循迹小车的‘感官世界’：灰度传感器信号处理与滤波算法探秘

在嵌入式系统开发中，循迹小车的设计不仅仅是硬件组装和代码堆砌，更是一场对数据稳定性和环境适应性的深度挑战。光照变化、地面反光、传感器噪声——这些看似微小的干扰，往往成为影响循迹精度的关键因素。本文将以STM32F103C8T6为核心，深入探讨灰度传感器的信号特性，并系统分析如何通过软件滤波算法提升数据可靠性，最终实现精准的电机控制。

1. 灰度传感器的工作原理与信号特性分析

灰度传感器作为循迹小车的“眼睛”，其核心是通过红外发射管和接收管检测地面反射率的变化。当红外光照射到不同颜色的表面时，反射强度差异会导致接收管输出的电压信号发生变化。通常，黑色表面吸收大部分光线，反射较弱，输出高电平；白色表面反射强烈，输出低电平。

然而，实际环境中传感器的输出远非理想。以下是常见的干扰源及其影响：

• 光照强度波动：自然光或室内灯光的变化会直接影响红外接收管的灵敏度，导致信号漂移。
• 地面反光特性：不同材质的地面（如哑光与亮面）对红外光的反射率不同，甚至同一材质因污渍或磨损导致局部反射率变化。
• 传感器安装高度与角度：安装位置的微小偏差会显著改变检测区域和信号强度。
• 电气噪声：电源波动或电机启停时产生的电磁干扰会耦合到传感器信号中。

这些因素共同导致HAL_GPIO_ReadPin读取的原始信号存在随机波动和跳变，若直接用于控制逻辑，小车会出现“抖动”或误动作。例如，一段本应稳定的直线循迹，可能因瞬时光照变化被误判为弯道，引发不必要的转向调整。

2. 常见软件滤波算法的原理与实现

为了从噪声中提取真实信号，软件滤波算法成为不可或缺的手段。以下介绍几种适用于嵌入式系统的实时滤波方法，均以C语言实现，并针对STM32HAL库优化。

2.1 移动平均滤波（Moving Average Filter）

移动平均滤波通过计算最近N次采样值的算术平均来平滑数据，能有效抑制高频噪声，但会引入一定的滞后性。

#define SAMPLE_SIZE 10

uint8_t sensor_buffer[SAMPLE_SIZE];
uint8_t buffer_index = 0;

uint8_t moving_average_filter(uint8_t new_sample) {
    sensor_buffer[buffer_index] = new_sample;
    buffer_index = (buffer_index + 1) % SAMPLE_SIZE;
    
    uint16_t sum = 0;
    for (int i = 0; i < SAMPLE_SIZE; i++) {
        sum += sensor_buffer[i];
    }
    return (uint8_t)(sum / SAMPLE_SIZE);
}

提示：采样窗口大小需权衡响应速度与稳定性。较大的N值平滑效果更好，但延迟增加；较小的N值响应快，但滤波效果有限。一般建议N取值5-15。

2.2 中值滤波（Median Filter）

中值滤波取最近N次采样的中值作为输出，对脉冲噪声（如瞬时干扰）有极好的抑制效果，且不会引入相位延迟。

uint8_t median_filter(uint8_t new_sample) {
    static uint8_t buffer[SAMPLE_SIZE];
    static uint8_t index = 0;
    buffer[index] = new_sample;
    index = (index + 1) % SAMPLE_SIZE;
    
    // 复制缓冲区进行排序
    uint8_t temp[SAMPLE_SIZE];
    memcpy(temp, buffer, SAMPLE_SIZE);
    
    // 冒泡排序
    for (int i = 0; i < SAMPLE_SIZE-1; i++) {
        for (int j = 0; j < SAMPLE_SIZE-i-1; j++) {
            if (temp[j] > temp[j+1]) {
                uint8_t swap = temp[j];
                temp[j] = temp[j+1];
                temp[j+1] = swap;
            }
        }
    }
    return temp[SAMPLE_SIZE/2];
}

