1. 智能小车多传感器融合泊车系统概述

大家好，今天我想和大家分享一个特别实用的STM32单片机项目——智能小车多传感器融合泊车系统。这个系统通过超声波和红外传感器的协同工作，实现了智能小车的自动倒车入库和侧方停车功能。我自己在实际开发过程中踩过不少坑，也积累了一些经验，希望通过这篇文章帮助大家少走弯路。

这个系统特别适合大学生做毕业设计、电子爱好者DIY，或者想要深入学习STM32和传感器融合技术的朋友。整个项目基于STM32F103C8T6单片机，搭配了两路红外避障传感器和一个超声波模块，通过巧妙的算法实现了精准的环境感知和运动控制。我自己实测下来，这套系统的泊车精度可以达到厘米级，完全满足日常实验和展示的需求。

你可能会有疑问：为什么需要同时使用超声波和红外两种传感器？其实这就是多传感器融合的精妙之处。红外传感器对黑色物体和透明物体的检测效果不太好，而超声波传感器在这方面表现优异；反过来，超声波传感器在复杂声波环境中的稳定性不如红外传感器。两者结合，正好互补，大大提升了系统的可靠性和精度。

2. 硬件系统设计与选型要点

2.1 核心控制器选择

我选择STM32F103C8T6作为主控芯片是有充分考虑的。这款芯片基于ARM Cortex-M3内核，主频72MHz，有64KB Flash和20KB RAM，完全能够满足我们这个项目的处理需求。更重要的是，它有多达37个GPIO口，可以轻松连接各种传感器和外设，而且价格非常亲民，性价比极高。

在实际开发中，我建议大家都准备一个ST-Link下载器，这样调试起来会方便很多。STM32的调试功能非常强大，通过SWD接口可以实时查看变量值、设置断点，大大提高了开发效率。我记得第一次调试时没有用调试器，只能通过串口打印日志，效率特别低，后来用了ST-Link之后，调试速度提升了好几倍。

2.2 传感器配置策略

传感器的布局是整个系统的关键所在。我采用了这样的配置方案：在车头正中央安装HC-SR04超声波传感器，主要负责检测前方障碍物和测量距离；在车身左右两侧各安装一个TCRT5000红外避障传感器，用来检测车身与车库边缘的距离。

这里有个很重要的细节：超声波传感器的安装高度要合适。如果安装得太高，可能会检测不到一些低矮的障碍物；如果安装得太低，又容易受到地面反射的干扰。经过多次测试，我发现距离地面10-15厘米是最佳高度。红外传感器的安装也要注意角度，最好稍微向下倾斜，这样能够更好地检测到地面和侧面的障碍物。

电源方面，我使用两节18650锂电池供电，电压7.4V，通过AMS1117稳压模块转换为5V和3.3V分别给不同模块供电。电机的驱动我选用的是经典的L298N模块，这个模块驱动能力强，而且带有散热片，长时间工作也不会过热。

3. 传感器数据融合算法解析

3.1 超声波测距数据处理

超声波传感器的工作原理很简单：发射超声波，计算从发射到接收回波的时间差，然后根据声速计算距离。但实际应用中会遇到很多问题，比如误检测、多路径反射等。我通过软件算法来解决这些问题。

首先是对原始数据进行滤波处理。我采用了中值滤波结合均值滤波的方法：连续采集5次数据，去掉最大值和最小值，然后取剩下3个值的平均值。这样既能消除偶然的误检测，又能保证数据的实时性。在实际代码中，我设置了超时机制，如果超过38ms还没有收到回波，就认为前方没有障碍物，因为HC-SR04的最大检测距离就是4米左右。

#define ULTRASONIC_TIMEOUT 38000 // 38ms超时，单位微秒

float get_ultrasonic_distance(void) {
    uint32_t time_elapsed = 0;
    uint32_t measurements[5];
    
    for(int i = 0; i < 5; i++) {
        // 触发超声波测距
        HAL_GPIO_WritePin(TRIG_GPIO_Port, TRIG_Pin, GPIO_PIN_SET);
        delay_us(10);
        HAL_GPIO_WritePin(TRIG_GPIO_Port, TRIG_Pin, GPIO_PIN_RESET);
        
        // 等待回波
        uint32_t start_time = HAL_GetTick();
        while(HAL_GPIO_ReadPin(ECHO_GPIO_Port, ECHO_Pin) == GPIO_PIN_RESET) {
            if(HAL_GetTick() - start_time > 2) break; // 超时检测
        }
        
        uint32_t echo_start = HAL_GetTick();
        while(HAL_GPIO_ReadPin(ECHO_GPIO_Port, ECHO_Pin) == GPIO_PIN_SET) {
            if(HAL_GetTick() - echo_start > 38) break; // 超过38ms说明超出检测范围
        }
        uint32_t echo_end = HAL_GetTick();
        
        time_elapsed = echo_end - echo_start;
        measurements[i] = time_elapsed;
        delay_ms(60); // 两次测量间需要间隔60ms以上
    }
    
