1. 项目概述一对能看会跟的机器人搭档最近在机器人爱好者圈子里一个经典又充满挑战的项目重新火了起来制作一对能够协同工作的机器人一个负责“开路”探测障碍另一个则像个小跟班一样紧紧跟随前者的颜色标记。这个“障碍探测与颜色跟随机器人对”项目听起来像是高级玩具但它实际上是一个绝佳的机器人工程入门实践完美融合了传感器应用、实时数据处理和基础控制算法。无论是想深入学习机器人操作系统ROS的框架思想还是为参加机器人竞赛积累实战经验这个项目都能让你从电路焊接、代码调试到算法验证走完一个完整的开发闭环。我最初接触这个想法是想找一个能同时锻炼硬件搭建和软件编程能力的项目。市面上单独的避障小车或颜色跟随小车教程很多但将两者配对让它们产生简单的“主从”交互复杂度立刻上了一个台阶乐趣和挑战也倍增。它不再是一个孤立的机器而是一个需要考虑通信、角色分配和协同策略的微型多智能体系统原型。通过这个项目你不仅能掌握超声波传感器、颜色传感器的使用更能理解如何将传感器的原始数据转化为有效的控制指令并让两个独立的实体基于简单的规则进行互动。这几乎是所有复杂机器人系统最基础的雏形。2. 核心设计思路与方案选型2.1 系统架构与角色定义整个系统的核心在于明确分工。我们通常将两个机器人分别定义为“领导者”和“跟随者”。领导者机器人的核心任务是环境感知与路径决策。它需要装备“眼睛”超声波传感器来探测前方的障碍物并根据探测结果决定自己的行进动作前进、转向、停止。同时它还需要一个明确的、易于识别的视觉标识通常是机器人顶部一个特定颜色的色块比如亮蓝色或粉红色这个标识就是跟随者追踪的目标。跟随者机器人的核心任务是目标追踪与保持距离。它需要装备“另一双眼睛”颜色传感器这双眼睛不关心障碍物只专注于在视野中寻找并锁定领导者身上的特定颜色。一旦识别到该颜色它就需要计算出目标相对于自己的位置偏左还是偏右和大小暗示距离远近并据此调整自己的电机以保持跟随状态。两者之间的“通信”不是通过无线模块而是通过视觉信号。这是一种非常直接且高效的模拟通信方式避免了无线协议配置的复杂性将问题聚焦在视觉处理与控制响应上。2.2 主控平台选型Arduino 与 MicroPython 之辩对于主控板的选择常见的有 Arduino 和基于 MicroPython 的开发板如 ESP32、OpenMV Cam。Arduino (Uno/Mega)是经典之选优势在于生态成熟、资料极多、控制实时性强。你需要分别处理超声波传感器的时序脉冲和颜色传感器的I2C通信代码层面更底层能让你深刻理解传感器的工作原理。缺点是处理复杂的图像或颜色识别算法能力较弱通常需要搭配特定颜色传感器模块如TCS34725其识别是基于点测量而非区域成像。基于MicroPython的开发板特别是那些集成了摄像头的如OpenMV Cam H7在处理颜色跟随任务上有天生优势。OpenMV可以直接运行Python脚本通过其内置的颜色追踪算法可以轻松在图像中框选出特定颜色的色块并直接返回色块的坐标、大小等丰富信息大大简化了编程难度。但对于避障你可能仍需连接一个超声波模块。我的选型建议如果你是初学者希望快速看到效果并专注于逻辑实现领导者用Arduino超声波跟随者用OpenMV是一个高效组合。如果你想挑战全链路底层开发可以尝试双Arduino方案但需要为跟随者寻找一个合适的颜色传感器模块。2.3 传感器与执行机构详解超声波传感器 (HC-SR04)领导者之眼。它通过发射超声波并接收回波来计算距离。需要注意的是它的探测有一定角度对于细小或吸收声波的材质如深色海绵探测效果会打折扣。安装时建议离地一定高度并略微朝下以减少地面回波干扰。颜色传感器/摄像头跟随者之眼。专用颜色传感器 (如 TCS34725)通过红、绿、蓝、清四个通道的光电二极管测量光强通过计算RGB比例来识别颜色。优点是速度快、受环境光影响相对可管理尤其配合自带LED补光时。缺点是无法知道颜色在视野中的位置只能判断“有没有”要实现“跟谁”通常需要配合舵机云台扫描逻辑稍复杂。摄像头模块 (如 OV7725 on OpenMV)直接获取图像通过算法在二维平面中寻找色块。可以直接得到目标的位置x y坐标和宽度、高度控制逻辑直观x坐标偏左就右转调整。但对处理能力要求高且环境光变化影响大。电机与驱动通常使用直流减速电机配车轮由电机驱动模块如L298N、TB6612FNG控制。TB6612FNG效率更高、发热更小是更优选择。务必确保电池能提供足够的电流电机堵转是耗电大户。电源系统这是项目稳定的基石。建议使用独立的18650锂电池组两节串联约7.4V或大容量锂聚合物电池通过降压模块如LM2596为控制板和传感器提供稳定的5V或3.3V电压。电机驱动直接接电池电源。切忌用一个普通的9V方块电池或USB供电来驱动整个系统电压跌落会导致控制器不断复位现象诡异排查困难。3. 领导者机器人避障逻辑的深度实现3.1 硬件连接与初始化以Arduino Uno作为领导者大脑为例。将HC-SR04的Trig引脚和Echo引脚分别连接到数字引脚Vcc接5VGnd接Gnd。电机驱动模块的控制引脚IN1 IN2 IN3 IN4连接另外四个数字引脚驱动模块的电源输入端接电池正负极。