2.3 加权移动平均滤波（Weighted Moving Average）

在标准移动平均基础上为不同时刻的数据赋予不同权重，近期数据权重更高，能在平滑噪声的同时减少滞后。

// 权重系数数组，近期权重高
const float weights[SAMPLE_SIZE] = {0.05, 0.05, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.15, 0.15};

uint8_t weighted_moving_average(uint8_t new_sample) {
    static uint8_t buffer[SAMPLE_SIZE];
    static uint8_t index = 0;
    
    buffer[index] = new_sample;
    index = (index + 1) % SAMPLE_SIZE;
    
    float sum = 0;
    for (int i = 0; i < SAMPLE_SIZE; i++) {
        int buffer_pos = (index + i) % SAMPLE_SIZE;
        sum += buffer[buffer_pos] * weights[i];
    }
    
    return (uint8_t)(sum + 0.5); // 四舍五入
}

2.4 一阶低通滤波（First-order Low-pass Filter）

一阶低通滤波通过递归计算实现，占用内存少，计算效率高，适合资源受限的嵌入式系统。

float alpha = 0.2; // 滤波系数(0-1)，越小平滑效果越强

uint8_t low_pass_filter(uint8_t new_sample) {
    static uint8_t filtered_value = 0;
    
    filtered_value = (uint8_t)(alpha * new_sample + (1 - alpha) * filtered_value);
    return filtered_value;
}

3. 多传感器数据融合与状态决策策略

单一路径往往不足以实现鲁棒控制，多传感器数据融合能显著提升系统可靠性。以五路灰度传感器为例，合理的状态决策机制是关键。

3.1 传感器布局与信号特征

典型的五路传感器布局如下表所示：

传感器位置	引脚定义	正常值（白线）	检测到黑线
最左 (LL)	PA4	0	1
左 (L)	PA5	0	1
中 (M)	PA6	0	1
右 (R)	PA7	0	1
最右 (RR)	PB0	0	1

3.2 状态机决策机制

基于滤波后的传感器数据，可采用状态机实现智能决策：

typedef enum {
    STATE_ON_TRACK,      // 正常循迹
    STATE_SLIGHT_LEFT,   // 轻微左偏
    STATE_SLIGHT_RIGHT,  // 轻微右偏
    STATE_SHARP_LEFT,    // 急左转
    STATE_SHARP_RIGHT,   // 急右转
    STATE_LOST           // 丢失路径
} TrackState;

TrackState determine_state(uint8_t ll, uint8_t l, uint8_t m, uint8_t r, uint8_t rr) {
    // 主路径检测（中间三路）
    if (m && !l && !r) return STATE_ON_TRACK;
    if (!m && l && !r) return STATE_SLIGHT_LEFT;
    if (!m && !l && r) return STATE_SLIGHT_RIGHT;
    
    // 边缘传感器触发（急转）
    if (ll && !rr) return STATE_SHARP_LEFT;
    if (!ll && rr) return STATE_SHARP_RIGHT;
    if (ll && rr) return STATE_ON_TRACK; // 十字路口
    
    // 所有传感器未检测到黑线
    if (!(ll || l || m || r || rr)) return STATE_LOST;
    
    return STATE_ON_TRACK; // 默认状态
}

3.3 基于PID的电机控制优化

滤波后的传感器数据最终用于生成精准的电机控制信号。PID控制器能根据偏差（偏离中心的程度）计算修正量：

// PID参数
float Kp = 15.0; // 比例系数
float Ki = 0.05; // 积分系数
float Kd = 2.0;  // 微分系数

int16_t pid_controller(int16_t error) {
    static int16_t last_error = 0;
    static int16_t integral = 0;
    
    integral += error;
    int16_t derivative = error - last_error;
    last_error = error;
    
    return (int16_t)(Kp * error + Ki * integral + Kd * derivative);
}

void apply_motor_control(int16_t control_value) {
    int16_t base_speed = 150; // 基础速度
    int16_t left_motor = base_speed - control_value;
    int16_t right_motor = base_speed + control_value;
    
    // 限制速度范围
    left_motor = (left_motor < 0) ? 0 : (left_motor > 255) ? 255 : left_motor;
    right_motor = (right_motor < 0) ? 0 : (right_motor > 255) ? 255 : right_motor;
    
    __HAL_TIM_SET_COMPARE(&htim2, TIM_CHANNEL_2, left_motor);   // 左电机
    __HAL_TIM_SET_COMPARE(&htim2, TIM_CHANNEL_1, right_motor);  // 右电机
}

