企业官网建设流程全解析

刚接触智能循迹小车那会儿，我把大半时间都花在调赛道上。代码里用了一堆if-else判断赛道类型，直道、弯道、十字、起跑线都能识别，小车也能跑起来，但走线奇丑无比——左一下右一下，整个人坐在地上看它跑都觉得上头，整个轨迹像条蛇在游。直到把控制部分从离散的阈值判断换成PID控制算法，车子才第一次做到了丝滑过弯。

这篇文章就把我在三轮电磁循迹小车上，从if-else迁移到PID闭环、再到把参数调到稳定跑完全程的完整过程记录下来，包括电感怎么排、偏差怎么算、增量式PID怎么写、双闭环怎么搭、参数怎么调，以及那些让我反复返工的坑。适合准备校内智能车竞赛、或者自己DIY循迹小车的朋友参考，哪怕你用的是红外循迹或摄像头循迹，控制层的思路也通用。

我写它的另一个原因，是发现很多人卡在同一个地方：PID公式背得滚瓜烂熟，但一上车就不知道怎么调，要么Kp拧太大整车抖成筛子，要么Kd给太猛电机啸叫。其实PID在循迹车上没有那么多玄学，它就是一套“根据偏差算控制量”的规则，你把它放到车的模型里去理解，参数自然就有谱了。

1. 先把控制对象想清楚：循迹小车到底在控什么

1.1 循迹系统是典型的负反馈结构

智能循迹小车的本质是一个移动机器人，放在控制论的框架里看，它是一个非常标准的负反馈系统。传感器负责测量“我离目标线有多远”，控制器负责根据这个偏差决定“往哪边打多少方向”，执行机构（电机和车轮）负责把方向指令转成真实的转向运动。

这里最关键的一点是：控制量必须是连续的。你不可能在高速状态下用三个离散挡位把车稳在赛道中央，就像开车时你不会把方向盘只握在“正、左满、右满”三个挡位一样。电磁三轮车的执行端是两个驱动电机加一个万向轮，靠左右轮差速实现转向。所谓“控制”，本质上就是在实时计算两轮之间的转速差，让车绕着一个假想的转向中心平滑地拐弯。

很多新手把重点放在“识别赛道”上，花大量时间优化图像识别或阈值判断，结果车还是跑不稳。原因就在于，识别只是感知层的事情，真正决定走线质量的是决策层的算法。识别做得再好，控制量的输出是跳变的，车身姿态就一定会跟着跳变。

1.2 阈值判断为什么不行：离散控制的典型缺陷

如果用一句话总结阈值控制的缺陷，就是“控制量不够细腻”。三段式控制大概长这样：

if (error > 0.2) { set_steer(LEFT_FULL); } else if (error < -0.2) { set_steer(RIGHT_FULL); } else { set_steer(STRAIGHT); }

这段代码跑起来，车会不停地跨越中线，形成S形走线。原因很简单：当偏差从0.19变成0.21，控制量瞬间从“直行”跳到“左满转”，车身会猛地向左；然后偏差变成负的，又瞬间右满转。车的运动惯性没有变，控制量却在一格一格地跳，走线自然没法看。

高速状态下这个问题会被无限放大。车速越快，同样的控制周期内车走过的距离越长，状态切换的滞后越明显。你在低速时感觉还凑合，一旦把PWM拉上去，车几乎是必飞的。

对比一下离散控制和连续控制：

1.3 为什么PID是循迹小车最合适的起点

PID适用于单输入单输出、可以被近似为线性的被控对象。电磁循迹小车的横向偏差和转向力矩之间，恰好可以近似成这种线性关系。更关键的是，PID不需要你精确建立车辆动力学模型，只需要根据实际响应去调三个参数，就能得到一个工程上足够好的控制器。

在智能车竞赛圈里，高阶的赛道队伍最终会转向LQR、模型预测控制或者模糊PID，但这些都建立在你对车辆模型足够理解的基础上。对绝大多数人，尤其是起步阶段的同学，PID就是性价比最高的方案：它只靠误差的现在、过去、未来三个信息，就能完成稳定的闭环控制。先把PID玩明白，后面想上更复杂的控制，你也有对比的基准。

