1. 项目缘起从“单打独斗”到“协同作战”的机器人构想几年前当我还在实验室里捣鼓单个避障或循线小车时一个想法就冒了出来如果让两个机器人协同工作会怎样一个负责“看路”识别并规避障碍另一个负责“认路”紧紧跟随特定的颜色标记。这不仅仅是把两个功能简单叠加而是探索一种更接近真实场景的、具备初步分工协作能力的机器人系统。这就是“障碍物检测与颜色跟随机器人对”项目的初衷。这个项目听起来像是高级机器人课程的期末大作业但实际上它的核心组件和技术栈对于有一定单片机或树莓派基础的爱好者来说是完全可及的。它融合了计算机视觉、传感器融合、实时控制与简单的无线通信是一个绝佳的综合性实践平台。无论你是想深入理解ROSRobot Operating System在多机器人系统中的协调作用还是想亲手搭建一套能完成简单协同任务的实体机器人这个项目都能提供一条清晰的路径。接下来我将分享我是如何从零开始一步步实现这对“搭档”的其中会重点拆解硬件选型的考量、核心算法的实现逻辑以及调试过程中那些“教科书上不会写”的坑。2. 硬件架构设计与核心组件选型搭建一对协同机器人硬件是地基。我的设计原则是在保证功能实现和稳定性的前提下尽可能模块化、低成本并且为每个机器人赋予明确的“角色”。2.1 “侦察兵”与“跟随者”的角色定义首先需要明确分工“侦察兵”机器人Obstacle Detecting Robot它的核心任务是感知前方环境。因此它需要强大的“眼睛”和“大脑”。我为其配备了广角摄像头和一套超声波传感器阵列主控选择了计算能力更强的树莓派4B以便运行复杂的视觉处理算法。“跟随者”机器人Color Following Robot它的核心任务是识别并追踪“侦察兵”身上的特定颜色标记比如一个明亮的粉色或蓝色色块。它对实时性要求高但计算负载相对较轻。因此我选择了Arduino Uno作为主控搭配一个颜色传感器如TCS34725和一个简易的单点超声波传感器用于防撞防止在跟随过程中撞上意外出现的障碍。2.2 核心组件清单与选型理由为什么这么选下面这个表格详细说明了每个关键组件的选型逻辑和替代方案组件“侦察兵”机器人“跟随者”机器人选型理由与注意事项主控制器树莓派4B (4GB)Arduino Uno R3侦察兵需要运行OpenCV进行图像处理树莓派的算力和Linux环境是刚需。4GB内存是流畅运行的基础。跟随者任务相对简单读取传感器、控制电机Arduino的实时性和易用性更佳成本也低。“眼睛” (视觉)Raspberry Pi Camera Module V2 (广角镜头)TCS34725 颜色传感器侦察兵Pi Camera与树莓派原生兼容CSI接口延迟低。广角镜头能获得更宽的视野避免障碍物在画面边缘被忽略。跟随者TCS34725能直接输出RGB值算法简单响应快比用摄像头做颜色识别节省大量计算资源。“触角” (测距)HC-SR04超声波传感器 x 3 (左、中、右)HC-SR04超声波传感器 x 1 (前)侦察兵三路超声波形成一个小型阵列可以粗略判断障碍物的方位偏左、正中、偏右为避障决策提供方向信息。跟随者单个传感器作为安全冗余防止在专注跟随时撞上突然出现的物体。动力与驱动L298N电机驱动模块 双TT减速电机 万向轮L298N电机驱动模块 双TT减速电机 万向轮两者均采用经典的差速驱动方案。L298N驱动能力足够价格便宜。TT电机搭配减速箱扭矩大速度可控。确保两个机器人的底盘和电机性能尽可能一致这样在编写协同算法时运动模型可以简化。“沟通”桥梁HC-05蓝牙模块 (主模式)HC-05蓝牙模块 (从模式)选择蓝牙而非Wi-Fi是因为在这个短距离、低数据量仅发送指令如“左转”、“停止”、点对点的场景下蓝牙配置更简单功耗更低。树莓派主向Arduino从发送指令。电源2S 7.4V锂电池组 (用于电机) 5V降压模块 (用于树莓派)9V电池 (用于Arduino及传感器)侦察兵树莓派功耗较大需要稳定的5V/2.5A以上输入独立降压模块是必须的。电机使用动力电池。跟随者Arduino和传感器功耗小一块9V电池足以驱动一段时间。注意电机的供电一定要与控制板、传感器供电隔离最好使用独立的电池或通过带隔离的电源模块供电。电机启停时产生的电压波动俗称“浪涌”是导致单片机死机或传感器读数异常的最常见原因。3. “侦察兵”的智慧多传感器融合避障算法实现“侦察兵”机器人的大脑是树莓派它的核心程序是用Python编写的主要依赖OpenCV库。其算法流程可以概括为“看”得全“想”得清“走”得稳。3.1 视觉障碍物检测从图像到障碍区域我采用的方法不是去识别具体的物体是什么而是检测“前方可通行区域”的变化。这更高效。图像预处理从Pi Camera获取实时视频流。首先转换为灰度图然后进行高斯模糊以消除噪声。