標(biāo)決定了障礙物相對(duì)于小車(chē)中心的橫向偏移矩形的高度和攝像頭標(biāo)定參數(shù)可以結(jié)合估算出障礙物的距離。對(duì)于特定目標(biāo)如二維碼、AprilTag我們集成了apriltag庫(kù)。這類視覺(jué)標(biāo)簽提供了精準(zhǔn)的6自由度位姿估計(jì)。我們通過(guò)檢測(cè)標(biāo)簽的ID可以直接知道小車(chē)相對(duì)于某個(gè)已知標(biāo)簽的位置和朝向這對(duì)于實(shí)現(xiàn)精確定位和導(dǎo)航任務(wù)如走到某個(gè)指定貨架前非常有用。3.3 視覺(jué)里程計(jì)輔助彌補(bǔ)編碼器的不足純依靠輪式編碼器推算里程計(jì)Odometry在打滑、空轉(zhuǎn)時(shí)會(huì)有累積誤差。我們實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的視覺(jué)里程計(jì)VO模塊作為補(bǔ)充。它并不進(jìn)行復(fù)雜的特征點(diǎn)匹配與優(yōu)化那太耗資源而是采用LK光流法跟蹤圖像中的角點(diǎn)特征估算出相鄰幀間小車(chē)的旋轉(zhuǎn)和平移運(yùn)動(dòng)。雖然精度不如專業(yè)的V-SLAM但將其結(jié)果與編碼器數(shù)據(jù)進(jìn)行簡(jiǎn)單的卡爾曼濾波融合能顯著提高在光滑地面急轉(zhuǎn)彎時(shí)的位姿估計(jì)精度成本幾乎為零。4. 決策規(guī)劃與控制實(shí)現(xiàn)有了視覺(jué)提供的“環(huán)境感知”小車(chē)的大腦需要決定“怎么走”。4.1 基于視覺(jué)的局部路徑規(guī)劃我們的路徑規(guī)劃器非常簡(jiǎn)單高效因?yàn)樗o密依賴視覺(jué)輸入。決策節(jié)點(diǎn)訂閱視覺(jué)處理節(jié)點(diǎn)發(fā)布的幾個(gè)關(guān)鍵信息lane_center: 當(dāng)前幀中車(chē)道線中心的x坐標(biāo)圖像坐標(biāo)系。obstacles_list: 一個(gè)列表包含每個(gè)檢測(cè)到的障礙物的距離和橫向位置。free_space_boundary: 通過(guò)視覺(jué)可通行區(qū)域分析得到的左右邊界。規(guī)劃器的工作流如下首選跟蹤車(chē)道線如果檢測(cè)到清晰的車(chē)道線則將lane_center作為目標(biāo)點(diǎn)計(jì)算小車(chē)當(dāng)前中心與目標(biāo)點(diǎn)的橫向偏差cross_track_error。動(dòng)態(tài)避障邏輯如果檢測(cè)到前方有障礙物則進(jìn)入避障模式。規(guī)劃器會(huì)根據(jù)障礙物的位置和大小在free_space_boundary限定的范圍內(nèi)重新計(jì)算一個(gè)臨時(shí)目標(biāo)點(diǎn)。例如障礙物偏左我們就生成一個(gè)略微偏右的路徑點(diǎn)讓小車(chē)?yán)@行。這里我們采用了“虛擬勢(shì)場(chǎng)”的簡(jiǎn)化思想障礙物產(chǎn)生斥力車(chē)道中心產(chǎn)生引力合力方向就是小車(chē)的期望行進(jìn)方向?；謴?fù)策略繞過(guò)障礙物后規(guī)劃器會(huì)持續(xù)檢查是否重新檢測(cè)到車(chē)道線并平滑地切換回車(chē)道跟蹤模式避免劇烈轉(zhuǎn)向。4.2 雙閉環(huán)PID速度控制決策規(guī)劃器輸出的是期望的航向或橫向位置最終需要轉(zhuǎn)化為左右輪的速度指令。我們采用了兩層PID控制。內(nèi)環(huán)輪速PID閉環(huán)這是最底層、最關(guān)鍵的環(huán)。motor_driver_node訂閱到目標(biāo)速度target_speed_left,target_speed_right后將其與編碼器實(shí)時(shí)反饋的實(shí)際速度進(jìn)行比較通過(guò)PID控制器計(jì)算PWM占空比的調(diào)整量。# 偽代碼示例 class WheelPIDController: def __init__(self, kp, ki, kd): self.kp, self.ki, self.kd kp, ki, kd self.integral 0 self.prev_error 0 def compute(self, target_speed, current_speed, dt): error target_speed - current_speed self.integral error * dt derivative (error - self.prev_error) / dt output self.kp * error self.ki * self.integral self.kd * derivative self.prev_error error # 限制輸出范圍對(duì)應(yīng)PWM占空比 return max(min(output, MAX_PWM), -MAX_PWM)這個(gè)環(huán)保證了即使負(fù)載變化、電池電壓下降每個(gè)輪子也能精確地以指定速度轉(zhuǎn)動(dòng)這是小車(chē)走直線、精準(zhǔn)轉(zhuǎn)彎的基礎(chǔ)。