当前位置：首页 > news >正文

从零到一：用CH32V103和逐飞库搞定智能车循迹（附完整代码和避坑指南）

news 2026/4/19 13:12:58

从零到一：基于CH32V103的智能车循迹系统全流程实战

第一次接触智能车循迹项目时，面对琳琅满目的硬件和复杂的控制算法，很多初学者都会感到无从下手。本文将带你完整走一遍从硬件选型到PID调参的全过程，使用CH32V103R8T6作为主控芯片，配合逐飞库实现一个稳定可靠的循迹系统。不同于简单的代码搬运，我会重点分享在实际调试过程中遇到的"坑"以及如何系统性地解决问题——比如为什么选择差比和算法处理电感信号、如何避免电机干扰导致ADC采样异常、PCB布局时要注意哪些细节才能减少噪声等。无论你是准备参加智能车竞赛的学生，还是对嵌入式控制感兴趣的爱好者，这篇实战指南都能帮你少走弯路。

1. 硬件设计与选型要点

1.1 核心组件选型分析

智能车系统的硬件架构直接影响后续软件开发的复杂度。经过多次迭代测试，我最终确定的硬件配置如下：

主控芯片：CH32V103R8T6（RISC-V架构，性价比高，社区支持良好）
电机驱动：TB6612FNG（相比L298N发热量小，支持PWM调速）
传感器阵列：5路红外对管+2路电磁电感（冗余设计提升可靠性）
机械结构：前轮转向（舵机控制）+后轮驱动（直流电机）

特别说明：电磁电感虽然成本较高，但在复杂光照环境下比红外传感器更稳定。实际测试发现，使用100kHz方波激励的电感模块抗干扰能力最佳。

1.2 PCB设计避坑指南

自己设计电路板时，这几个细节容易忽略但至关重要：

电源隔离：
- 电机驱动电源与MCU电源必须分开
- 建议使用0Ω电阻或磁珠进行隔离
- 每个IC的VCC引脚附近放置104电容
信号走线：

// 差分布线示例（电磁电感信号线） IN_P ---[100Ω]--- MCU_ADC1 IN_N ---[100Ω]--- MCU_ADC2 GND平面完整覆盖

接口防护：
- 所有对外接口串联220Ω电阻
- 电机输出端反向并联续流二极管

实测发现：不合理的布局会导致ADC采样值波动超过10%，严重影响PID控制效果。建议先用洞洞板搭建原型验证关键电路。

2. 开发环境搭建与逐飞库解析

2.1 MounRiver Studio配置优化

CH32V103的官方开发环境需要一些特殊配置才能发挥最佳性能：

安装RISC-V GCC工具链时选择最新版本（测试发现v8.2.0存在优化bug）
修改工程模板中的链接脚本：

MEMORY { RAM (xrw) : ORIGIN = 0x20000000, LENGTH = 20K FLASH (rx) : ORIGIN = 0x08000000, LENGTH = 64K }

启用编译优化选项-O2时要注意：
- 某些时序敏感代码需要用__attribute__((optimize("O0")))禁用优化
- 中断服务函数必须添加__attribute__((interrupt))

2.2 逐飞库关键功能剖析

逐飞库封装了许多智能车常用功能，但需要理解其实现原理才能用好：

PWM生成：基于硬件定时器，支持互补输出
ADC采样：自动校准参考电压，支持差分输入
运动控制：提供电机死区补偿函数

重要参数设置示例：

// 电机PWM初始化（频率10kHz，死区时间1us） timer_pwm_init(PWM4_CH1_A8, 10000, 100); // ADC采样配置（12位精度，硬件均值滤波） adc_init(ADC_IN6_A6, ADC_12BIT, ADC_SMPL_256);

3. 循迹算法实现与PID调参

3.1 传感器信号处理进阶技巧

原始电感信号需要经过多重处理才能用于控制：

数字滤波组合：
- 滑动平均滤波（窗口大小8）
- 中值滤波（3阶）
- 一阶低通滤波（α=0.2）
差比和算法改进：

float improved_difference_ratio(int adc1, int adc2) { static float history[5] = {0}; float current = 100.0f * (adc2 - adc1) / (adc2 + adc1 + 0.01f); // 历史数据加权 float result = current * 0.6f + history[0] * 0.2f + history[1] * 0.1f + history[2] * 0.05f + history[3] * 0.05f; // 更新历史数据 memmove(history+1, history, 4*sizeof(float)); history[0] = current; return result; }

3.2 PID参数整定实战心法

经过数十次测试得出的参数调节经验：

参数	影响特征	调节技巧	典型值范围
Kp	响应速度	从0开始增加至出现轻微振荡	0.5-2.0
Kd	稳定性	在Kp基础上抑制超调	0.01-0.1
Ki	静差消除	最后微调，通常智能车可设为0	0-0.01

调试时建议采用如下步骤：

先固定Kd=0，Ki=0，逐步增大Kp直到小车开始振荡
记录振荡临界点的Kp值，取其70%作为基准
引入Kd参数，每次增加0.005观察过弯表现
最后测试Ki，注意积分饱和问题

关键发现：不同赛道材质（如亚克力vs纸质）需要不同的PID参数组，建议在Flash中存储多组参数并通过拨码开关切换。

4. 系统集成与性能优化

4.1 多任务调度方案

虽然没有RTOS，但可以通过状态机实现伪多任务：

enum { TASK_SENSOR = 0, TASK_CONTROL, TASK_COMM, TASK_MAX }; void schedule_tasks(void) { static uint32_t tick[TASK_MAX] = {0}; uint32_t now = get_system_tick(); // 10ms执行一次传感器采集 if(now - tick[TASK_SENSOR] >= 10) { read_sensors(); tick[TASK_SENSOR] = now; } // 5ms执行一次控制算法 if(now - tick[TASK_CONTROL] >= 5) { pid_control(); tick[TASK_CONTROL] = now; } }