企业官网建设流程全解析

1. 从零开始理解MicroMouse：它到底在比什么

第一次接触MicroMouse的人，十有八九会把它当成“会走迷宫的老鼠玩具”。但真正上手做过一轮之后你会发现，这东西本质上是一个在极小体积内塞进感知、决策、控制、能源四大系统的嵌入式工程综合体。它要在未知迷宫里边探索边记忆，走完一遍后算出最短路径，然后以最快速度冲刺到终点。整个过程没有人工遥控，全靠机器自己判断。

MicroMouse的核心难点不在“走通”，而在“走快”。走通只需要一个能沿墙走的算法，但要在比赛中拿到好成绩，你需要同时解决几个互相牵制的问题：传感器在高速下的采样延迟、电机加减速与转弯半径的匹配、迷宫地图的存储与路径搜索效率、电池电压下降对速度控制的影响。这些因素任何一个没处理好，都会让成绩差出一大截。

这篇文章适合三类人看：一是准备参加相关竞赛的学生，需要一套从硬件选型到算法落地的完整思路；二是嵌入式爱好者，想找一个综合性强、能同时练传感器、电机、算法和结构设计的项目；三是已经做过一轮但成绩卡住的人，想找到瓶颈到底在哪。我会按照实际做一台能跑进合理成绩的MicroMouse的完整链路来讲，包括选型理由、参数计算、代码结构、调试方法和踩过的坑。

需要先说明一点：MicroMouse没有唯一正确的做法，不同迷宫尺寸、不同规则、不同预算都会影响方案。下面讲的是我在常见竞赛规则下验证过的一套思路，你可以根据自己的条件调整。

2. 硬件选型：为什么这些参数决定了你的上限

2.1 主控芯片：算力和外设比主频更重要

很多人选主控第一眼看主频，觉得越快越好。但MicroMouse的实际计算量并不大——迷宫通常16×16，路径搜索用Flood Fill在几十微秒内就能完成。真正吃资源的是实时控制循环：你要以1kHz以上的频率读取多路传感器、做滤波、更新PID、输出PWM。这要求主控有稳定的定时器和足够的中断优先级管理。

我实际用过两类方案：STM32F4系列和更高端的H7系列。F4在大多数场景下完全够用，1kHz控制循环占用不到20%的CPU。H7的优势在于可以跑更高的传感器采样率，做更复杂的滤波，但对新手来说性价比不高。关键指标其实是这几个：

• ADC采样速度：红外传感器需要快速轮询，采样时间要短
• 定时器数量和分辨率：至少需要3个独立定时器（控制循环、编码器计数、PWM输出）
• 浮点运算单元：有FPU的话PID和滤波计算会轻松很多
• GPIO翻转速度：影响传感器发射管的驱动频率

提示：不要用Arduino Uno这类8位主控做MicroMouse。不是不能跑，而是当你需要同时处理传感器、编码器、电机控制和路径搜索时，资源会非常紧张，调试起来很痛苦。

2.2 电机与编码器：减速比和轮径的匹配计算

电机选型是新手最容易翻车的地方。常见误区是买转速很高的电机，觉得快就是好。但MicroMouse需要的是可控的加速能力，不是空载极速。

先做一个基本计算。假设你希望最高速度为1.5m/s，轮子直径20mm，那么轮子周长约62.8mm。需要的转速是：

1.5 m/s ÷ 0.0628 m/圈 = 23.9 圈/秒 = 1433 RPM

这是轮子的输出转速。如果你选的电机减速比是30:1，那电机本体需要跑到43000RPM，这显然不现实。所以实际常用的方案是：电机本体转速在10000-20000RPM，配30:1到50:1的减速箱，轮径选20-30mm。

编码器方面，每转脉冲数（PPR）决定了速度控制的精度。我建议轮子每转至少能有500个计数。假设编码器是7PPR，减速比30:1，四倍频后就是7×30×4=840计数/转，这个精度做速度环足够了。如果编码器精度太低，低速时速度估计会抖动，PID很难调稳。

2.3 红外传感器：数量和布局的取舍

传感器方案主要有两种：红外对管和激光测距。激光精度高但成本高、体积大，而且响应速度不一定比红外快。绝大多数MicroMouse用的是红外发射-接收对管，配合遮光罩控制视场角。