參數(shù)kp, ki, kd需要在小車(chē)空載和負(fù)載情況下分別調(diào)試找到一個(gè)平衡點(diǎn)。外環(huán)航向PID閉環(huán)決策節(jié)點(diǎn)計(jì)算出橫向偏差cross_track_error后將其輸入另一個(gè)PID控制器其輸出是左右輪的速度差speed_diff。例如當(dāng)小車(chē)偏右時(shí)誤差為正控制器會(huì)輸出一個(gè)正的速度差讓左輪稍快于右輪從而向左修正航向。 最終左右輪的目標(biāo)速度由基礎(chǔ)速度和速度差共同決定target_speed_left base_speed speed_diff / 2target_speed_right base_speed - speed_diff / 2這種雙環(huán)結(jié)構(gòu)內(nèi)環(huán)抗干擾保證執(zhí)行精度外環(huán)糾偏保證方向正確是小車(chē)穩(wěn)定運(yùn)行的核心。5. 工程實(shí)現(xiàn)中的關(guān)鍵坑點(diǎn)與優(yōu)化把算法跑通只是第一步讓它在樹(shù)莓派上穩(wěn)定、實(shí)時(shí)地運(yùn)行才是真正的挑戰(zhàn)。5.1 樹(shù)莓派上的性能優(yōu)化實(shí)戰(zhàn)樹(shù)莓派4B的CPU是ARM架構(gòu)單核性能有限。我們的視覺(jué)處理節(jié)點(diǎn)最初用純PythonOpenCV寫(xiě)處理一幀640x480的圖像要接近200ms根本無(wú)法實(shí)時(shí)。優(yōu)化1算法層面精簡(jiǎn)堅(jiān)決使用ROI減少處理像素。將彩色圖像轉(zhuǎn)換和閾值化等操作從使用cv2.cvtColor和cv2.inRange改為直接使用NumPy的向量化操作速度提升明顯。對(duì)于滑動(dòng)窗口找車(chē)道線不是每一幀都從頭開(kāi)始搜索。如果上一幀找到了可靠的車(chē)道線下一幀就在其附近一個(gè)小的鄰域內(nèi)搜索這叫“搜索窗引導(dǎo)”大幅減少了計(jì)算量。優(yōu)化2利用硬件加速這是最關(guān)鍵的一步。樹(shù)莓派的GPUVideoCore VI雖然不能用于通用計(jì)算但可以通過(guò)picamera庫(kù)的array輸出并設(shè)置use_video_portTrue讓圖像數(shù)據(jù)直接通過(guò)GPU的硬件編碼通道傳遞到內(nèi)存效率遠(yuǎn)高于CPU處理。此外OpenCV的一些操作如resize,cvtColor在編譯時(shí)如果開(kāi)啟了NEONARM的SIMD指令集支持也會(huì)自動(dòng)加速。我們使用的官方Raspbian系統(tǒng)自帶的OpenCV通常已包含這些優(yōu)化。優(yōu)化3多進(jìn)程與消息隊(duì)列Python的GIL限制了多線程對(duì)CPU密集型任務(wù)的加速。我們將最耗時(shí)的視覺(jué)處理部分如AprilTag檢測(cè)、光流計(jì)算封裝成獨(dú)立的函數(shù)使用Python的multiprocessing模塊放到另一個(gè)進(jìn)程中運(yùn)行。主進(jìn)程通過(guò)隊(duì)列multiprocessing.Queue傳遞圖像數(shù)據(jù)并獲取結(jié)果。這樣可以利用樹(shù)莓派的四核CPU將幀率從5FPS提升到了15FPS以上滿足了實(shí)時(shí)性要求。5.2 傳感器同步與數(shù)據(jù)融合的陷阱視覺(jué)和編碼器是不同頻率的數(shù)據(jù)源。攝像頭可能是30FPS編碼器讀取可能是100Hz。直接使用最新數(shù)據(jù)會(huì)導(dǎo)致控制抖動(dòng)。我們的解決方案是時(shí)間戳對(duì)齊與插值。所有消息都帶有ROS的header.stamp時(shí)間戳。在決策節(jié)點(diǎn)中我們維護(hù)一個(gè)短暫的里程計(jì)數(shù)據(jù)緩存。當(dāng)收到一幀視覺(jué)處理結(jié)果時(shí)我們根據(jù)這幀圖像的時(shí)間戳在里程計(jì)緩存中找到時(shí)間最接近的里程計(jì)數(shù)據(jù)或者對(duì)前后兩個(gè)里程計(jì)數(shù)據(jù)進(jìn)行線性插值得到一個(gè)“同步”后的位姿估計(jì)用于當(dāng)前的路徑規(guī)劃。這大大提高了多傳感器數(shù)據(jù)的一致性。