简介：这是围绕第六届全国大学生工程训练综合能力竞赛“智能物流车”赛项整理的一份完整 PDF 技术文献，面向参加工程训练竞赛的高校学生、指导教师以及机器人/AGV方向初学者，系统讲解智能物流车的整体设计方案。资源为单个 PDF 文档，大小仅 2.13MB，内容涵盖系统总体架构、机械结构、控制电路、AGV 导航算法等核心模块，便于直接阅读与打印。该文献已有 107 人学习下载，属于针对性较强的竞赛参考素材。内容从竞赛命题要求出发，详细阐述了采用关节坐标型机械臂完成物料抓取和搬运，利用全向轮/麦克纳姆轮底盘实现灵活移动，并结合 OpenMV 完成颜色识别与二维码解析等具体实现思路，同时兼顾执行机构控制电路设计和路径规划等系统集成要点。通过阅读可快速掌握从硬件搭建到算法调试的完整流程，有助于完善自己的物流车方案，提升备赛效率。 工程训练竞赛里的智能物流车，几乎是每届参赛队都绕不开的经典项目。它不像纯算法竞赛那样拼模型精度，也不像纯机械设计那样比结构强度，它要求你在一个多月里把机械、电路、控制、视觉、调度全串起来，交出一台能稳定跑完全程的车。这篇文章不打算讲“大一统方案”，只把我自己带队从零设计到赛前调试的完整思路梳理一遍，包括方案选型时到底在纠结什么、哪些传感器组合够用又不折腾、状态机怎么写才不会在赛场上崩掉，以及几个我们在实验室里踩到想骂人的坑。
1. 竞赛任务先拆清楚：物流车到底在考什么
先别急着打开绘图软件画底盘、翻芯片手册选主控。工程训练竞赛的智能物流车题目，每年表述有变化，但核心考核点基本围绕“识别—抓取—搬运—投放”这条链路展开。以最常见的任务版本为例，场地大约是一个 3m × 3m 左右的模拟仓库区，地面有引导线或二维码路标，几个固定工位摆放不同颜色或形状的物料块，车需要按照指定顺序把它们搬运到目标区域。
这里有个新手容易踩的误区：以为评委看的是“谁跑得快”。实际训练赛的打分权重里，单次任务的完整率和稳定性远高于速度。完成一次搬运得 30 分，跑得再快但中途翻车、掉料、越线，一次任务直接归零。所以我们设计的第一原则就是：所有模块的可靠性都要优先于极限性能。电机能跑 1.5m/s 就够了，不追求 3m/s；视觉识别 300ms 一帧可以接受，但不能丢帧。
拆解任务之后，系统层面的功能清单其实很清楚：
- 定位与导航：车要知道自己在场地里的位置，按照任务点顺序行走；
- 障碍与边界感知：不能撞到货架、隔板，不能跑出场地边界；
- 物料识别：区分不同颜色/形状/标识的物料块；
- 抓取与释放：机械结构能稳定拾取物料，并精确投放到目标区；
- 任务调度：多任务点之间选择最优路径、处理异常重试。
有了这份清单，后面所有的硬件选型、结构设计、代码架构都有了解题主线。先有功能树，再谈器件选型，这是整个项目最值得先花两天时间做的事。
2. 机械底盘和抓取结构：稳定压倒一切
车体方案我们在设计阶段比较过两类：四轮差速底盘和麦克纳姆轮全向底盘。麦克纳姆轮听起来炫酷，能横移、能原地转，对窄道取货确实友好，但它对地面平整度非常敏感。竞赛场地是拼接地板或喷绘布，一旦有点起伏，某个轮子悬空，整车姿态就偏了，而且麦轮调试标定很费时间。四轮差速底盘结构简单、驱动控制成熟、抗偏载能力强，牺牲一点灵活性但换来极高的可靠性。最终我们选了四轮差速，这也是大多数拿高分队伍的选择。
底盘布局上有一条非常重要的经验：重心高度和电池位置。很多队把电池直接平铺在底盘上层板，结果整车重心偏高，转弯时侧倾明显，尤其在高速循迹急弯处容易翻车。我们的处理方式是把 12V 锂电池组挂在底盘下板、前后轴之间的位置，并用 3D 打印支架固定。重心降低以后，同样一条弯道，过弯极限速度能提升 20% 左右，而且循迹传感器的读数值也稳定得多——车身晃动小，传感器离地间隙几乎不变。
抓取机构是按物料形状二选一的：吸盘方案和机械爪方案。吸盘适合扁平、表面光滑的物料块，控制和结构最简单，一个真空泵加电磁阀就行，但遇到表面有纹路或者不平整的物料就歇菜。机械爪适应性强，但需要两个以上舵机，还要设计闭环夹持力，不然要么夹不稳、要么把物料夹飞。我们的物料是 5cm 见方的木质块，表面略粗糙，所以选了机械爪方案：两个 MG996R 舵机控制左右爪指，爪指内侧贴 2mm 橡胶垫增加摩擦，配合一个限位微动开关检测是否夹到物料。
