电子科技大学智能车光电组技术解析：从PID控制到系统调优

1. 项目概述：一场关于速度与策略的硬核竞技

如果你对嵌入式开发、自动控制或者机器人竞赛感兴趣，那么“飞思卡尔智能车竞赛”（现已更名为“全国大学生智能汽车竞赛”）这个名字你一定不陌生。它不仅仅是一场简单的模型车比赛，而是一个融合了机械、电子、控制、算法、图像处理等多学科知识的综合性工程实践平台。今天，我想以一个过来人的视角，和你深入聊聊这个竞赛中一个极具代表性的组别——光电组，并聚焦于电子科技大学这支传统强队，看看他们是如何将一辆看似普通的模型车，打造成一个在赛道上风驰电掣、精准无比的“智能体”的。

光电组，顾名思义，其核心的赛道识别传感器是光电传感器，主要是激光管或红外发射接收对管。与摄像头组通过图像处理来“看”赛道不同，光电组更像是用一排“手指”去“触摸”赛道边缘。这种方案听起来更直接，但要做好却极具挑战性。它要求极高的实时性、稳定的信号处理和精准的控制算法。电子科技大学（成电）的队伍在这个组别中屡创佳绩，他们的技术方案和工程实现，往往代表了当年竞赛的最高水准之一，是很多参赛队伍学习和研究的对象。通过拆解他们的技术脉络，我们不仅能理解智能车竞赛的精髓，更能学到一套完整的、从传感器到执行器的嵌入式系统开发方法论。

2. 核心赛道感知方案：从“点”到“线”的精确重构

光电组的灵魂在于其前瞻的传感器布局。这绝不是简单地把几个红外对管排成一排那么简单，其背后的设计与权衡，体现了深厚的工程智慧。

2.1 传感器布局策略与信号调理

主流的方案是采用一排（通常是16-24个）红外发射接收对管，以一定的间距横向排列在车头前方，形成一个“触须阵列”。每个对管独立工作，发射红外光并接收从地面反射回来的光强。黑色赛道（通常是电工胶带）和白色背景（通常是KT板）的反射率差异巨大，从而可以判断每个传感器下方是黑线还是白底。

注意：这里有一个关键细节——环境光干扰。比赛现场灯光复杂，日光灯、窗户自然光都会严重影响红外接收管的读数。因此，调制解调技术是必选项。即让红外发射管以特定频率（例如38kHz）闪烁，接收端只解调该频率的信号。这能极大抑制环境中的恒定光或低频变化光的干扰。成电的队伍在硬件滤波电路的设计上非常考究，通常会使用专门的调制芯片（如PT1301）和解调芯片（如CX20106A或一体化接收头），配合RC滤波电路，确保收到的信号是干净、稳定的数字量或高线性度的模拟量。

传感器的布局间距和前瞻距离是需要精心计算的。间距决定了横向分辨率，太宽会漏检细小的弯道，太密则增加成本和信号处理负担。前瞻距离则直接影响控制的前瞻性：前瞻太远，近处的赛道信息不足，过急弯容易内切；前瞻太近，留给控制系统反应的时间太短，速度提不起来。成电的方案往往采用“中间密，两边疏”的非均匀布局，中间区域传感器密集以提高中心线定位精度，两边稀疏以覆盖更宽的赛道范围，同时在前方更远处布置少数几个“远见”传感器，用于提前感知弯道趋势。

2.2 赛道信息提取与中线计算

得到一排传感器的二值化（黑/白）或模拟量数据后，下一步就是重构出赛道的中心线。这是控制算法的输入基础。

最经典的方法是“差值法”或“重心法”。假设我们有8个传感器，从左到右编号1-8。当车在直道上居中行驶时，可能是传感器4和5处于黑白边界。我们可以计算黑线中心的位置。例如，采用模拟量时，将每个传感器的AD值（代表黑度）与其位置坐标加权平均，算出一个“黑线重心”坐标。这个坐标相对于传感器阵列中心的偏移量，就是当前车体相对于赛道中心线的横向偏差。

对于数字量（0或1），常用“跳变沿检测法”。找到从0到1和从1到0的跳变点，这两个跳变点的中间位置即认为是黑线边缘，再根据已知的赛道宽度，推算出中心线位置。成电的代码中，会对跳变点的搜索进行鲁棒性处理，比如需要连续多个点确认才判定为有效跳变，防止单个传感器误触发导致中线计算抖动。

更高级的策略是进行“赛道记忆”和“预测”。在过十字、环岛等特殊元素时，传感器可能会短暂丢失赛道。此时，系统会依据前一刻的赛道曲率和车身速度，预测未来一小段时间内的赛道走向，维持稳定控制，直到传感器重新捕获有效信号。这种策略的引入，是队伍能否处理复杂赛道的关键。