4. 实战应用：抗干扰循迹系统实现

结合上述算法，我们可以构建一个完整的抗干扰循迹系统。以下是在STM32CubeIDE中的实现框架：

4.1 系统初始化

// 传感器滤波上下文结构
typedef struct {
    uint8_t ma_buffer[5][10];  // 5路传感器，每路10点移动平均
    uint8_t ma_index[5];       // 各路的缓冲区索引
    uint8_t last_filtered[5];  // 各路上一次滤波值
} SensorFilterContext;

SensorFilterContext filter_ctx;

void sensor_filter_init(void) {
    memset(&filter_ctx, 0, sizeof(SensorFilterContext));
}

4.2 主循环处理流程

while (1) {
    // 1. 读取原始传感器数据
    uint8_t raw_values[5];
    raw_values[0] = HAL_GPIO_ReadPin(OUT4_GPIO_Port, OUT4_Pin); // LL
    raw_values[1] = HAL_GPIO_ReadPin(OUT5_GPIO_Port, OUT5_Pin); // L
    raw_values[2] = HAL_GPIO_ReadPin(OUT3_GPIO_Port, OUT3_Pin); // M
    raw_values[3] = HAL_GPIO_ReadPin(OUT2_GPIO_Port, OUT2_Pin); // R
    raw_values[4] = HAL_GPIO_ReadPin(OUT1_GPIO_Port, OUT1_Pin); // RR
    
    // 2. 应用滤波算法
    uint8_t filtered_values[5];
    for (int i = 0; i < 5; i++) {
        filtered_values[i] = adaptive_filter(raw_values[i], i); // 自适应滤波
    }
    
    // 3. 计算路径偏差
    int16_t error = calculate_error(filtered_values);
    
    // 4. PID计算控制量
    int16_t control = pid_controller(error);
    
    // 5. 应用电机控制
    apply_motor_control(control);
    
    HAL_Delay(5); // 5ms采样周期
}

4.3 自适应滤波算法实现

根据不同环境条件动态调整滤波参数，能进一步提升系统适应性：

uint8_t adaptive_filter(uint8_t new_sample, uint8_t sensor_id) {
    static uint8_t variance[5] = {0}; // 各传感器方差估计
    static uint32_t last_time[5] = {0};
    
    uint32_t current_time = HAL_GetTick();
    uint32_t time_diff = current_time - last_time[sensor_id];
    last_time[sensor_id] = current_time;
    
    // 动态调整滤波系数 based on variance
    float alpha = calculate_adaptive_alpha(variance[sensor_id]);
    
    // 更新方差估计
    uint8_t last_val = filter_ctx.last_filtered[sensor_id];
    int16_t diff = (new_sample > last_val) ? (new_sample - last_val) : (last_val - new_sample);
    variance[sensor_id] = (0.95 * variance[sensor_id]) + (0.05 * diff);
    
    // 应用滤波
    uint8_t filtered = (uint8_t)(alpha * new_sample + (1 - alpha) * last_val);
    filter_ctx.last_filtered[sensor_id] = filtered;
    
    return filtered;
}

4.4 性能优化技巧

在资源受限的STM32F103C8T6上实现高效滤波，需要注意以下优化策略：

• 定点数运算：避免浮点运算，使用定点数提高效率
• 查表法：预先计算常用参数，减少实时计算量
• 中断优化：使用定时器中断精确控制采样周期
• 内存管理：合理使用静态变量减少堆栈操作

// 定点数PID实现（Q11格式）
int16_t pid_controller_fixed(int16_t error) {
    static int16_t last_error = 0;
    static int32_t integral = 0;
    
    // 系数扩大2^11倍
    const int16_t Kp_fixed = 15 * 2048;
    const int16_t Ki_fixed = 0.05 * 2048;
    const int16_t Kd_fixed = 2 * 2048;
    
    integral += error;
    int16_t derivative = error - last_error;
    last_error = error;
    
    int32_t output = (Kp_fixed * error) + (Ki_fixed * integral) + (Kd_fixed * derivative);
    return (int16_t)(output / 2048); // 转换回实际值
}

在实际项目中，我发现结合移动平均和中值滤波的混合方案效果最为显著：先使用中值滤波去除脉冲噪声，再进行移动平均平滑随机波动。这种组合在保证实时性的同时，对各种干扰环境都有很好的适应性。