1. 项目背景与赛题解析

2023年全国大学生电子设计大赛G题"空地协同智能消防系统"是一个典型的无人机与地面小车协同作业的综合型赛题。这道题目要求参赛队伍设计一套完整的智能消防系统，其中无人机负责空中侦察与定位，地面小车负责精准灭火任务，两者需要通过无线通信实现协同工作。

从技术层面来看，这道题目考察了多个关键技术点：无人机的室内精确定位能力、小车的路径规划与运动控制、多传感器融合技术、机器视觉识别能力，以及无人机与小车的协同通信机制。这些技术要点恰好是当前机器人领域的热点研究方向，也是实际应用中亟需解决的技术难题。

我在实际参赛过程中发现，这道题目的难点在于如何在不依赖GPS信号的室内环境中实现无人机的稳定定位，以及如何让小车在复杂环境中准确识别火源并完成灭火任务。特别是在时间有限的比赛环境下，如何快速搭建一个可靠的原型系统，是每个参赛队伍都需要面对的挑战。

2. 硬件系统设计与选型要点

2.1 无人机平台选择与配置

在选择无人机平台时，我们需要综合考虑飞行稳定性、载重能力、扩展性和成本因素。经过多次测试，我们发现采用F450机架搭配2212无刷电机和30A电调的组合能够提供良好的飞行性能和足够的负载能力来携带激光雷达和其他传感器。

关键传感器配置：

• 激光雷达：选用RPLIDAR A2或思岚科技的同级别产品，扫描频率10Hz，测量范围0.15-12米
• IMU模块：MPU6050或MPU9250，提供三轴加速度和陀螺仪数据
• 视觉传感器：OpenMV或树莓派摄像头模块，用于火源识别
• 主控板：STM32F407或更高级别的处理器，负责传感器数据融合和飞行控制

在实际搭建过程中，传感器的安装位置需要特别注意。激光雷达应该安装在无人机顶部，避免螺旋桨的遮挡影响扫描效果。IMU模块要尽量靠近无人机的重心位置，减少振动对测量精度的影响。视觉传感器则需要有适当的俯仰角度，既能看清前方环境，又能观察到地面情况。

2.2 地面小车设计要点

地面小车的设计重点在于运动精度和环境感知能力。我们采用了四轮麦克纳姆轮结构，这种设计可以让小车实现全向移动，在狭小空间内具有更好的机动性。

小车核心组件：

• 运动控制：采用STM32作为主控制器，通过编码器反馈实现闭环控制
• 驱动系统：DC减速电机配合电机驱动模块，提供足够的扭矩和精确的速度控制
• 感知系统：超声波传感器用于避障，OpenMV摄像头用于火源识别
• 通信模块：NRF24L01或ESP8266，用于与无人机通信

小车的机械结构需要保证足够的刚性和稳定性。我们在实际制作中发现，采用2-3mm的铝合金板材作为底盘材料，既能保证强度，又不会增加太多重量。电池的安装位置要尽量靠近底盘中心，降低整车的重心，提高运动稳定性。

3. 激光雷达SLAM建图实战

3.1 SLAM算法选择与原理

在室内环境下，我们选择使用激光雷达SLAM技术来实现环境建图和定位。SLAM（Simultaneous Localization and Mapping）即同步定位与建图，它能够让机器人在未知环境中逐步构建地图，同时利用这个地图进行自主定位。

我们采用了改进的Gmapping算法，这是一种基于粒子滤波的SLAM方法。与传统的算法相比，Gmapping在计算效率和建图精度之间取得了很好的平衡。其核心思想是通过激光雷达的观测数据来更新粒子权重，从而估计机器人的位姿和环境地图。

算法实现的关键参数：

// SLAM核心参数配置
int max_particles = 30;        // 粒子数量
double delta = 0.05;           // 分辨率
double maxRange = 12.0;        // 最大探测距离
double sigma = 0.05;           // 噪声参数

在实际应用中，我们需要根据环境特点调整这些参数。在开阔环境中可以增加粒子数量提高精度，在复杂环境中则需要适当减少粒子数量以保证实时性。

3.2 实际建图过程与优化

建图过程开始前，我们需要对激光雷达进行标定。这包括测量并补偿激光雷达的安装偏移量，校准距离测量的系统误差。我们编写了专门的标定程序，通过测量已知距离的物体来修正测距误差。

在建图过程中，无人机需要以适当的速度缓慢飞行，过快会导致点云数据稀疏，影响建图质量。我们通过多次实验得出，0.5-1m/s的飞行速度能够获得较好的建图效果。飞行轨迹应该尽可能覆盖整个待测区域，采用"弓"字形路径可以有效地减少重复扫描。

建图质量优化技巧：

• 在环境特征明显的区域适当停留，获取更多观测数据
• 避免在玻璃、镜面等对激光反射效果差的物体附近建图
• 定期进行回环检测，修正累积误差
• 使用多分辨率地图，在不同尺度下进行匹配