在代码初始化阶段除了设置引脚模式更重要的是进行传感器的校准和设置合理的探测阈值。例如让机器人上电后原地静止1秒读取几次超声波数据取平均值作为环境噪声参考。避障的触发距离需要根据机器人的刹车距离和转弯半径来设定通常设置在15-30厘米之间需要通过实际测试确定。// 示例Arduino避障核心逻辑片段 const int trigPin 9; const int echoPin 10; const int safeDistance 20; // 安全距离单位厘米 long getDistance() { digitalWrite(trigPin, LOW); delayMicroseconds(2); digitalWrite(trigPin, HIGH); delayMicroseconds(10); digitalWrite(trigPin, LOW); long duration pulseIn(echoPin, HIGH); return duration * 0.034 / 2; // 计算距离 } void obstacleAvoidance() { int distance getDistance(); if (distance safeDistance) { moveForward(); // 前方安全直行 } else { stopMotors(); delay(200); // 简单策略随机左转或右转一个角度 if (random(0, 2) 0) { turnLeft(300); // 左转300毫秒 } else { turnRight(300); } } }3.2 避障策略算法从随机转向到状态机最简单的避障策略是“撞墙转向”即检测到障碍就停下来随机或固定转向一个角度再继续前进。但这可能导致机器人在角落“震荡”或陷入局部循环。更高级的策略是引入有限状态机思想。例如机器人可以拥有“前进”、“避障转向”、“沿墙行走”等状态。当正面探测到障碍时进入“避障转向”状态完成转向后并不立即直行而是进入短暂的“沿墙”状态通过持续监测一侧的距离来尝试绕过障碍这能更有效地穿越复杂环境。另一个改进点是使用多个超声波传感器。一个朝前两个朝左前和右前。这样可以在障碍物进入正面危险区域前就通过侧向传感器感知到从而提前做出平滑的绕行动作而不是急停急转使运动更加拟人化。3.3 领导者标识设计与优化跟随者依靠视觉追踪领导者因此领导者的“标识”设计至关重要。颜色选择选择与环境中常见颜色如地板色、墙壁色、家具色对比度高的颜色。荧光粉、亮蓝、翠绿都是好选择。避免使用红色因为很多消防栓、警示牌是红色容易干扰。标识形状与大小简单的矩形或圆形色块即可。面积要足够大确保在跟随者摄像头的有效识别距离内能占据足够多的像素点比如至少20x20像素这样识别才稳定。安装位置通常安装在机器人顶部最高处确保在跟随者视线中不会被领导者自身的结构如传感器、电池遮挡。可以考虑使用一根垂直的立柱将色块抬高这样即使两车距离很近色块也不会脱离跟随者视野。4. 跟随者机器人颜色识别与追踪控制4.1 基于OpenMV的颜色追踪实战我们以OpenMV Cam为例因为它将复杂的图像处理封装成了简单的函数调用。核心任务是使用find_blobs函数寻找特定颜色的色块。首先你需要进行颜色阈值校准。OpenMV IDE提供了实时颜色阈值选取工具将摄像头对准领导者的色块调整LAB颜色空间的L、A、B值上下限确保色块被高亮框出而背景尽可能不被选中。这个过程受光照影响极大因此最好在项目运行的固定光照环境下进行校准。# OpenMV 颜色跟随核心代码示例 import sensor, image, time from pyb import UART # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) # 320x240 sensor.skip_frames(time 2000) # 定义目标颜色的阈值 (需根据实际校准) target_color_threshold (30, 70, 10, 60, -20, 30) # 示例LAB阈值 uart UART(3, 115200) # 初始化串口用于发送指令给电机驱动板 while(True): img sensor.snapshot() # 寻找色块 blobs img.find_blobs([target_color_threshold], pixels_threshold100, area_threshold100) if blobs: # 找到最大的色块假设是领导者 largest_blob max(blobs, keylambda b: b.pixels()) # 在图像上画框 img.draw_rectangle(largest_blob.rect()) # 计算色块中心坐标 center_x largest_blob.cx() img_width img.width() # 简单的PD控制逻辑根据色块中心在画面中的水平位置调整转向 