import cv2 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0)边缘检测与轮廓查找使用Canny算法检测边缘然后查找轮廓。那些面积较大、位置在图像下半部分对应机器人前方地面区域的轮廓很可能是障碍物。edges cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) if area 500: # 面积阈值过滤噪声 x, y, w, h cv2.boundingRect(cnt) if y frame.shape[0] // 2: # 只关心图像下半部分 # 标记为障碍物区域 cv2.rectangle(frame, (x, y), (xw, yh), (0, 0, 255), 2)生成“障碍物地图”我将图像在水平方向上划分为左、中、右三个区域。如果某个区域内发现了障碍物轮廓就将该区域标记为“危险”。3.2 超声波数据融合为视觉提供精确测距视觉检测能知道“大概在哪个方向有东西”但不知道“距离有多远”。这时就需要超声波传感器上场。数据采集与滤波三个超声波传感器持续测量距离。为了防止偶尔的误读数我采用了一个简单的滑动窗口中值滤波保存最近5次读数取中间值作为有效距离。与视觉信息融合决策逻辑如下如果视觉检测到中间区域有障碍且中间超声波距离小于30厘米则确认为正前方近距离障碍优先级最高。如果视觉未检测到但某侧超声波距离持续小于20厘米则判断为该侧有视觉盲区的小型障碍如桌腿也需要规避。如果视觉检测到障碍但所有超声波距离都大于50厘米则可能是远处物体或误检暂时忽略或减速观察。这种融合策略大大提升了可靠性。我遇到过单纯靠视觉时地面纹理复杂被误判为障碍也遇到过单纯靠超声波时斜面或细小障碍物检测不到的情况。两者结合取长补短。3.3 决策与运动控制状态机让行为更清晰机器人的行为不能是“if-else”的混乱堆砌。我实现了一个简单的有限状态机FSM让逻辑一目了然前进状态默认状态。无危险信号时双电机正转。避障状态当检测到障碍时触发。正前方障碍根据左右超声波读数选择距离更远的一侧进行旋转。例如左边距离60cm右边距离40cm则向右旋转90度。单侧障碍向无障碍一侧微调角度进行绕行。通信状态在开始旋转或完成避障后需要通知“跟随者”。此时树莓派通过串口向连接的HC-05蓝牙模块发送指令如“TURN_RIGHT”、“GO_STRAIGHT”。实操心得电机的PWM速度控制值不要一下子给到最大。尤其是在启动和转弯时采用渐增的PWM值可以让机器人运动更平滑减少轮子打滑和惯性带来的定位误差。例如转弯时内侧电机从PWM100逐渐降到0外侧电机从100逐渐升到150效果比瞬间反转内侧电机要好得多。4. “跟随者”的专注基于颜色传感器的追踪策略“跟随者”机器人的逻辑相对直接但要做到稳定跟随细节处理是关键。它的程序写在Arduino上。4.1 颜色识别与滤波TCS34725传感器会返回R、G、B三个通道的原始值。我们关心的不是绝对颜色而是与目标颜色的相似度。标定目标颜色将“侦察兵”背后的色块放在传感器前读取一组RGB值例如(R0, G0, B0)。这作为“锚点”。计算颜色距离在运行中持续读取当前RGB值(Rt, Gt, Bt)。计算其与目标颜色的欧几里得距离ColorDistance sqrt((Rt-R0)^2 (Gt-G0)^2 (Bt-B0)^2)这个距离越小说明颜色越匹配。设置动态阈值环境光线会变化。我采用了一个自适应阈值法连续记录10次有效读数距离小于某个初始阈值的平均距离以此作为当前环境下的基准阈值。这样可以适应从室内到窗边光线强弱的变化。4.2 追踪算法比例控制P-Control最简单的“看到就走看不到就找”的策略会让机器人像无头苍蝇一样抖动。我采用了比例控制算法让机器人的转弯幅度与“颜色偏离中心的程度”成比例。传感器布局假设理想情况下你应该使用两个颜色传感器并排安装。左传感器读数强说明目标在左侧应左转。我这里因为只有一个传感器所以模拟了这种效果我让机器人进行小幅度的“之”字形扫描原地微左转-微右转比较左右两个位置的颜色距离值。差值越大说明目标偏离越远需要补偿的转弯力度就越大。P控制实现// 伪代码 error leftColorDistance - rightColorDistance; // 颜色距离差代表偏差 turnPWM Kp * error; // Kp是比例系数需要调试 // 将turnPWM转换为左右电机的PWM差值 leftMotorPWM baseSpeed turnPWM; rightMotorPWM baseSpeed - turnPWM;通过调整Kp这个参数你可以控制机器人追踪的“敏捷度”。