3. 控制系统的核心：PID与更优算法的实战演化

有了精确的赛道中心线偏差（横向偏差E及其微分dE），接下来就是如何驱动舵机打角，控制电机速度，让车沿着这条中心线跑。

3.1 经典PID控制的深度调参

PID（比例-积分-微分）控制器是智能车控制的基石，看似简单，调好却极难。成电的技术报告里，往往会详细阐述他们PID的独特用法。

• 比例（P）控制：核心。Output = Kp * E。偏差越大，舵机打角越大。Kp过小，车反应迟钝，过弯时纠偏无力，容易冲出赛道；Kp过大，车会在中心线附近高频振荡，像“画龙”一样。成电的队伍通常会根据车速动态调整Kp：直道、低速时用一个Kp，入弯、高速时用另一个更大的Kp以快速响应。
• 微分（D）控制：灵魂。Output += Kd * dE。dE是偏差的变化率，代表了偏差未来的趋势。它能抑制振荡，提高稳定性。在高速过弯时，D的作用至关重要，它能提前给出反打方向的力矩，防止车辆因惯性甩出。调Kd时，需要关注车的“姿态”，观察车头是平滑跟随还是剧烈抖动。
• 积分（I）控制：双刃剑。用于消除静态误差。但在智能车这种快速动态系统中，I项很容易积累导致超调，甚至引发振荡。因此，很多队伍会弱化甚至不用I，或者采用“积分分离”策略：只有当偏差E小于某个阈值时，才引入积分，用于微调居中；偏差大时，则清除积分，防止积分饱和。

实操心得：调PID没有银弹，必须上车实测。一个有效的方法是“阶跃响应法”：让车静止，手动给它一个固定的横向偏差（比如用手把车推到偏离中心线5cm），然后松手让它自己回正。观察其回归中心线的过程：是缓慢爬回、快速振荡还是平稳迅速？根据响应曲线来调整Kp和Kd。记住，先调P直到出现轻微振荡，再加D抑制振荡，最后考虑I。

3.2 进阶控制策略：串级PID与模糊控制

在追求极致性能时，单一的位置式PID可能不够用。成电等强队会采用更复杂的架构。

串级PID：这是非常经典且有效的进阶方案。外环是“方向环”，输入是赛道中心线偏差，输出是一个“期望舵机角度”或“期望前轮转角”。内环是“舵机环”，输入是外环输出的期望角度与舵机当前实际角度的偏差，输出是直接给舵机的PWM信号。这样做的好处是将控制任务分解，内环专门负责让舵机快速、准确地执行角度指令，外环则专注于路径跟踪的策略。内环的存在使得舵机响应更快，系统更稳定。

模糊控制：对于一些非线性、模型难以精确描述的系统，模糊控制有奇效。成电的队伍曾尝试过将模糊逻辑与PID结合。例如，根据偏差E和偏差变化率dE的大小，模糊划分为“大正”、“小正”、“零”、“小负”、“大负”等语言变量，然后通过一套经验规则（如：如果E为正大且dE为正小，则控制输出为负大），动态调整PID的参数或直接给出控制量。这种方法在应对突然出现的急弯（S弯）时，有时比固定参数的PID更平滑。

4. 机械调校与运动优化：让算法“脚踏实地”

再好的算法，也需要一个稳定可靠的硬件平台来承载。机械是智能车的“身体”，调校不好，控制算法事倍功半。

4.1 车模机械结构的关键调整

• 重心与质心：这是最重要的机械参数。重心要低，前后左右分布要合理。通常会将最重的电池放在车体中部靠下的位置。低重心能减少过弯时的侧倾，提高抓地力。通过前后移动电池或主板位置，可以微调车的前后重量分配，影响车辆的转向特性（不足转向或过度转向）。
• 前轮定位参数：
  • 前束：从车顶看，两个前轮前端距离与后端距离的差值。轻微的前束（Toe-in）有助于提高直行稳定性，但会增加转向阻力。智能车通常设置为0或极小的前束。
  • 主销后倾：转向主销上端向后倾斜的角度。它能产生回正力矩，让车在转弯后自动回正。成电的车通常会通过加装垫片等方式，设置一个适度的主销后倾角。
  • 主销内倾：转向主销上端向内倾斜的角度。主要与车轮接地点的偏移量有关，对智能车影响相对较小，但也会影响回正力和转向手感。
• 悬挂与减震：原车模的悬挂通常较软。在高速过弯时，车身侧倾会导致内侧车轮抓地力下降。强队会加固悬挂（如更换更硬的弹簧，或用碳杆限位），甚至改用刚性连接（即“硬悬挂”），牺牲一些对路肩的适应性，换取过弯时极其稳定的车身姿态。

