别再只会抄代码了！手把手教你调试STM32F103C8T6红外循迹小车的PID算法（附TB6612电机控制优化）

从基础循迹到智能控制：STM32F103C8T6红外小车的PID算法实战

当你第一次看到自己组装的循迹小车摇摇晃晃地跟着黑线前进时，那种成就感无与伦比。但随着赛道复杂度提升——急转弯、S型弯道、交叉路口——简单的"if-else"逻辑开始力不从心。小车要么在弯道冲出赛道，要么在直线上"蛇形走位"，这时就该请出控制领域的"瑞士军刀"：PID算法。

1. 为什么你的小车需要PID控制？

传统循迹小车的控制逻辑通常是这样：检测到左侧传感器触发→左转；右侧触发→右转；中间触发→直行。这种"开关式"控制虽然简单直接，但存在三个致命缺陷：

1. 响应过激：传感器一旦检测到偏离就立即全速转向，导致小车在直线上频繁摆动
2. 适应性差：固定转向速度无法适应不同曲率的弯道
3. 无累积修正：无法根据持续偏离状态调整转向力度

而PID控制器通过三个维度的动态调整完美解决这些问题：

• 比例(P)：实时偏差的即时响应
• 积分(I)：持续偏差的累积修正
• 微分(D)：变化趋势的预见性控制

// 典型PID计算公式 float PID_Calculate(PID_TypeDef *pid, float current, float target) { float error = target - current; pid->integral += error; float derivative = error - pid->last_error; pid->last_error = error; return pid->Kp*error + pid->Ki*pid->integral + pid->Kd*derivative; }

2. TCRT5000传感器数据的PID化处理

常规的红外传感器返回0/1数字信号，要用于PID控制需要做两处关键改造：

2.1 传感器阵列的加权编码

将5个TCRT5000传感器排列为[L2, L1, M, R1, R2]，采用二进制加权法转换为连续变量：

#define WEIGHT_L2 -4 #define WEIGHT_L1 -2 #define WEIGHT_M 0 #define WEIGHT_R1 +2 #define WEIGHT_R2 +4 int16_t calculate_sensor_error() { return L2*WEIGHT_L2 + L1*WEIGHT_L1 + M*WEIGHT_M + R1*WEIGHT_R1 + R2*WEIGHT_R2; }

2.2 信号滤波处理

红外传感器易受环境光干扰，需添加软件滤波：

#define FILTER_WINDOW 5 int16_t filter_buffer[FILTER_WINDOW]; int16_t moving_average_filter(int16_t new_val) { static uint8_t index = 0; filter_buffer[index++] = new_val; if(index >= FILTER_WINDOW) index = 0; int32_t sum = 0; for(uint8_t i=0; i<FILTER_WINDOW; i++) { sum += filter_buffer[i]; } return sum / FILTER_WINDOW; }

3. TB6612电机驱动的PID响应优化

PID输出最终要转化为电机控制信号，TB6612的PWM控制需要特别注意：

3.1 电机死区补偿

uint8_t compensate_dead_zone(uint8_t pwm) { if(pwm > 0 && pwm < 25) { return 25 + (pwm * 0.3); } return pwm; }

3.2 差速转向实现

通过PID输出控制左右轮速差：

void set_motor_speed(float pid_output) { float base_speed = 60.0; // 基础速度 float left_speed = base_speed - pid_output; float right_speed = base_speed + pid_output; // 限幅保护 left_speed = constrain(left_speed, -100, 100); right_speed = constrain(right_speed, -100, 100); Motor_LEFT_SetSpeed((int8_t)left_speed); Motor_RIGHT_SetSpeed((int8_t)right_speed); }

4. Keil环境下的PID参数调试实战

4.1 调试接口设计

通过SWD接口实时监控关键变量：

// 在Watch窗口添加这些变量 __IO float g_error; // 当前偏差 __IO float g_p_term; // P项输出 __IO float g_i_term; // I项输出 __IO float g_d_term; // D项输出 __IO float g_pid_output; // 总输出 void PID_Update_Debug(PID_TypeDef *pid, float current, float target) { g_error = target - current; g_p_term = pid->Kp * g_error; // ...其余计算 }

4.2 参数整定步骤

1. 先调P：逐步增大Kp直到小车出现轻微振荡

   • 典型初始值：Kp=0.5，Ki=0，Kd=0
   • 每次调整幅度：±0.2

2. 再调D：加入Kd抑制振荡

   • 典型初始值：Kd = Kp * 0.1
   • 观察过冲是否减小

3. 最后调I：消除静态误差

   • 典型初始值：Ki = Kp * 0.01
   • 注意积分饱和问题

调试技巧：在直道-弯道过渡区域观察响应，理想状态是转向平滑无超调

4.3 常见问题排查表

5. 进阶优化技巧

5.1 动态参数调整

根据偏差大小自动调节PID参数：

void adaptive_pid_params(PID_TypeDef *pid, float error) { float abs_error = fabs(error); if(abs_error > 3.0) { // 大偏差区域 pid->Kp = 1.2; pid->Ki = 0.01; pid->Kd = 0.3; } else { // 小偏差区域 pid->Kp = 0.8; pid->Ki = 0.05; pid->Kd = 0.5; } }

5.2 速度前馈控制

在急弯处提前减速：

float get_speed_feedforward(float curvature) { float safe_speed = 100.0 - 30.0 * fabs(curvature); return constrain(safe_speed, 30, 100); } // 曲率估算 float estimate_curvature() { static float last_error = 0; float curvature = (g_error - last_error) / 0.1; // 0.1s为采样周期 last_error = g_error; return curvature; }

5.3 赛道记忆算法

对重复赛道进行学习优化：

typedef struct { uint16_t position; float best_pid_output; } TrackPoint; TrackPoint track_memory[100]; // 赛道记忆数组 void update_track_memory(uint16_t pos, float pid_out) { static uint8_t index = 0; track_memory[index].position = pos; track_memory[index].best_pid_output = pid_out; index = (index + 1) % 100; } float get_learned_output(uint16_t pos) { for(uint8_t i=0; i<100; i++) { if(abs(track_memory[i].position - pos) < 5) { return track_memory[i].best_pid_output; } } return 0; }

当你的小车能够丝滑地通过S弯道，那种流畅的轨迹会让人想起顶级跑车的过弯表现。PID调参是个需要耐心的过程，记得保存不同参数组合的测试视频，对比分析才能快速进步。遇到平台期时，不妨尝试用蓝牙模块将实时数据发送到上位机，用Python绘制响应曲线，这种可视化分析往往能发现肉眼难以察觉的问题。