2. 电磁三轮组的“感官系统”：电感布局与偏差计算

2.1 电磁检测原理：20kHz交变磁场下的感应电动势

电磁循迹的思路和红外循迹完全不同。赛道下方埋的是一根通有20kHz交变电流的导线，电流会在这根导线周围产生同频率的交变磁场。车头上安装的电感线圈相当于一个磁场探头，导线中的电流变化时，穿过线圈的磁通量也跟着变化，线圈两端就会感应出同频的电动势。

感应电动势的大小和线圈与导线的距离相关，离得越近信号越强。这个强度-距离关系大致呈1/d甚至1/d²的形式衰减，也就是说，电感离导线远一点，信号会迅速掉下来，这给“根据信号强度判断横向位置”提供了基础。

电感输出的原始信号是一个20kHz的交流小信号，电压幅度通常在几毫伏到几十毫伏，必须经过运放放大，再通过峰值检波电路整成直流电平，然后才能送进MCU的ADC采样。如果你直接在程序里采20kHz的交流波，采样率不够是采不到有效幅值的，所以硬件上一定补一个“信号调理”环节。这一步如果不做，后面算法再好也是白搭。

2.2 电感布局：水平三电感和八字方案怎么选

常见的电磁电感布局大概有三种：

• 水平三电感：车头中间一个、左右各一个，形成一组可以算左右偏差的三元组。结构最简单，适合入门。
• 水平五电感：在左右两边再各加一个更外侧的电感，提供更大的线性检测区间，同时方便做十字路口、起跑线等特殊元素的识别。
• 八字电感：把电感斜向放置（斜45度），利用磁场水平分量，可以在更高速度下提前感知弯道趋势，相当于给控制系统提供了一个“前瞻量”。

我自己用下来最顺手的是“水平三电感做主偏差计算 + 垂直八字电感做前瞻”的混合方案。水平三电感负责生成主控用的连续偏差，垂直电感的信号则被用来做弯道预判——在高速入弯前提前得到一个较小的修正量，让转向环提前动作，而不是到了弯心才反应。

这里有个特别重要的物理规律：电感信号强度随距离衰减极快，所以车上电感的安装位置稍微差一厘米，归一化之后的偏差曲线就会差不少。装车时固定好之后，轻易不要动机械结构，否则参数全部重新调。

2.3 偏差归一化：不做好这步，PID参数全是废的

拿到三个电感的ADC值之后，最大的忌讳就是直接拿原始值做差。为什么？因为电感的一致性、运放的放大倍数、电池电压波动，都会让原始ADC值在一个很宽的范围内变化。你今天在满电状态下标定好的阈值，跑半小时后电压掉了，同样的物理位置读出来的ADC可能差了20%，偏差量也跟着变了，PID参数自然不再匹配。

归一化的核心公式是：

err = (R - L) / (L + M + R);

这个式子用四个通道总和做分母，把左右差变成“占总信号的百分比”。电池电压变化、整体信号同时增强或减弱时，偏差值基本保持不变。这样的偏差天然落在[-1,1]区间，负值偏左，正值偏右，后面PID参数的物理意义也就一目了然。

实际代码里要加一个保护：

float get_lateral_error(void) { uint16_t L = adc_read(CH_L); uint16_t M = adc_read(CH_M); uint16_t R = adc_read(CH_R); float sum = (float)L + M + R; if (sum < 1.0f) { return 0.0f; // 信号丢失时回中，避免除零 } float err = ((float)R - L) / sum; return err; }

很多从阈值判断转过来的同学容易忽略归一化，直接把左右差值丢给PID，结果换了一组电池参数就变了。这个坑我踩过，印象极深。

2.4 执行端：两轮差速转向的映射关系

三轮电磁小车一般是一个万向轮加两个驱动轮，转向靠左右轮速差实现。假设转向环输出是steer，范围在[-1,1]，那么映射到PWM上就是：

pwm_left = base_speed + steer * delta_max; pwm_right = base_speed - steer * delta_max;

左边轮子快、右边轮子慢，车就往右偏，反之亦然。这里base_speed是基准速度，delta_max是最大差速量，具体数值取决于你的电机和驱动器的响应范围。后面说PID参数的时候，会再展开讲这个映射关系的标定。

3. PID三种作用在赛道上的真实行为：P、I、D分别什么时候出力

3.1 比例项：整个控制的“骨架”

比例项的输出是Kp乘以当前偏差，意思很直白：偏差大，就打大方向；偏差小，就轻打。这个环节决定了一个系统的响应速度。Kp太小，小车入弯时方向打得不够，会直直地冲出赛道；Kp太大，偏差只是稍微越线就会猛打方向，结果就是整车左右摇晃，跑起来像抽筋。

