1. 从二值化开始图像处理的基石第一次参加智能车比赛时我盯着摄像头传回的灰度图像发愁——赛道边缘像被水晕开的铅笔线时断时续。这就是所有循迹算法的起点把模糊的灰度世界变成非黑即白的决策空间。二值化就像老师用红笔批改作业只关心对错不纠结细节。动态阈值算法是我们的第一把武器。还记得凌晨三点调参时发现的规律当环境光突然变化时固定阈值会让小车像醉汉一样摇摆。这时候大津法Otsu就像个智能调光师它能自动找到黑白像素的最佳分界线。实测代码这样写最稳定def otsu_threshold(image): pixel_count np.zeros(256) total_pixels image.size # 统计每个灰度级的像素数 for row in image: for pixel in row: pixel_count[pixel] 1 max_variance 0 best_threshold 0 # 遍历所有可能的阈值 for threshold in range(256): # 计算类内方差 w0 np.sum(pixel_count[:threshold]) / total_pixels w1 1 - w0 if w0 0 or w1 0: continue mean0 np.sum(np.arange(threshold) * pixel_count[:threshold]) / (w0 * total_pixels) mean1 np.sum(np.arange(threshold, 256) * pixel_count[threshold:]) / (w1 * total_pixels) variance w0 * w1 * (mean0 - mean1) ** 2 if variance max_variance: max_variance variance best_threshold threshold return best_threshold但真实赛道会给你当头一棒——当遇到反光的起跑线时大津法可能把整个画面判为白色。这时需要加权动态补偿在阈值计算结果上额外增加5-10的偏移量就像给判断标准加上安全垫。这个技巧让我们在省赛的玻璃材质赛道上少栽了跟头。2. 赛道中线提取从爬行到奔跑拿到二值图像就像有了黑白分明的施工图纸但如何找到该往哪走的中线早期我们用的全行扫描法简单粗暴——从图像底部往上逐行找黑白跳变点。这就像蒙着眼摸墙走路遇到直角弯就会撞墙// 基础的全行扫描实现 void find_middle_line(uint8_t *binary_img) { for(int row IMG_HEIGHT-1; row 0; row--) { int left_edge 0; int right_edge IMG_WIDTH-1; // 找左边界 while(binary_img[row*IMG_WIDTH left_edge] 0) { left_edge; } // 找右边界 while(binary_img[row*IMG_WIDTH right_edge] 0) { right_edge--; } middle_line[row] (left_edge right_edge) / 2; } }直到看见冠军车队的车像蛇一样流畅过弯才发现加权滑动窗口法才是王道。它像经验丰富的司机更关注前方远处道路给图像上部赋予更高权重同时用指数平滑过滤突变def weighted_middle_line(middle_line): # 定义权重曲线 - 上部权重更高 weights [0.1*(1.05**i) for i in range(len(middle_line))] weighted_sum np.sum(middle_line * weights) return weighted_sum / np.sum(weights)在国赛的8字交叉赛道上我们给不同区域设计了差异权重直道段侧重远处弯道段加强近处判断。这就像开车时直路看远方过弯时兼顾近处参照物。3. 差速控制两个电机的舞蹈有了精准的中线如何让两个电机和谐共舞PID控制就像教两个轮子跳探戈。增量式PID之所以成为主流是因为它避免了大开大合的抽风现象// 增量式PID实现 float incremental_pid(float error) { static float last_error 0; static float prev_error 0; float delta Kp*(error - last_error) Ki*error Kd*(error - 2*last_error prev_error); prev_error last_error; last_error error; return delta; }但真正的魔法发生在差速映射环节。我们发现中线偏差与轮速差不是简单线性关系——小偏差时需要细腻控制大偏差时要果断转向。最终采用的S型曲线映射表让小车在高速过弯时稳如老司机偏差百分比左轮减速比右轮减速比0%-10%5%-5%10%-30%15%-15%30%-50%30%-30%50%45%-45%4. 动态调参让算法学会适应最大的突破是让PID参数能随车速自动调整。这就像老司机知道什么时候该温柔操控什么时候要果断转向。我们建立的速度-参数矩阵至今仍是队里的秘籍def get_pid_params(speed): # 速度单位cm/s if speed 50: return {Kp:0.8, Ki:0.05, Kd:0.1} # 低速注重稳定性 elif speed 100: return {Kp:1.2, Ki:0.03, Kd:0.2} # 中速平衡响应 else: return {Kp:2.0, Ki:0.01, Kd:0.3} # 高速优先快速修正环岛处理是另一个分水岭。传统方法像盲人摸象直到引入曲率预测算法——通过分析最近10帧的中线变化趋势提前预判弯道类型。当检测到连续同向偏差时会提前增加内侧轮制动这个策略让我们在国赛的螺旋弯道中领先对手0.5秒。5. 从循迹到竞速性能优化实战当基础功能完善后我们开始追求极致。图像采样优化是第一个突破口——通过实验发现只处理奇数列像素处理速度提升40%而精度仅下降5%。这就像用素描代替油画够用就行// 优化后的图像采样 for(int row0; rowIMG_HEIGHT; row2) { for(int col0; colIMG_WIDTH; col2) { // 只处理1/4像素 } }内存管理的教训也很深刻。最初的中线缓存数组导致内存溢出后来改用环形缓冲区才解决。这段代码现在看起来简单却是熬夜调出来的#define BUF_SIZE 10 int ring_buffer[BUF_SIZE]; int buf_index 0; void add_to_buffer(int value) { ring_buffer[buf_index] value; buf_index (buf_index 1) % BUF_SIZE; // 环形索引 }最惊喜的发现是电机死区补偿。当发现PWM值小于30时电机根本不转我们在输出前统一加上这个阈值就像给油门踏板消除虚位。这个小技巧让低速控制精度直接提升了一个数量级。6. 那些年踩过的坑光照变化是最狡猾的敌人。省赛现场窗户射入的阳光让小车突然失明后来我们增加了自动曝光检测模块。当像素平均值突变超过20%时会触发紧急制动并重置阈值算法。另一个血泪教训是中断冲突。编码器计数和图像采集共用定时器导致图像撕裂。最终用DMA传输图像数据把处理时间从15ms降到5ms。这告诉我们硬件资源分配要像交通管制一样严谨。最难忘的是机械与算法的相爱相杀。当发现小车总是向右偏时花了三天才发现是左轮轮胎轻微漏气。现在队里规定任何控制问题先查机械再调参数。7. 从比赛到工程化的思考真实道路比赛道复杂得多但比赛经验教会我们模块化设计的重要性。把图像处理、决策控制、执行驱动分开就像造车的底盘、发动机、变速箱各司其职。最近尝试将CNN轻量化后部署到单片机上3x3的卷积核就能识别特殊路标。这让我明白不是所有问题都需要深度学习有时候传统算法加上工程智慧更有效。回头看这套系统演进史从最初的30fps、200ms延迟到现在60fps、50ms端到端延迟最大的感悟是优秀的算法不是推翻重来而是持续迭代。就像我们的动态差速控制已经迭代到第7个版本但核心还是那个PID公式。