【电赛保姆级教程】只会红外循迹？小车/无人机自主导航与激光雷达避障硬核避坑指南（附里程计源码）

前言
在历年的全国大学生电子设计竞赛中，只要是带轮子、带腿、带螺旋桨的题目，**“自主导航与避障”**都是绕不开的核心考点。
很多队伍在备赛时，只会用几毛钱的红外对管寻黑线，或者用 HC-SR04 超声波模块避障。结果到了测评现场：阳光一照红外失灵，超声波遇到斜角直接瞎掉，小车像无头苍蝇一样疯狂撞墙。
真正能拿国奖的队伍，早就熟练掌握了ToF 测距、单线激光雷达、IMU 里程计融合以及迷宫寻路算法。本文将带你全面升级导航系统的“感官”与“大脑”，彻底告别赛场翻车！

@TOC

一、 感官升级：抛弃烂大街的传感器，拥抱现代感知

要想车子不撞墙，首先得给它换一双好“眼睛”。

🚨 避坑 1：被阳光杀死的红外对管（TCRT5000）

• 痛点：传统的红外循迹模块对可见光极度敏感。测评现场往往在体育馆或大教室，下午的斜阳只要照在赛道上，单片机读到的全是一片白（或者全黑）。

• 黄金对策：

  1. 加遮光罩：最简单粗暴的物理外挂，用黑色胶带和硬纸板把传感器严严实实地围起来，贴地飞行。

  2. ADC读取法：不要用模块自带的 LM393 比较器输出的数字量（0和1）！把光敏输出的模拟电压接入 STM32 的 ADC，在比赛现场通过按键实时采集白色和黑色的阈值并取中值，极大提高鲁棒性。

🚨 避坑 2：慢半拍的超声波模块（HC-SR04）

• 痛点：超声波发散角极大，测距慢（声速限制），遇到斜面或者海绵墙会发生“镜面反射”或被吸收，直接测不出距离。

• 终极替代品：ToF 激光测距模块（如 VL53L0X / VL53L1X）

  • 利用光子飞行时间测距。测距极快（最高 50Hz），发散角极小，精度达到毫米级，且完全不受物体表面颜色和材质影响。电赛小车前/左/右各挂一个 ToF，贴墙走迷宫稳如老狗。

🏆 降维打击：单线激光雷达（LiDAR）

如果题目是复杂的迷宫或全场散落着障碍物，直接上单线激光雷达（如思岚 A1、EAI YDLidar 等，闲鱼几十块钱就能买到拆机件）。
配合树莓派/香橙派跑 ROS，或者直接用 STM32 解析串口数据，你能瞬间获得小车周围 360 度的无死角距离数据，降维碾压一切超声波！

二、 盲人摸象的克星：里程计（Odometry）与坐标推算

当小车在场地上跑时，单片机必须时刻知道一个问题：“我现在在哪？车头朝向哪？”
如果仅凭给定电机的运行时间去跑（比如死等 delay(1000) 让车跑一米），由于电池电压下降和地面摩擦力不同，误差会大到离谱。

1. 运动学正解（以双轮差速小车为例）

必须依靠带编码器的电机，实时推算出小车的绝对坐标 (X, Y) 和航向角 Theta。这叫推算航迹（Dead Reckoning）。

核心 C 语言源码（放入 10ms 的定时器中断中）：

codeC

// 假设已获取左右轮在 10ms 内的行走距离 (单位: cm) float dist_left = get_left_wheel_distance(); float dist_right = get_right_wheel_distance(); // 轮距 (左右轮中心的物理距离，需实际测量) #define WHEEL_BASE 15.0f // 1. 计算小车中心点走过的距离 d 和 航向角的偏转增量 d_theta float d = (dist_right + dist_left) / 2.0f; float d_theta = (dist_right - dist_left) / WHEEL_BASE; // 单位：弧度 // 2. 积分计算绝对航向角 (限制在 -PI 到 PI 之间) Robot.Theta += d_theta; // 3. 积分计算全局 XY 坐标 Robot.X += d * cos(Robot.Theta); Robot.Y += d * sin(Robot.Theta);