我们发现在实际比赛中，建图时间往往很有限，因此采用了增量式建图策略。先快速构建一个粗糙的地图框架，然后在后续任务执行过程中逐步完善地图细节。

4. 多传感器融合定位方案

4.1 传感器数据预处理

多传感器融合的前提是保证各个传感器数据的时间同步和坐标系统一。我们采用硬件触发的方式实现时间同步，使用一个主时钟源为所有传感器提供时间基准。

对于激光雷达数据，我们进行了以下预处理：

• 距离滤波：去除超出合理范围的异常点
• 统计滤波：移除离散的噪声点
• 运动补偿：补偿无人机运动带来的点云畸变

IMU数据则需要进行温度补偿和零偏校准。我们发现在长时间运行后，IMU的零偏会发生漂移，因此设计了在线校准算法，在无人机静止时自动更新零偏值。

视觉数据的处理包括图像去畸变、色彩校正和特征提取。我们使用了自适应阈值算法来适应不同的光照条件，确保在各种环境下都能可靠地识别火源。

4.2 卡尔曼滤波融合实现

我们采用扩展卡尔曼滤波（EKF）来融合多传感器数据。EKF能够有效地处理非线性系统，并且计算量相对较小，适合在嵌入式平台上实现。

状态向量设计：

x = [x, y, z, vx, vy, vz, φ, θ, ψ]^T

包含位置、速度和欧拉角共9个状态量。

观测模型结合了激光雷达的位姿观测、IMU的加速度和角速度观测，以及视觉的位姿修正。每个传感器都有自己的观测噪声模型，我们在实际调试中根据传感器特性设置了合适的噪声参数。

代码实现中，我们特别注意了数值稳定性问题。使用平方根形式的卡尔曼滤波避免了协方差矩阵失去正定性的问题，同时采用四元数表示姿态避免了万向节锁问题。

// EKF预测步骤实现
void predict(const Vector3d& acceleration, const Vector3d& gyro, double dt) {
    // 状态预测
    Quaterniond q = state_.block<4,1>(6,0);
    Vector3d a_body = q.conjugate() * acceleration;
    Vector3d a_world = a_body - Vector3d(0,0,9.81);
    
    state_.block<3,1>(0,0) += state_.block<3,1>(3,0) * dt + 0.5 * a_world * dt * dt;
    state_.block<3,1>(3,0) += a_world * dt;
    
    // 协方差预测
    MatrixXd F = computeJacobianF(acceleration, dt);
    P_ = F * P_ * F.transpose() + Q_;
}

5. 路径规划与运动控制

5.1 全局路径规划算法

基于SLAM构建的环境地图，我们采用A算法进行全局路径规划。A算法在保证找到最优路径的同时，具有较好的计算效率，适合在资源受限的嵌入式平台上运行。

为了提高路径规划的效率，我们对地图进行了多分辨率处理。在粗分辨率地图上进行初步规划，然后在细分辨率地图上进行局部优化。这种方法既保证了规划质量，又减少了计算时间。

启发函数设计： 我们使用了欧几里得距离和曼哈顿距离的加权组合作为启发函数：

h(n) = α * Euclidean(n, goal) + β * Manhattan(n, goal)

通过调整权重参数，可以在路径长度和计算时间之间取得平衡。

在实际应用中，我们还考虑了无人机的动力学约束。规划出的路径需要满足最小转弯半径和最大爬升率等限制，否则无人机无法跟踪。我们在代价函数中加入了平滑性项，使规划的路径更加符合无人机的运动特性。

5.2 局部避障与轨迹优化

全局路径规划完成后，还需要进行局部避障和轨迹优化。我们使用动态窗口法（DWA）进行局部避障，该方法能够实时评估无人机的运动能力，选择最优的避障策略。

轨迹优化采用B样条曲线进行平滑处理。B样条具有良好的局部控制特性，允许我们对轨迹的特定区段进行调整而不影响整体形状。同时，B样条计算效率高，适合实时应用。

def optimize_trajectory(waypoints):
    # 生成B样条轨迹
    n = len(waypoints)
    k = 4  # 三次B样条
    t = range(n + k)
    spline = BSpline(t, waypoints, k)
    
    # 优化目标：最小化加速度和加加速度
    def cost_function(params):
        # 计算轨迹的加速度和加加速度代价
        accel_cost = compute_acceleration_cost(spline, params)
        jerk_cost = compute_jerk_cost(spline, params)
        return accel_cost + 0.5 * jerk_cost
    
    # 使用优化算法寻找最优参数
    result = minimize(cost_function, initial_params, method='SLSQP')
    return spline, result.x

对于地面小车，我们采用了类似的分层控制架构。上层进行全局路径规划，下层使用PID控制器跟踪规划出的路径。小车的全向移动特性使得路径跟踪相对简单，但需要精确的电机控制来实现预期的运动轨迹。

6. 视觉识别与火源定位

6.1 火源检测算法

火源检测采用基于颜色的分割方法结合机器学习分类器。我们首先在HSV颜色空间中进行阈值分割，提取红色区域，然后使用训练好的SVM分类器区分真实火源和干扰物。

颜色阈值设置：

# HSV颜色空间中的红色范围
red_lower1 = np.array([0, 120, 70])
red_upper1 = np.array([10, 255, 255])
red_lower2 = np.array([170, 120, 70])
red_upper2 = np.array([180, 255, 255])

