从零到一：STM32无人小车的避障算法优化实战
当我在实验室第一次看到那个巴掌大的STM32小车颤颤巍巍地绕过障碍物时，突然意识到嵌入式开发的魅力就在于这种"从无到有"的创造过程。这辆搭载着超声波和红外传感器的小家伙，背后隐藏的是传感器融合、实时控制、路径规划等一系列关键技术。本文将带你深入无人小车避障系统的核心，从硬件选型到算法优化，完整呈现一个可落地的避障方案。
1. 硬件架构设计与传感器选型
1.1 主控芯片与驱动方案
选择STM32F103作为主控芯片是经过多维度考量的结果。这款基于Cortex-M3内核的MCU不仅具备72MHz主频，更重要的是其丰富的外设资源：
// STM32F103主要外设初始化示例 void Hardware_Init(void) { RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA | RCC_APB2Periph_AFIO, ENABLE); GPIO_PinRemapConfig(GPIO_Remap_SWJ_JTAGDisable, ENABLE); // 释放JTAG引脚 PWM_Init(7199, 0); // PWM频率=72MHz/(7199+1)=10kHz Ultrasonic_Trig_Config(); Infrared_Init(); }电机驱动采用经典的L298N模块，其关键参数对比如下：
| 参数 | L298N | TB6612FNG | DRV8833 |
|---|---|---|---|
| 驱动电压 | 4.5-46V | 2.5-13.5V | 2.7-10.8V |
| 峰值电流 | 2A | 1.2A | 1.5A |
| 内阻 | 300mΩ | 200mΩ | 160mΩ |
| PWM频率 | <25kHz | <100kHz | <250kHz |
提示：在小车应用中，L298N虽然效率略低，但其耐压高、价格低廉的特点使其成为入门首选。若追求更高效率，可考虑MOSFET驱动方案。
1.2 多传感器融合设计
避障系统的可靠性取决于传感器组合策略。我们采用超声波+红外的双模方案：
HC-SR04超声波模块：
- 测距范围：2cm-400cm
- 精度：±3mm
- 波束角度：15°
- 最佳工作周期：≥60ms
红外避障传感器：
- 检测距离：2-30cm可调
- 响应时间：<2ms
- 不受可见光干扰
传感器布局遵循"前主侧辅"原则：
- 正前方布置1个超声波+2个红外对管
- 左右两侧各布置1个红外传感器
- 所有传感器呈扇形分布，覆盖180°范围
2. 避障算法核心逻辑实现
2.1 多源数据融合算法
传感器数据融合采用加权决策模型：
距离可信度 = α*(超声波权重) + β*(红外权重)其中权重系数通过实验标定：
#define ULTRASONIC_WEIGHT 0.7f #define INFRARED_WEIGHT 0.3f float GetFusedDistance(void) { float ultrasonic_dist = GetUltrasonicDistance(); float infrared_dist = GetInfraredDistance(); if(infrared_dist < 10.0f) { // 近距离时红外更可靠 return ULTRASONIC_WEIGHT*ultrasonic_dist + INFRARED_WEIGHT*infrared_dist; } return ultrasonic_dist; // 远距离仅用超声波 }2.2 动态阈值避障策略
避障阈值根据小车速度动态调整：
安全距离 = 基础距离 + (当前速度 × 制动系数)具体实现采用状态机设计：
typedef enum { STATE_FORWARD, STATE_TURN_LEFT, STATE_TURN_RIGHT, STATE_BACKWARD } AvoidanceState; void AvoidanceFSM(void) { static AvoidanceState state = STATE_FORWARD; float safe_dist = BASE_DIST + current_speed * BRAKE_FACTOR; switch(state) { case STATE_FORWARD: if(front_dist < safe_dist) { if(left_dist > right_dist) state = STATE_TURN_LEFT; else state = STATE_TURN_RIGHT; } break; // 其他状态处理... } }3. 实时性能优化技巧
3.1 中断优先级配置
确保关键任务的实时响应：
| 中断源 | 优先级 | 处理内容 |
|---|---|---|
| 超声波回波中断 | 0（最高） | 距离测量 |
| 定时器中断 | 1 | PID控制、状态更新 |
| 串口中断 | 2 | 调试信息输出 |
NVIC_InitTypeDef NVIC_InitStructure; NVIC_InitStructure.NVIC_IRQChannel = TIM3_IRQn; NVIC_InitStructure.NVIC_IRQChannelPreemptionPriority = 1; NVIC_InitStructure.NVIC_IRQChannelSubPriority = 0; NVIC_InitStructure.NVIC_IRQChannelCmd = ENABLE; NVIC_Init(&NVIC_InitStructure);3.2 内存优化策略
针对STM32F103的64KB内存限制：
- 使用
__packed关键字压缩数据结构 - 将常量字符串存储在Flash中
- 采用内存池管理动态内存
#pragma pack(push, 1) typedef struct { uint8_t sensor_id; float distance; uint16_t timestamp; } SensorData; #pragma pack(pop) const char *debug_msg = "System Ready"; // 存储在Flash4. 实际调试与性能测试
4.1 传感器校准流程
- 将小车置于距墙面50cm处
- 执行校准命令：
$ calibrate ultrasonic $ calibrate infrared - 记录各传感器读数偏差
- 写入EEPROM保存校准参数
4.2 避障性能指标
测试环境：3m×3m场地，随机布置5个障碍物
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 平均避障距离 | 15cm | 8cm |
| 最大转向角度 | 90° | 45° |
| 路径平滑度 | 2.1 | 1.3 |
| 平均响应延迟 | 120ms | 65ms |
在完成第三轮算法迭代后，我们发现将超声波采样间隔从100ms缩短到60ms，配合预测算法，可以使小车的反应速度提升40%。但这也带来了CPU负载上升的问题，最终通过优化中断服务程序，将CPU占用率控制在75%以下。