error center_x - img_width // 2 # 根据error大小生成转向指令通过串口发送 if abs(error) 20: # 目标在中心区域直行 uart.write(F\n) elif error 0: # 目标偏右机器人需右转 uart.write(R\n) else: # 目标偏左机器人需左转 uart.write(L\n) # 也可以根据色块面积largest_blob.area()粗略判断距离控制速度 else: uart.write(S\n) # 丢失目标停止 time.sleep(50) # 控制循环频率4.2 控制算法从开关控制到PID调节最基础的控制是“开关控制”色块中心在画面左侧就左转在右侧就右转在中间就直行。但这样机器人会不停左右摇摆运动轨迹像醉汉。引入比例控制能大幅改善转向速度与“误差”色块中心偏离画面中心的距离成比例。误差大时转得快误差小时转得慢能更平滑地接近中心。更进一步可以加入微分构成PD控制。微分项关注误差的变化率如果机器人正在快速修正误差误差在迅速减小就提前减小控制量防止冲过头造成振荡。这能让跟随运动更加顺滑、稳定。在OpenMV上实现一个简单的PD控制器是提升项目质量的关键一步。4.3 多目标处理与丢失应对策略环境中可能存在干扰色块。代码中通过pixels_threshold像素数阈值和area_threshold面积阈值可以过滤掉小噪点。选择max(blobs, keylambda b: b.pixels())是假设最大的色块是我们的目标这在大多数简单场景下有效。更鲁棒的做法是结合位置预测。记录上一帧目标的位置在当前帧搜索时优先在上一帧位置附近寻找如果找到则认为是同一目标。这可以避免突然闯入的干扰物“抢走”跟踪权。当目标完全丢失时blobs为空机器人不应立即停止或乱转。一个好的策略是“记忆搜索”按照丢失前最后一刻的转向方向缓慢原地旋转一圈进行搜索同时不断检测画面。如果搜索一圈仍未找到则进入停止状态并等待或发出提示。5. 系统集成、调试与性能优化5.1 双机协同与参数匹配将领导者和跟随者单独调试完毕后集成在一起才是真正的挑战。最大的问题是速度匹配。领导者如果速度太快一个急转弯就可能把跟随者甩出视野。因此需要将领导者的最大行进速度设定在跟随者能够稳定跟踪的范围内。其次需要优化领导者的运动模式。避免领导者做“原地自转”这种动作这会导致其色块在跟随者画面中剧烈旋转甚至暂时消失。领导者的转向应尽量采用“弧线转向”即一个轮子快一个轮子慢这样其色块在画面中的移动更连续。5.2 环境光干扰的应对环境光变化是颜色跟踪项目的天敌。上午、下午、开灯、关灯都会导致颜色阈值失效。硬件补救为领导者的色块增加主动照明比如在色块周围装上LED灯条。这样色块的颜色亮度由自身光源决定极大削弱了环境光的影响。LED最好加上柔光罩使光照均匀。软件自适应可以尝试在OpenMV代码中加入简单的自适应阈值调整。例如定期采样画面中非目标区域的背景色动态微调目标颜色的阈值范围。但这需要更精细的算法复杂度较高。对于入门项目主动照明是最简单有效的方案。5.3 系统稳定性调试心得分模块调试务必确保每个模块单独工作正常。用串口监视器打印超声波距离数据用OpenMV IDE实时查看色块识别框。不要试图一次性集成所有功能。电源监控在调试时用万用表监测电机启动瞬间控制板电压是否被拉低。如果电压跌落严重说明电池带载能力不足或连接线电阻过大必须解决。运动测试先用手拿着领导者的色块在跟随者面前移动测试跟随者的反应是否灵敏、准确。然后再让领导者自己跑跟随者跟在后面。场地选择初始测试在空旷、地面颜色单一、光照均匀的场地进行。逐步增加复杂度如添加桌椅腿作为障碍测试系统在真实环境下的表现。6. 项目进阶与扩展思路当基础功能稳定实现后这个项目平台还有巨大的扩展空间无线通信升级为两个机器人增加蓝牙或Wi-Fi模块如HC-05、ESP8266。领导者可以将自己的超声波数据、速度、转向意图发送给跟随者。跟随者结合视觉信息和接收到的数据实现更智能的预测性跟随甚至在领导者被短暂遮挡时也能推断其位置。引入SLAM与建图为领导者配备一个激光雷达如RPLidar A1运行简单的SLAM算法在探索环境的同时构建地图。跟随者则可以根据地图和领导者的实时位置进行路径规划实现真正的“智能跟随”。多跟随者编队增加第二个、第三个跟随者并让它们遵循不同的规则比如保持等边三角形队形。这需要引入更复杂的多智能体协调算法是向机器人集群研究迈出的一小步。更换传感器融合跟随者除了颜色摄像头可以加装一个超声波传感器测距。这样就能同时知道目标的方位和精确距离实现更精准的定距跟随。这个项目最吸引人的地方在于它从一个明确的目标出发路径清晰但每一步都充满了需要动手动脑去解决的具体问题。从让一个轮子转起来到两个机器人默契配合整个过程就是机器人工程开发的微缩体验。它教会你的不仅仅是几行代码或几个电路连接而是一套解决问题的工程化思维方法感知、决策、执行、调试、优化。无论你未来是投身工业机器人、服务机器人还是自动驾驶领域这些基础的经验和思考方式都是无比宝贵的起点。