我手上那辆三轮车，归一化偏差范围在±1之间，转向输出叠加到PWM上的量级需要到±800左右。初期我把Kp设到2，直道没问题，入弯直接冲出去；调大到10，直道开始剧烈抖动；最后落在6左右才勉强能跑。这个例子说明，Kp的合适区间和你的执行机构行程有直接关系，不能照搬别人的参数。

比例项的缺点是它始终滞后于偏差：先有偏差，才有输出。想让车提前对弯道作出反应，就得靠微分项。

3.2 微分项：它不是在“刹车”，而是在“预判”

微分项看的是偏差的变化率，也就是e(t)比e(t-1)变化了多少。入弯时偏差开始变大，微分项给出一个“阻止偏差继续变大”的作用，看起来就像在踩刹车。出弯时偏差开始变小，微分项又会让转向平滑地回中，避免冲过头越过中线。

用开车来类比，比例项是你看到车偏了再打方向盘，微分项是你感觉到方向盘有自动回正的力矩，提前稳住方向盘。它给了系统阻尼，这也是为什么微分能显著抑制振荡。

但微分项有个臭名昭著的毛病：它是高频噪声放大器。传感器ADC值只要抖一点点，计算出的变化率就可能很大，转向输出跟着狂跳，电机发出细细的啸叫。所以D往往要配合滤波一起用，比如先对偏差做滑动平均，再进PID。控制周期也要稳定，否则上一次和这一次的时间间隔不是常数，求出来的变化率毫无意义。

3.3 积分项：在循迹小车上要省着用

积分项处理的是历史累计误差，把过去所有偏差加起来乘以Ki。它主要对付系统的固定偏置，比如传感器装歪了、一边轮子打滑率稍高，导致车一直偏着开，比例项拉不回来。

循迹小车有没有稳态误差？严格说长直道上可能会有。但从实际跑赛道的角度看，积分项带来的麻烦常常比好处大。为什么？因为积分是对整个过程的累积。入弯时偏差持续为0.5，积分器攒了一笔输出；出弯后偏差回到0附近，积分值还在逼着车继续转向，这就是过冲的来源。

所以我的做法是给积分加限制：一是积分限幅，只让积分输出不超过某个小值；二是条件积分，只有偏差绝对值小于某个阈值时才累计，大偏差时直接短路积分器。代码里看起来就是：

if (fabs(err) < 0.3f) { integral += err * dt; } else { integral = 0.0f; }

顺便说个关联话题：同样的PID放在温度控制里，积分就变得极其重要。恒温箱控温时，如果偏差持续存在，积分就会一直加，直到加热功率把温度顶上去。温度系统是大惯性、大滞后对象，比例项单独工作会产生固定的稳态误差，只有靠积分才能消除。但循迹小车是一个快速运动的低惯性对象，它的误差一直在变，积分不是主角。同一个PID算法，在不同被控对象上，参数的权重完全不同，这才是“调参”背后的本质。

3.4 位置式还是增量式：我为什么选增量式

位置式PID每次输出的是绝对的控制器输出值。增量式PID每次输出的是在上一个控制量基础上的变化量。对电机这种“带积分性质”的执行机构来说，增量式更自然：我们只需要告诉电机“你再偏快一点”，而不是“你必须转到这个PWM值”。

增量式的核心代码不复杂：

typedef struct { float Kp, Ki, Kd; float err_last; float err_pre_last; float output; } IncrementalPID; float incremental_pid_update(IncrementalPID *pid, float err, float dt) { float delta = pid->Kp * (err - pid->err_last) + pid->Ki * err + pid->Kd * (err - 2.0f * pid->err_last + pid->err_pre_last); pid->output += delta; if (pid->output > LIMIT_MAX) pid->output = LIMIT_MAX; else if (pid->output < LIMIT_MIN) pid->output = LIMIT_MIN; pid->err_pre_last = pid->err_last; pid->err_last = err; return pid->output; }

dt没有单独写进公式，是因为我把Kp、Ki、Kd都做成了“已经包含dt”的系数，固定控制周期运行时不需要每次再除一遍。增量式天然有抗饱和的好处：如果执行机构已经到头了，之后的增量不会让输出无限制增长。这也是它在电机控制里特别受欢迎的原因。