Kp太大会震荡Kp太小反应迟钝容易跟丢。4.3 指令解析与安全覆盖“跟随者”还需要留一只“耳朵”听“侦察兵”的指令。蓝牙指令解析Arduino持续监听串口连接HC-05。当收到如“TURN_RIGHT\n”的字符串时立即中断当前的颜色追踪逻辑进入指令执行模式。执行与恢复在指令执行模式下机器人执行预设的固定动作例如原地右转90度持续2秒。完成后再切换回颜色追踪模式。这保证了协同动作的优先性。超声波安全制动在任何模式下前置超声波传感器的读数都会以最高优先级被监控。如果距离小于15厘米立即停止所有电机防止碰撞。这是一个独立的安全回路。5. 双机通信协议与协同逻辑调试通信是协同的纽带。我设计了一个极其简单的文本协议通过蓝牙串口传输。5.1 协议设计简单至上指令集只有几条TURN_LEFT 原地左转90度。TURN_RIGHT原地右转90度。GO_STRAIGHT直行。STOP停止。BACKWARD后退用于复杂脱困备用。每条指令以换行符\n结尾作为帧分隔符。在Arduino端使用Serial.readStringUntil(\n)来可靠地读取完整指令。5.2 同步问题与解决之道这是调试中最棘手的部分。主要问题有两个指令丢失或延迟蓝牙通信并非绝对可靠尤其在有遮挡时。解决方案在“侦察兵”端发送指令后延迟一小段时间如300ms等待动作执行而不是连续发送。在“跟随者”端执行指令时设置一个明确的超时如2秒时间一到无论是否完成都尝试恢复颜色追踪避免卡死。动作累积误差让两个机器人做完全相同的90度转由于电机差异、地面摩擦不同实际角度会有偏差。几次协同转弯后位置误差会累积导致跟随失败。解决方案这不是通信能解决的需要从控制层面优化。为“跟随者”增加陀螺仪MPU6050这是最有效的办法。让“跟随者”根据陀螺仪积分出的角度来执行“精确旋转90度”而不是依赖固定的电机转动时间。降低对绝对位置的依赖既然“跟随者”的核心是颜色追踪那么只要在转弯后它能重新捕获到颜色信号就可以纠正位置偏差。因此我强化了“跟随者”在恢复追踪模式后的搜索算法增大初始扫描幅度容忍了一定的初始偏差。5.3 实地调试流程纸上得来终觉浅调试必须在地上跑。分模块调试先让“侦察兵”独立运行测试其避障的准确性和流畅性。再让“跟随者”独立运行测试其追踪一个手动移动色块的能力。最后再测试蓝牙指令发送与接收。场景化测试简单走廊测试直线跟随和避障后的重新对齐。直角弯测试“侦察兵”转弯并发送指令“跟随者”接收并执行转弯的协同能力。多障碍房间测试在复杂环境下指令队列处理和防丢能力。数据日志在调试初期让树莓派和Arduino都把关键数据传感器读数、决策状态、发送/接收的指令写入日志文件或通过串口打印出来。这是定位问题最宝贵的资料。6. 项目演进与高阶扩展思路当基础功能跑通后这个项目平台还有巨大的潜力可以挖掘。6.1 从“主从”到“对等”通信目前的架构是严格的主从模式侦察兵指挥跟随者。可以升级为对等模式让“跟随者”也具备一定的环境感知能力如加装简易摄像头并可以向“侦察兵”反馈状态如“我已丢失目标”。这样“侦察兵”可以据此调整自己的行为例如减速或亮起更醒目的灯光。这需要更复杂的通信协议如定义消息类型和确认机制和状态决策逻辑。6.2 引入SLAM与路径规划为“侦察兵”树莓派配置一个激光雷达如RPLidar A1并运行ROS中的gmapping和move_base等包。这样它可以在避障的同时构建环境地图并规划出从A点到B点的全局最优路径。而“跟随者”的任务则可能演变为“在地图上保持与领航者的相对位置”而不仅仅是视觉跟随。这将把项目提升到真正的自主移动机器人AMR研究层面。6.3 探索更智能的视觉算法深度学习目标检测用YOLO或SSD模型替换掉传统的轮廓检测让“侦察兵”不仅能避障还能识别障碍物的类别是人、椅子还是箱子从而采取不同的策略如对人礼貌避让对椅子则规划绕行。特征点跟踪对于“跟随者”可以使用OpenCV的KCF或MOSSE跟踪器跟踪“侦察兵”上的一个特征点而不仅仅是颜色块这样即使颜色被部分遮挡或光照剧烈变化也能保持跟踪。6.4 集群化的雏形如果制作第三、第四个机器人并赋予它们不同的颜色或编号就可以探索最简单的多机器人集群行为例如编队行进领航-跟随模式、区域覆盖探索等。通信协议需要升级为广播或组播并考虑冲突避免。这个“障碍物检测与颜色跟随机器人对”项目就像一把钥匙打开了一扇通往机器人协同系统的大门。从硬件焊接到软件调试从算法调参到协议设计每一步的坑踩过去都是实打实的经验积累。它最宝贵的价值不在于实现了多么炫酷的功能而在于提供了一个完整的、可触摸的框架让你能亲手验证课本上的理论并真切地感受到那些抽象概念如传感器融合、状态机、PID控制是如何在真实的物理世界中运作和相互作用的。