5.3 電源管理與突發(fā)負(fù)載應(yīng)對(duì)在調(diào)試過(guò)程中我們多次遇到小車(chē)在電機(jī)啟動(dòng)或急轉(zhuǎn)彎時(shí)樹(shù)莓派重啟的情況。排查后發(fā)現(xiàn)即使使用了獨(dú)立電源電機(jī)驅(qū)動(dòng)板的大電流瞬間仍會(huì)通過(guò)地線引入噪聲影響樹(shù)莓派的電源穩(wěn)定性。最終解決方案電源隔離在電機(jī)驅(qū)動(dòng)板的電源輸入端并聯(lián)一個(gè)大容量如1000uF的電解電容用于吸收電機(jī)啟停時(shí)的瞬時(shí)大電流沖擊。信號(hào)隔離在樹(shù)莓派GPIO與電機(jī)驅(qū)動(dòng)板PWM/方向信號(hào)線之間加入了光耦隔離模塊。這樣電機(jī)側(cè)的電氣噪聲就被完全隔絕了。樹(shù)莓派穩(wěn)壓給樹(shù)莓派供電的鋰電池輸出端接了一個(gè)高品質(zhì)的DC-DC降壓穩(wěn)壓模塊確保即使電池電壓波動(dòng)供給樹(shù)莓派的也是穩(wěn)定的5V。經(jīng)過(guò)這些硬件層面的加固后系統(tǒng)再也沒(méi)有出現(xiàn)過(guò)因電源問(wèn)題導(dǎo)致的異常。6. 代碼結(jié)構(gòu)說(shuō)明與快速上手開(kāi)源代碼倉(cāng)庫(kù)包含了完整的項(xiàng)目結(jié)構(gòu)清晰。這里簡(jiǎn)要說(shuō)明核心部分。vision_robot/ ├── launch/ # ROS啟動(dòng)文件 │ └── robot_bringup.launch # 一鍵啟動(dòng)所有節(jié)點(diǎn) ├── src/ │ ├── camera_driver/ # 攝像頭驅(qū)動(dòng)節(jié)點(diǎn) │ ├── vision_processing/ # 視覺(jué)處理節(jié)點(diǎn)核心算法 │ ├── decision_control/ # 決策與控制節(jié)點(diǎn) │ └── motor_driver/ # 電機(jī)驅(qū)動(dòng)與PID控制節(jié)點(diǎn) ├── config/ # 參數(shù)配置文件PID參數(shù)、顏色閾值等 ├── scripts/ # 實(shí)用腳本相機(jī)標(biāo)定、測(cè)試腳本 └── README.md # 詳細(xì)的編譯與運(yùn)行指南快速上手步驟硬件組裝按照文檔連接樹(shù)莓派、攝像頭、電機(jī)驅(qū)動(dòng)板、編碼器和電池。確保電源隔離措施到位。系統(tǒng)燒錄與配置在樹(shù)莓派上安裝Ubuntu Server 20.04或Raspbian然后安裝ROS Noetic?？寺∥覀兊拇a倉(cāng)庫(kù)到~/catkin_ws/src目錄下。依賴安裝運(yùn)行install_dependencies.sh腳本它會(huì)安裝OpenCV、AprilTag庫(kù)等必要的軟件包。參數(shù)校準(zhǔn)這是最重要的一步。相機(jī)標(biāo)定使用scripts/calibrate_camera.py腳本打印一張棋盤(pán)格拍攝多角度照片完成標(biāo)定生成的內(nèi)參文件保存到config/。顏色閾值調(diào)整運(yùn)行scripts/color_threshold_adjuster.py這是一個(gè)圖形化工具可以實(shí)時(shí)調(diào)整HSV閾值直到能穩(wěn)定識(shí)別出你的賽道顏色或目標(biāo)顏色將參數(shù)保存。PID參數(shù)整定這是調(diào)車(chē)的過(guò)程。先調(diào)內(nèi)環(huán)輪速PID讓小車(chē)懸空分別給左右輪一個(gè)固定速度指令觀察實(shí)際速度是否能快速、無(wú)靜差地跟上。再調(diào)外環(huán)航向PID讓小車(chē)在地上跑觀察其跟蹤車(chē)道線的能力適當(dāng)調(diào)整參數(shù)。啟動(dòng)運(yùn)行所有參數(shù)配置好后一個(gè)命令啟動(dòng)所有功能roslaunch vision_robot robot_bringup.launch。小車(chē)就會(huì)開(kāi)始基于視覺(jué)進(jìn)行自主運(yùn)行了。這個(gè)項(xiàng)目從硬件選型到軟件調(diào)試完整地走通了一個(gè)智能視覺(jué)小車(chē)的開(kāi)發(fā)流程。它可能不是性能最強(qiáng)的但一定是細(xì)節(jié)最豐富、坑點(diǎn)提示最全的參考之一。希望這份代碼和詳細(xì)的方案說(shuō)明能幫你更快地啟動(dòng)自己的移動(dòng)機(jī)器人項(xiàng)目把時(shí)間花在更有創(chuàng)造性的算法改進(jìn)上而不是在基礎(chǔ)框架和硬件調(diào)試上反復(fù)踩坑。