4. 双闭环架构：转向环和速度环应该先调谁

4.1 为什么单靠转向环过不了高速弯

只用转向环时，车速是开环的：给一个固定PWM，车速完全由电池电压和负载决定。问题是，同样的PWM，在直道上能跑出3m/s，在弯道上因为转向阻力，车速自己会掉下来。更关键的是，如果速度不随弯道曲率调整，转向环输出得再准，过弯时的横向加速度也会把车甩出去。

所以我的做法是加一个速度环，根据当前偏差实时调整目标速度：偏差大说明接近弯道，就减速；偏差小说明在直道，就恢复高速。这本质上是一个两级控制：外环决定“该跑多快”，内环决定“怎么跑到这个速度”。

4.2 速度环的反馈：编码器测速

三轮电磁车一般使用带编码器的直流减速电机。编码器输出的脉冲信号进MCU定时器，最常见的是M法测速：在固定时间窗口内统计脉冲个数，再换算成转速。

伪代码如下：

volatile uint16_t left_pulse_cnt; volatile uint16_t right_pulse_cnt; void TIM_MS_ISR(void) { left_speed_rpm = (uint32_t)left_pulse_cnt * 60000.0f / (1000 / TIM_MS) / PULSE_PER_REV; right_speed_rpm = (uint32_t)right_pulse_cnt * 60000.0f / (1000 / TIM_MS) / PULSE_PER_REV; left_pulse_cnt = 0; right_pulse_cnt = 0; }

测速窗口需要跟控制周期匹配。我把速度环控制周期设在20ms，窗口太短时低速状态下窗口内可能只有几个脉冲，算出来的速度跳来跳去，速度环反而成了扰动源。测量数据稳定比实时性重要，这是速度环调好的前提。

4.3 目标速度随偏差动态调整

目标速度的生成逻辑不复杂，但需要实际标定：

target_speed = SPEED_MAX - k * fabs(lateral_error); if (target_speed < SPEED_MIN) target_speed = SPEED_MIN;

k值的标定方法：让车在直道上跑到最大速度，然后在发卡弯前观察它降到多少才不会甩尾。我这边常用的配置是最大速度2.5m/s，偏差绝对值最大约1.0，k取0.8，弯道最低限速1.0m/s。如果你发现某个弯还是甩，就把SPEED_MIN再往下压。

4.4 级联PID的调参顺序：为什么先内环后外环

很多人一上来就调转向环，结果怎么调都感觉转向“发不上力”，其实原因是速度环还没收敛，车速本身就在振荡。正确顺序是先内环后外环。

先给速度环一组稳定的参数，让车速在阶跃目标下能快速平稳到达。在此基础上再调转向环，调起来会轻松很多。我在调速度环时有个技巧：把目标速度设成方波，通过串口把实际速度发到上位机，看它在100ms左右能不能跟住、有没有超调。速度环稳了，转向环的烦恼会消失一大半。

5. 参数整定实操：从振荡发散到丝滑过弯的完整过程

5.1 临界比例度法：先找到Kp的极限

PID调参第一步永远是只保留P。把Ki和Kd设为0，只加Kp，然后让车在长直道上跑，逐步增加Kp，观察车是否开始等幅振荡。找到临界点后，记录此时的Kp作为临界增益Ku，同时用上位机测量振荡周期Tu。

根据Ziegler-Nichols经验公式，可以得到一组初始参数：

注意这套经验公式来自过程控制，用在循迹小车上只是一个起点。我在车上按公式得到的参数通常会再缩小30%到50%，因为小车的被控对象比恒温箱轻快得多，反应也快得多。

5.2 用上位机波形做微调：偏差曲线是照妖镜

调参过程强烈建议把偏差和控制量通过串口实时发到上位机画波形。没有波形，全靠肉眼看车跑，基本等于盲调。

几个典型的排查方向：

• 偏差波形收敛过慢：加大Kp。
• 过中线后明显超调：加大Kd。
• 长时间等幅振荡：Kp太大，或者Kd不足。
• 波形上有高频毛刺：D太强，或ADC信号没滤波。
• 直线稳定但有固定偏移：加少量Ki，或者检查机械安装是否对称。

5.3 不同赛道元素的专项调参

直道的要求是“别乱动”，这一段偏差只有微小噪声，转向输出应该接近零。发卡弯是极限工况：偏差快速增大，P项要大胆输出，D项要足够压制回中过冲，同时速度环要提前降速。S弯的节奏很快，转向环必须响应灵敏，但又不能陷入振荡，最考验D的微调。