4.2 轮胎处理与差速调整

• 轮胎打磨与软化：新轮胎表面光滑，抓地力不足。需要用砂纸均匀打磨胎面，去除光泽层，增加粗糙度。更“玄学”的是轮胎软化：使用特定的溶剂（如四氯化碳、乙酸乙酯等，需在通风环境并注意安全）涂抹轮胎，使其橡胶软化，能在赛道上“粘”得更牢。成电的队员在这方面有大量的经验，对溶剂的配比、涂抹次数和晾干时间都有严格流程。
• 差速器调校：后轮差速器的松紧直接影响动力输出和过弯性能。差速太紧（阻尼大），两个后轮转速差小，过弯时内侧轮阻力大，容易推头（转向不足）；差速太松，动力损失大，出弯加速无力。需要通过调整差速器内的硅油浓度或填充物来找到最佳点。一个简单的测试方法是：抬起车，用手快速转动一个后轮，感受另一个后轮跟随转动的阻力和延迟。

5. 系统集成与实战调试：从实验室到赛道的最后一公里

当硬件组装完毕，基础代码跑通，真正的挑战才刚刚开始——系统联调与赛道适应性优化。

5.1 分层调试方法论

不要一上来就在完整赛道上全速测试。应采用分层调试法：

1. 单元测试：单独测试传感器阵列，在静态下移动黑线，观察AD值或数字量变化是否准确、平滑。测试舵机，给定固定PWM，观察其转动角度和速度。测试电机，检查加速、减速是否线性。
2. 开环测试：让车在赛道上慢速运行，不启用闭环控制，手动记录在不同位置（直道、弯道）的传感器数据和中线计算结果，验证感知模块的正确性。
3. 单环闭环测试：先只调试方向控制环。固定一个很低的车速，让车自己循迹，专注于调好舵机的PID参数，让车能平滑稳定地跟随赛道，不冲出去也不振荡。
4. 速度环集成：在方向稳定的基础上，加入速度控制。直道加速，入弯前减速，出弯加速。这里需要调试电机PID，以及速度规划曲线。
5. 全系统优化：最后进行整体微调，处理方向与速度控制的耦合问题，优化过弯策略。

5.2 赛道元素识别与特殊处理

竞赛赛道不是简单的圆环，它包含十字、环岛、坡道、断路、障碍等元素。光电组识别这些元素主要依靠传感器阵列的特定模式。

• 十字路口：当传感器阵列检测到一条很宽的黑带（超过正常赛道宽度），且持续一定时间，即可判定为十字。策略是“冲十字”：保持进入十字前的方向和速度，直行通过。关键在于防止误判，例如弯道处可能因为前瞻传感器都看到黑线而误判为十字，需要结合历史路径信息进行滤波。
• 环岛：识别逻辑更复杂。需要检测到赛道一侧出现连续的黑线（环岛入口弧线），并可能伴随内侧传感器的特定变化。进入环岛后，需要切换控制模式，以内侧环岛边缘为基准进行循迹，并计数出口。成电的方案中，通常会有一个独立的状态机来管理环岛的进入、巡线和退出逻辑。
• 坡道与颠簸：坡道会导致车身仰俯，改变传感器距地高度，影响信号。需要通过软件补偿（如动态调整二值化阈值）或硬件手段（确保传感器支架刚性）来应对。颠簸路段则考验机械牢固性和控制算法的鲁棒性。

6. 常见问题排查与性能压榨技巧

在最后的冲刺阶段，解决问题和压榨每一毫秒的性能至关重要。

6.1 典型故障与解决方案速查表

6.2 性能压榨的“黑科技”

在基础稳定的前提下，顶尖队伍会追求极致的优化：

• 动态参数表：根据赛道曲率（通过当前偏差和历史偏差估算）和车速，实时查表切换多套PID参数。直道用一套，弯道用另一套，大弯和小弯的参数也不同。
• 前瞻距离动态调整：高速时使用更远的前瞻以提前预判，低速过急弯时切换为近前瞻以提高对当前弯道的跟踪精度。
• 路径规划与切内弯：不仅仅是跟踪中线，而是在规则允许范围内进行最优路径规划。例如，在过弯时，让车稍微走内道，可以缩短实际行驶距离。这需要算法能够预测弯道形态，并生成一条期望路径，然后控制车去跟踪这条路径，而不是简单的中线。
• 代码极简优化：使用寄存器级操作、查找表代替复杂计算、将频繁调用的函数内联。甚至用汇编语言重写关键循环。确保中断服务程序（ISR）尽可能短小精悍。

回顾电子科技大学在光电组上的成功，其核心在于对“感知-决策-控制”这一闭环的每一个环节都做到了极致的深入理解和精细打磨。从硬件上稳定可靠的传感器电路，到软件上高效鲁棒的识别算法；从经典的PID控制理论实践，到机械上毫米级的调校；从单个模块的稳定，到整个系统在复杂环境下的协同。这不仅仅是一场比赛，更是一个完整的工程项目训练。它教会你的，是如何将一个复杂的多学科问题分解、建模、实现、调试并最终优化到卓越。这份经历，远比奖杯本身更为珍贵。