夹爪的安装位置也踩过坑。早期版本装在车头正前方，取料时要车头对准物料中心，对定位精度要求极高，偏几毫米就夹不到。后来改成侧面偏置安装，车体可以斜着通过物料区，爪子行程覆盖范围更宽，取料成功率从 62% 提到 95% 左右。这个改动只花了一个下午，效果立竿见影，属于典型的机械容差设计思路：让机械结构去弥补定位误差，而不是一味提高传感器和控制精度。
3. 传感器与电路设计：够用、抗干扰、好排查
传感器方案跟随定位方式走。我们选的是“灰度循迹 + OpenMV 视觉辅助 + 超声波避障”的组合，主控用 STM32F407，理由很简单：资料多、外设全、大部分队员学过，遇到问题能快速找到参考。
循迹方面，8 路灰度传感器排在车底前部，间距 15mm，覆盖约 120mm 宽的检测带。起初想过直接用 4 路灰度，但后来发现竞赛场地引导线有交叉、有虚线，4 路经常在路口误判，8 路可以配合算法做路口特征识别。灰度传感器的安装高度是个关键参数，离地太高信号弱、太低会刮地面。我们实测 8mm 到 12mm 是稳定区间，最后固定在 10mm，用螺母锁紧。
OpenMV 主要干两件事：识别物料颜色和识别目标投放区色块。这里有一个非常重要的抗干扰教训：场地灯光不均匀会对 OpenMV 的颜色阈值产生巨大影响，左边识别得好好的阈值，车转到场地右边就失灵了。我们的解决办法是：在 OpenMV 镜头前加一层偏光片，减少地面反光；同时在代码里做动态颜色阈值校正——程序启动后先花 3 秒在当前光照下采样场地背景色，再基于背景色动态计算物料颜色的阈值范围。这个方法让我少掉了至少一个礼拜的头发。
超声波避障用的是 HC-SR04，装在车头左右两侧各一个，用于检测行进方向上的障碍物。这里要提醒一下：HC-SR04 的探测波束角比较大（约 15 度），容易把旁边的挡板误判为前方障碍。我们给两个探头之间加了 3D 打印的隔板，同时在程序里做了“连续 3 次测距都小于阈值才算障碍”的滤波判断，基本消除了误报。
电源系统是最容易被忽视的模块。我们使用 3S 锂电池（11.1V 标称）给电机供电，STM32、OpenMV、灰度传感器、舵机全部通过降压模块供电。第一次联调时发现 OpenMV 频繁重启，查了很久才发现是舵机启动瞬间的电流尖峰把 5V 电压拉到了 4.2V 以下。后来换了 BEC 降压模块（持续输出 5V/3A），并用独立一路给 OpenMV 和灰度传感器供电，问题彻底解决。记住一句话：数字电路和动力电路一定要分开供电，实在分不开也要在电源输入端加大容量电容。
4. 系统软件架构：状态机比算法先落地
很多参赛队的代码是“东一榔头西一棒子”写出来的：先写个循迹函数，再加个识别函数，最后在 main 里用一堆 if 嵌套操作。开环调试没问题，一旦进入完整任务联调就崩溃——因为各种传感器和动作的时序全乱套了。我们从一开始就确定用状态机架构来组织整个任务流程。
一个典型的任务状态流如下：
| 状态 | 说明 | 触发条件 |
|---|---|---|
| IDLE | 初始化等待启动 | 收到启动信号 |
| SEARCH_TARGET | 从当前位置导航至目标物料区 | 到达目标点附近 |
| RECOGNIZE_MATERIAL | OpenMV 识别物料颜色/位置 | 识别成功且置信度足够 |
| GRAB_MATERIAL | 控制舵机夹取 | 限位微动开关触发 |
| CARRY_TO_DEST | 循迹行驶至投放区 | 到达投放点 |
| RELEASE_MATERIAL | 释放物料 | 爪指张开到位 |
| BACK_TO_BASE | 返回起点或下一任务点 | 投放完成 |
状态之间的跳转条件里，最值得注意的就是超时保护。假如识别环节卡住了、夹爪没夹到物料、小车走偏了，状态机必须要有“超时进入异常处理”的逻辑。比如抓取动作我们设定 3 秒超时，超时后状态机会重新回到 RECOGNIZE_MATERIAL 或者直接跳到下一个可取物料区，避免车原地发呆被扣分。这个机制在赛场上救了我们好几次——物料块歪了、夹爪打滑，都是靠超时重试硬扛过去的。