为了提高检测的鲁棒性，我们采用了多特征融合的方法。除了颜色特征外，还使用了纹理特征、形状特征和闪烁频率特征。实验表明，真实火源具有特定的闪烁频率，这个特征可以有效地排除红色衣物等干扰物。

在机器学习分类器方面，我们比较了SVM、随机森林和神经网络等方法的性能。最终选择了轻量级的SVM模型，它在保证精度的同时具有更快的推理速度，适合在嵌入式设备上运行。

6.2 精确位置估计

检测到火源后，需要估计其精确的三维位置。我们使用双目视觉原理进行测距，通过计算火源在左右两个相机图像中的视差来估计距离。

距离估计公式：

depth = (f * baseline) / disparity

其中f是相机焦距，baseline是两个相机之间的距离，disparity是视差值。

为了提高测距精度，我们采用了亚像素级的视差估计方法。通过对匹配点周围的像素进行二次拟合，可以得到更精确的视差值。在实际测试中，这种方法的距离估计误差可以控制在2%以内。

对于无人机而言，还需要考虑自身姿态对位置估计的影响。我们使用IMU数据补偿无人机的倾斜角度，确保位置估计的准确性。当无人机发生倾斜时，相机坐标系与世界坐标系的转换关系会发生变化，需要实时进行坐标变换。

7. 系统集成与调试经验

7.1 硬件集成注意事项

系统集成阶段最常遇到的问题是电磁干扰和机械振动。激光雷达和IMU对电磁干扰特别敏感，我们采用以下措施减少干扰：

• 为每个传感器独立供电，使用磁珠滤波
• 信号线使用屏蔽线缆，避免与电源线平行走线
• 在关键芯片的电源引脚添加去耦电容

机械振动会影响传感器的测量精度。我们使用软质减震材料安装激光雷达和IMU，有效隔离了电机和螺旋桨产生的振动。同时，在软件层面采用了振动补偿算法，进一步提高了测量精度。

线缆管理也是集成时需要注意的问题。所有的线缆都应该固定牢固，避免在飞行过程中松动或缠绕。我们使用尼龙扎带和热缩管进行线缆固定，既保证了可靠性，又使整体布局整洁美观。

7.2 软件调试技巧

软件调试采用分模块测试的策略，每个功能模块都编写了独立的测试程序。我们使用了ROS框架的消息记录和回放功能，可以重复测试特定场景下的算法性能。

常见的调试问题及解决方案：

• 定位漂移：检查IMU校准数据，增加回环检测频率
• 建图不完整：调整激光雷达参数，增加扫描频率
• 通信延迟：优化消息格式，减少数据传输量
• 控制震荡：调整PID参数，增加低通滤波

我们开发了一套可视化调试工具，可以实时显示传感器数据、算法中间结果和系统状态。这套工具大大提高了调试效率，帮助快速定位问题所在。

在性能优化方面，我们使用了嵌入式平台上的硬件加速功能。比如使用STM32的DMA控制器进行数据传输，使用硬件浮点单元进行数学计算。这些优化措施使算法运行速度提高了30%以上。

8. 比赛策略与实战心得

8.1 时间管理与任务分配

电赛的时间非常紧张，合理的计划至关重要。我们将四天三夜的比赛时间分为几个阶段：第一天完成硬件搭建和基础功能，第二天实现核心算法，第三天进行系统集成和调试，第四天完善细节和准备答辩。

在团队分工方面，我们采用专人负责专岗的方式。一人负责硬件搭建和调试，一人负责算法开发和实现，一人负责系统集成和测试。同时保持频繁的沟通，确保各部分能够协同工作。

每日检查清单：

• 早上：确认当日目标，分配具体任务
• 中午：检查进度，解决遇到的问题
• 晚上：总结当日成果，规划次日工作

我们特别强调了代码版本管理的重要性。使用Git进行代码管理，每天结束时提交代码并添加详细的注释。这样即使出现严重错误，也可以快速回退到之前的稳定版本。

8.2 现场调试与应急方案

比赛现场的环境往往与实验室不同，需要快速适应。我们提前准备了多种应急方案：

• 备用传感器和关键零部件
• 多种算法参数配置，适应不同环境
• 简化版程序，保证基本功能可用

在现场调试时，我们采用了从简到繁的策略。先测试基本功能是否正常，再逐步添加复杂功能。每完成一个功能点就进行测试，确保不会累积错误。

遇到问题时，保持冷静很重要。我们建立了系统化的问题排查流程：首先确认现象，然后分析可能的原因，接着逐一测试验证，最后实施解决方案并测试效果。这种方法帮助我们高效地解决了许多现场出现的问题。

最重要的是保持积极的心态。电赛是一个学习和成长的过程，无论结果如何，参与其中都能获得宝贵的经验。我们团队在比赛过程中相互鼓励、协作配合，最终顺利完成了所有比赛任务。