    // 中值滤波处理
    bubble_sort(measurements, 5);
    uint32_t valid_sum = measurements[1] + measurements[2] + measurements[3];
    float distance = (valid_sum / 3.0) * 0.0343 / 2.0; // 声速340m/s，除以2是往返距离
    
    return distance;
}

3.2 红外传感器数据处理

红外传感器的数据处理相对简单，但也有一些需要注意的地方。TCRT5000的输出是数字信号，遇到障碍物时输出低电平，否则输出高电平。但实际使用中，由于环境光线的干扰，信号可能会抖动，需要进行软件去抖。

我采用的方法是连续检测多次，只有当连续多次检测结果一致时才认为状态稳定。具体实现时，我设置了一个状态机，只有在连续5次检测到障碍物时才触发避障动作，这样可以有效避免误触发。

typedef enum {
    IR_NO_OBSTACLE,
    IR_OBSTACLE_DETECTED,
    IR_UNCERTAIN
} IR_Status;

IR_Status check_ir_sensor(GPIO_TypeDef* GPIOx, uint16_t GPIO_Pin) {
    static uint8_t left_history = 0;
    static uint8_t right_history = 0;
    
    // 移位记录历史状态
    left_history = (left_history << 1) | (HAL_GPIO_ReadPin(GPIOx, GPIO_Pin) == GPIO_PIN_RESET ? 1 : 0);
    right_history = (right_history << 1) | (HAL_GPIO_ReadPin(GPIOx, GPIO_Pin) == GPIO_PIN_RESET ? 1 : 0);
    
    // 检查最近5次状态
    if ((left_history & 0x1F) == 0x1F) return IR_OBSTACLE_DETECTED;
    if ((left_history & 0x1F) == 0x00) return IR_NO_OBSTACLE;
    
    return IR_UNCERTAIN;
}

3.3 多传感器数据融合策略

传感器融合是这个项目的核心亮点。我采用了一种分层决策的融合策略：超声波传感器提供精确的距离数据，红外传感器提供可靠的障碍物存在检测，两者相互验证，提高了系统的可靠性。

当超声波检测到障碍物时，我会用红外传感器来验证这个障碍物是否真实存在。如果红外传感器也检测到障碍物，就立即采取避障动作；如果红外没有检测到，可能是超声波的误检测，我会选择继续观察，而不是立即反应。这种策略在实际测试中表现非常稳定，大大减少了误动作的概率。

对于距离的计算，我采用了加权融合的方法：以超声波数据为主，但当超声波数据不可靠时（比如超出检测范围或者数据跳变过大），就采用红外传感器估计的距离值。两种传感器的权重会根据环境条件动态调整，比如在光线较强的环境中，红外传感器的权重会降低。

4. 倒车入库模式实现细节

4.1 初始定位阶段

倒车入库的第一个关键步骤是初始定位。小车需要行驶到车库正前方适当的位置，这个位置不能太近也不能太远。经过多次测试，我发现距离车库门1.5米左右是最佳起始位置。

实现这个定位需要多个传感器协同工作。超声波传感器测量到车库门的距离，红外传感器检测车身是否与车库平行。我设计了一个简单的PID控制器来调整小车的位置和角度：

typedef struct {
    float Kp;       // 比例系数
    float Ki;       // 积分系数
    float Kd;       // 微分系数
    float integral; // 积分项
    float prev_error; // 上一次误差
} PID_Controller;

float pid_update(PID_Controller* pid, float error, float dt) {
    // 比例项
    float proportional = pid->Kp * error;
    
    // 积分项，带有抗积分饱和
    pid->integral += error * dt;
    if (pid->integral > 1000) pid->integral = 1000;
    if (pid->integral < -1000) pid->integral = -1000;
    float integral = pid->Ki * pid->integral;
    
    // 微分项
    float derivative = pid->Kd * (error - pid->prev_error) / dt;
    pid->prev_error = error;
    
    return proportional + integral + derivative;
}

4.2 倒车入库控制算法

当小车到达正确起始位置后，就开始执行倒车入库程序。这个过程中，左右红外传感器实时监测车身与车库边缘的距离，通过PID算法动态调整车轮转速，确保小车保持直线倒车。

我设置了一个安全距离阈值，当任何一侧传感器检测到距离小于15厘米时，小车会向相反方向微调，防止刮蹭。这个阈值可以根据实际车库大小进行调整，我建议在10-20厘米之间选择。

倒车速度的控制也很重要。速度太快容易失控，速度太慢又会影响用户体验。我采用了分段速度控制：初始阶段以中等速度倒车，当车尾进入车库后降低速度，最后阶段以低速完成精准定位。这种策略既保证了效率，又确保了安全。

4.3 停车判定与微调

如何判断小车已经完全进入车库？我使用了多个条件综合判断：首先是超声波传感器检测到车尾与车库后墙的距离达到预设值（通常是30-50厘米），其次是左右红外传感器检测到的距离稳定在一定范围内。

在实际测试中，我发现单纯依靠距离判断有时会有误差，于是增加了时间条件：只有当距离条件持续满足200ms以上，才认为停车完成。这个简单的延时判断大大提高了系统的稳定性。