调S弯的时候，我经常用蓝牙把偏差波形传到手机上看，寻找那个“刚好平滑、没有毛刺”的D值。调完之后记住这组参数的感觉：直道安静、大弯有力、S弯轻快不抖，基本就是及格线。

5.4 一次完整的标定记录

拿我当时的整车参数举例：增量式PID，控制周期10ms，偏差范围[-1,1]，转向输出范围限定在[-600,600]，基准PWM为4000。

先只加P，Kp从1.0开始。1.5时直道正常但入弯冲线，2.5时直道开始摇晃，3.0时出现明显的等幅振荡。于是记录Ku=3.0，Tu=0.45s。按Ziegler-Nichols公式推出来Kp=1.8，实际再降一点到1.6。接着加Kd，从0.2开始试，到0.8时发现高频噪声被放大，退回0.6后弯道回中非常平滑。最后Ki只给了0.01，并且只在偏差小于0.3的时候才累计，用来纠正轻微的机械偏置。

这套参数最终跑下来的效果是：直道不抖、大弯不甩、S弯勉强稳定，圈速比之前if-else时代快了近一倍。这个提升主要不是参数有多神奇，而是连续控制本身比离散控制高一个维度。

6. 调试现场最常见的坑与我的排查记录

6.1 直道上的PWM毛刺

现象是直道明明应该直直地开，电机声音却忽高忽低。我先怀疑是电机驱动问题，换了一个还是这样。后来用上位机看转向输出，发现波形上叠着一层高频毛刺，判断是ADC信号抖动被D项放大。

解决办法分两步走：先对归一化偏差做一次滑动平均，窗口取5；再把D值从0.8降到0.6。毛刺立刻消失，走线也稳了。这个案例的教训是：D项要和信号滤波成对出现，否则它就是在帮你放大噪声。

6.2 出弯回不到中线：积分饱和背锅

有一次跑发卡弯，出弯之后车总是偏向外侧，要过好一阵才回来。我把偏差曲线和积分项一并导出才发现，入弯时偏差长时间为0.7，积分器攒了一大笔输出。出弯后偏差变成0.2，比例项已经要求小角度转向，积分项却还在逼着车继续打方向，结果车冲到外道。

解决方式是给积分输出限幅，限制在±30以内，并且只在偏差小于0.3时累计。这种条件下Ki才能稳定地发挥作用，而不是帮倒忙。

6.3 低速转向没反应、高速突然猛转：电机死区

直流电机存在死区：PWM低于某个阈值时，驱动力矩不足以克服静摩擦，车轮根本不转。转向输出叠加到基准PWM后，如果基准太小，左右轮差速在低速段根本拉不出有效转向；一旦越过死区，转速又会对PWM变化非常敏感，于是出现“没反应—突然猛转”的跳变。

处理办法有两个方向：一是把基准PWM保持在死区之上，宁可用速度环的限速去压低平均速度，也不要让PWM落入死区；二是在死区附近做分段补偿，给PWM加一个小的跳变补偿量，把非线性尽量修正成线性。

6.4 电池电压下降导致参数漂移

最容易被忽略的坑是电池电压下降。刚充满电跑得很好，跑了五分钟之后走线变差，这不是心理作用，而是锂电放电过程中电压下降，同样的PWM占空比下电机实际功率减了不少。开环PWM控制系统里，等效的“系统增益”变了，PID参数自然就不再最优。

解决这个问题的最优解是速度环闭环，让速度环自己通过编码器反馈去补偿电压波动。如果暂时没上速度环，可以做电压前馈补偿：采集电池电压，按V_ref/V_bat比例修正目标PWM。但说到底，双闭环才是根治办法，这也是我一再强调速度环重要性的原因。

最后再说一个习惯：每次调参之前，先把车架空垫起来，用上位机观察各个传感器信号和输出曲线是否合理，确认传感器是干净的、PID输出是光滑的，再下地跑。这样可以排除掉大量软硬件干扰。智能循迹小车这东西说难不难，说简单也不简单，关键是把每个环节拆开来看清楚。信号对了，模型清楚了，剩下的就是花点时间耐心拧参数。希望这篇记录能帮你少走弯路，早点让你的三轮车丝滑地跑起来。