2. 致命杀手：车轮打滑怎么办？

痛点：当地面有灰尘或者小车急转弯时，轮子空转了，编码器依然在计数，但车根本没走！此时算出来的 Robot.Theta 会产生无法挽回的偏差。
黄金对策：融合 IMU（陀螺仪）
车轮打滑时，Z轴陀螺仪是不受打滑影响的！
在实际电赛中，航向角 Theta坚决不能只靠轮子算，必须以 MPU6050 的 Z 轴积分角度为主，或者使用卡尔曼滤波/互补滤波，将编码器的航向角与陀螺仪的航向角进行数据融合。

三、 迷宫寻路算法：拒绝“撞大运”，用数学碾压

电赛中经典的“智能送药小车”、“仓储搬运车”，本质上都是图论和迷宫算法。

1. 萌新玩法：沿墙走（左手/右手原则）

• 原理：遇到岔路永远向左转，走进死胡同就掉头。只要迷宫的墙是连着的，总能找到出口。

• 缺点：绕路极其严重！如果题目要求“找到目标点后，以最短路径返回起点”，这种算法直接得零分。

2. 国一标配：洪水填充算法（Flood Fill）

这是当年“电脑鼠走迷宫”国际竞赛的霸主级算法。不仅能探索未知迷宫，还能在探索完毕后瞬间计算出最短路径！

大白话解析 Flood Fill：

1. 把迷宫看成一个网格棋盘。

2. 给目标格子标上 0（距离为0）。

3. 像洪水漫延一样，把目标格子周围没被墙挡住的格子标上 1，再外圈标上 2，以此类推，直到洪水漫延到小车所在的起点。

4. 小车怎么走？永远向周围数字比自己小的格子走！就像水往低处流一样，顺着数字递减的梯度走，绝对是最短路径！

赛场实战策略：
小车第一次跑（探索模式），一边走一边用 ToF 传感器看左右前有没有墙，单片机内部更新一张 16x16 的二维数组地图，每次更新墙壁后，重新运行一次 Flood Fill 重新标记数字。到达终点后，地图完全建立。
第二次跑（冲刺模式），直接顺着递减的数字全速冲回起点，视觉效果极度震撼，评委直接起立鼓掌！

四、 赛场环境玄学排雷指南（求生法则）

1. 反光陷阱：测评现场的场地可能是铺着光滑的白纸或 PVC 板。千万注意反光！强烈的反光会让光电传感器和低端激光雷达产生“幽灵障碍物”。比赛时带一卷哑光胶带，贴在传感器的探测盲区。

2. 起步偏移：很多队伍在车刚放下去的一瞬间，手抖了一下，导致陀螺仪初始化时的零偏不准，车子一开始就是斜的。务必在代码里写一个“按下按键后，延迟 2 秒钟再开始校准和发车”的逻辑。

3. 地毯阻力：有时场地为了防止反光，会铺设摩擦力极大的毛毡地毯。你的小车在实验室光滑瓷砖上调好的转向 PID，到了地毯上根本转不动！必须在代码里留一个 UI 菜单，能在现场通过 OLED 屏幕临时调大 PID 的 P 和 I 参数！

结语

从小车踉踉跄跄地沿黑线走，到融合编码器和 IMU 实现精准坐标推算，再到利用 Flood Fill 算法傲视整个迷宫，这是从“控制台玩具”到“自主机器人”的伟大跨越。

不要让糟糕的传感器毁了你优雅的代码，不要在赛场上去赌那虚无缥缈的光线！将传感器做冗余，把坐标系深深印在单片机的内存里。

预祝各位导航与控制组的同学：遇墙丝滑转向，雷达洞察秋毫，直达目标点，最短路径霸气夺冠！🏆

觉得有用的话，千万别白嫖：
👍点赞+ ⭐收藏，写里程计推算或者迷宫算法时随时拿出来抄作业！
你的小车在实验室里撞过几次墙？在陀螺仪漂移上吃过什么亏？欢迎在评论区留言吐槽或提问，博主在线答疑！👇