停车后还需要进行位置微调。我会让小车稍微前进一点再后退，确保停放在车库正中央。这个微调过程完全自动化，用户只需要按下开始按钮，剩下的就交给系统完成了。

5. 侧方停车模式实现方案

5.1 侧方停车的特点与挑战

侧方停车相比倒车入库难度更大，因为需要同时考虑前后左右四个方向的距离，而且操作空间通常更小。我最初尝试时经常出现车轮蹭到路缘石的情况，后来通过优化传感器布局和算法才解决了这个问题。

侧方停车的传感器配置要求更高。除了车头的超声波传感器和车身两侧的红外传感器外，我在车尾也增加了一个红外传感器，专门用于检测与后车的距离。这种配置虽然增加了成本，但大大提升了停车成功率。

5.2 侧方停车控制流程

侧方停车的控制流程分为四个阶段：定位阶段、切入阶段、调整阶段和完成阶段。每个阶段都有明确的判断条件和控制目标。

在定位阶段，小车沿着车位平行行驶，超声波传感器检测车位长度是否足够。我设置的最小车位长度是小车长度的1.5倍，这个比例在实际中证明是安全可靠的。当检测到合适车位后，小车向前多行驶半个车身的距离，为切入做好准备。

切入阶段是最关键的一步。小车以45度角向后倒车，同时实时监测与前车、后车的距离。这个角度是通过左右轮差速控制实现的，我通过大量实验找到了最佳差速比，确保切入角度准确稳定。

5.3 防碰撞保护机制

侧方停车过程中最容易发生碰撞，所以我设计了一套完善的防碰撞保护机制。每个传感器都设置了警告距离和危险距离两个阈值：当检测到障碍物进入警告距离时，小车会减速并准备调整方向；当进入危险距离时，小车立即停止并执行规避动作。

我还增加了紧急停止功能：任何时候只要检测到障碍物过近，无论处于什么状态都立即刹车。这个功能在实际测试中多次避免了碰撞，虽然有时会造成停车过程中断，但安全永远是第一位的。

6. 系统调试与优化经验

6.1 常见问题与解决方案

在开发过程中，我遇到了不少典型问题。第一个是传感器干扰问题：超声波传感器和红外传感器之间有时会相互干扰，导致测量数据跳变。我通过时间分片解决了这个问题：让两种传感器分时工作，避免同时触发。

第二个问题是电机干扰：电机工作时会产生很大的电流噪声，影响传感器的正常工作。我在电源部分增加了滤波电容，传感器信号线使用了屏蔽线，大大降低了干扰影响。

第三个问题是环境适应性：在不同的光照条件下，红外传感器的性能会变化。我增加了自动校准功能：每次启动时，系统会先检测环境光强度，自动调整红外传感器的灵敏度阈值。

6.2 性能优化技巧

经过多次优化，我总结出几个提升系统性能的技巧。首先是算法优化：将浮点运算改为定点运算，大大提高了计算速度。STM32F103没有硬件浮点单元，浮点运算比较耗时，使用定点数可以提升3-5倍的性能。

其次是传感器数据处理的优化：采用循环缓冲区存储历史数据，减少了内存占用和数据处理时间。我还使用了DMA来传输传感器数据，解放了CPU资源。

最后是控制算法的优化：我将传统的PID控制改为模糊PID控制，提高了系统的适应性和稳定性。模糊PID能够根据不同的情况自动调整参数，在不同负载和路面条件下都能保持良好的控制效果。

6.3 实测效果与参数调整

经过多次实测，我总结出了一套适合大多数情况的参数设置。超声波传感器的检测周期设置为100ms，既保证了实时性，又避免了频繁触发导致的干扰。红外传感器的采样频率设置为1kHz，能够及时检测到障碍物。

电机控制参数需要根据具体小车进行调整。我建议先设置一组保守的参数确保安全，然后逐步调整优化。PID参数的经验值是：比例系数0.8，积分系数0.2，微分系数0.1，可以根据实际效果微调。

在实际使用中，我发现车库环境对系统性能影响很大。浅色墙面和深色墙面的反射特性不同，需要调整超声波传感器的灵敏度。我增加了环境自适应功能，系统能够自动学习环境特征，调整最佳工作参数。

7. 扩展功能与进阶应用

这个基础系统还有很多可以扩展的地方。我增加了蓝牙遥控功能，可以通过手机APP控制小车，选择停车模式，实时查看传感器数据。这个功能在调试时特别有用，可以直观地了解系统的工作状态。

另一个有用的扩展是路径记忆功能：小车可以学习记住多个停车位的位置，下次停车时自动选择最优路径。这个功能需要增加编码器来记录车轮转动，实现精确定位。

对于想要进一步挑战的朋友，可以尝试增加视觉识别功能：使用摄像头识别停车位标志线，实现完全自主的智能停车。这个难度较大，需要处理图像识别和深度学习，但也是最有前景的方向。

我在这个项目上花了将近三个月时间，从最开始的简单避障到现在的自动泊车，一步步完善功能解决问