路径导航这部分，如果场地路线复杂，可以考虑用“灰度循迹 + 路口标志线计数”的方式实现，这个方案最朴素也最稳。每个路口会有垂直于引导线的标志线，灰度传感器检测到横向标志线就计一次数，状态机根据目标点对应的路口编号控制转向。这里要特别注意转弯时的速度控制：先减速到 0.2m/s 以下再打方向盘，否则惯性会让车在路口滑出一个大弧线，直接越过目标路线。
5. PID 参数整定与中途调试：数据比感觉可靠
循迹小车最核心的控制算法就是 PID。我们用位置式 PID 控制转向，输入是灰度传感器计算出的“位置偏差”，输出是左右轮速度差。具体来说，8 路灰度传感器给每个传感器赋一个权重（比如从左到右是 -4 到 +4），当传感器检测到黑线时累加权重，再除以检测到的传感器数量，得到一个归一化的偏差值，范围大概在 -4 到 +4 之间。
这个偏差值经过 PID 计算后，得到转向修正量：转向量 = KP * 偏差 + KI * 积分项 + KD * 微分项。参数整定我们用了经典的“先 P 后 I 后 D”方法。先把 KI 和 KD 置 0，KP 从 0.3 开始往上涨，直到车在直线上能稳定循迹但弯道有轻微震荡，这个 KP 值记为 KP_max，最终取 0.6 * KP_max。然后加 KD 来抑制震荡，KD 从 0.5 起步，观察弯道表现——如果转弯不足就加大 KD，如果抖动厉害就减小。最后加一点 KI 来消除稳态误差，KI 不要大，积分饱和会害死人。
这里提供一个我们总结的经验公式：KD 约等于 KP 的 1/10 到 1/5，KI 不要超过 KD 的 1/4。具体数值跟车重、轮胎摩擦力都有关系，但按照这个范围去试，基本两三轮就能收敛到比较合理的区间。
PID 参数必须配合实时数据采集工具来调试，不要凭感觉看车跑得“歪不歪”。我们通过 STM32 的串口把位置偏差值和转向输出值以 50Hz 频率发到上位机，存成 CSV 文件后用 Python 画成曲线。看到曲线才知道：原来某个弯道处偏差瞬间跳到 3.5，是因为传感器压到了引导线边缘而不是正好跨在线上，导致信号跳变。后来在程序里加了一个 5ms 的中值滤波，把这种毛刺去掉，转向平滑度明显改善。
6. 赛前那几天：备件清单与现场应变
赛前一周不要把时间花在“优化极限性能”上，要把时间花在“排查所有可能的失效模式”上。我们列了一张备件清单，全部装进工具箱：
- 备用电机 x2、电机驱动模块（BTN7971 方案）x1；
- 灰度传感器模块 x4、HC-SR04 x2、OpenMV 摄像头 x1；
- 备用锂电池 x1、BEC 模块 x2；
- 常用螺丝螺母一盒、3D 打印的爪指配件 x4、备胎轮 x1；
- 串口转 USB 模块、杜邦线若干、万用表、电烙铁。
现场最容易出的问题不是复杂的算法 bug，而是线头松了、螺丝松了、传感器高度变了这种低级故障。所以赛前一定要做“搬动测试”：把整车装进收纳箱，走一段路再拿出来，开机跑一遍完整流程。我们有一次就是装箱后地面上的小石子把灰度传感器支架撞歪了一点，赛前没发现，到了赛场才察觉循迹偏差不对。后来我们养成了“每次搬运后先检查底盘和传感器，再上电自检”的习惯，这个习惯帮我们避免了好几次事故。
备用的不只是硬件，还有一套“降级策略”。如果比赛当天视觉识别不稳定，我们准备了一套保守方案：用灰度循迹走固定路线，到指定位置后直接执行固定延时抓取动作，不依赖视觉识别。虽然灵活性差，但至少能保证最基本的分值到账。赛场上永远要有“完成比完美重要”的心态。
7. 一点个人心得收尾
如果这篇文章只能留下一句话，那就是：工程训练竞赛的智能物流车，核心不在于某个单点技术有多炫酷，而在于系统集成的稳定性。每一模块单独跑都正常，组合在一起就各种意外，这是几乎所有参赛队的共同经历。
我自己在复盘时感受最深的一点是：花在方案论证和模块接口定义上的时间，永远比后面返工省的时间多。不要为了省两天设计时间而直接上手焊板子写代码，回头你会花六天来处理联调问题。
最后分享一个小技巧：无论时间多紧，每天都留出 15 分钟让整车完整跑一遍任务流程，哪怕中途断掉也没关系。这样能尽早暴露那些“只在完整流程下才会出现”的耦合问题——比如电池电量降低之后电压跌落对视觉阈值的影响、跑完三圈之后电机发热导致速度变化。这些问题连跑三天才能稳定复现，但赛场上往往就是在第三趟出问题。物流车项目的魅力就在于此：永远有下一个小问题等着你，而解决它的过程，就是工程能力真正长进的过程。
本文还有配套的精品资源，点击获取