传感器数量上，常见的有3对、5对、6对几种布局。3对（左前、左、右前、右，实际是4个方向）只能做基本的沿墙，对斜墙和死胡同的判断不够。我推荐至少5对：左前斜45度、左正、前、右正、右前斜45度。这样在转弯和斜墙修正时有足够的信息。

传感器的安装高度和角度非常关键。太高会受环境光干扰，太低容易蹭到地面。一般距离地面10-15mm比较合适。斜45度的传感器要确保在距离墙壁约50mm时能读到有效值，这个需要通过实际测试来标定。

2.4 电源与结构：被低估的两个环节

电源方面，MicroMouse通常用2节锂聚合物电池串联（7.4V）或者单节（3.7V）配合升压。我倾向于2节串联，因为电机在加速时电流需求大，电压高一些可以减少电流，降低线损和发热。电池容量不需要太大，200-300mAh就够跑好几轮，但放电倍率要够，至少20C以上，否则加速时电压会明显跌落。

结构上，底盘要尽量低、重心居中。电机对称布置，轮子尽量靠近车身中线。万向支撑点（通常是两个滑片或一个小球）要保证车身在加速和转弯时不翘头。我见过很多车直线跑得好好的，一转弯就翻，问题就出在重心太高或者支撑点位置不对。

3. 传感器数据处理：从原始值到可信距离

3.1 红外传感器的非线性标定

红外传感器的输出电压和实际距离是强非线性关系。近距离时电压变化剧烈，远距离时几乎不变。直接用原始ADC值做阈值判断，在不同电池电压下会飘得很厉害。

正确的做法是做一个距离-ADC值查找表。具体操作：把车放在迷宫墙壁前，从0mm开始，每隔5mm记录一次ADC值，一直到传感器有效范围的上限（通常100-150mm）。然后把这个表存到代码里，运行时用查表加线性插值的方式把ADC值转成距离。

标定的时候要注意几点：

• 电池电压要保持在你实际比赛时的典型电压，不要用满电或亏电状态标定
• 环境光要和比赛环境接近，如果比赛场地有强光，标定时也要有
• 每个传感器单独标定，不要用同一组参数

3.2 斜45度传感器的墙壁检测逻辑

斜45度安装的传感器不是用来测距的，而是用来判断前方是否有墙壁以及墙壁的角度。当车正对墙壁时，左右两个斜传感器的读数应该接近相等。如果左边读数明显小于右边，说明车头偏右了，需要向左修正。

这里有个实用技巧：不要用绝对距离做判断，而是用左右斜传感器的差值。差值超过某个阈值就触发修正，修正量用PID或者简单的比例控制。这样即使电池电压变化导致绝对读数漂移，差值判断依然稳定。

3.3 滤波：中值滤波加滑动平均的组合

原始ADC值一定有噪声。我试过几种滤波方案，最终稳定用的是中值滤波加滑动平均的组合。具体做法：每个传感器连续采5次，去掉最大最小值取中间3个的平均，然后再做一次4点的滑动平均。这样既能去掉脉冲噪声，又能平滑随机波动。

滤波的代价是延迟。5次采样加滑动平均，在1kHz采样率下大约有5-8ms的延迟。对于MicroMouse来说这个延迟可以接受，但如果你把采样率降到200Hz，延迟就会变成25-40ms，高速时就会出问题。所以采样率不能太低，建议至少500Hz。

4. 运动控制：让车跑得又快又稳

4.1 速度环和方向环的串级结构

MicroMouse的运动控制通常用串级PID：外环是方向环（控制车头角度或位置偏差），内环是速度环（控制左右轮转速）。方向环的输出作为左右轮速度的修正量，叠加到基础速度上。

为什么用串级而不是单环？因为单环很难同时兼顾直线稳定性和转弯响应。串级结构下，速度环保证轮子转速精确跟随设定值，方向环只需要处理路径偏差，两个环的参数可以独立调，互不干扰。

具体实现上，速度环用编码器反馈，周期1ms。方向环用传感器偏差反馈，周期可以稍慢，2-5ms。方向环的输出限幅要合理，否则转弯时会突然给一个很大的速度差，导致车打滑。

4.2 加减速规划：梯形速度曲线的参数计算

直线段不能一直用最高速跑，起步和停车都需要加减速。最简单的是梯形速度曲线：加速段、匀速段、减速段。参数计算如下：

假设目标速度Vmax=1.2m/s，加速度a=3m/s²，加速到最高速需要时间t=Vmax/a=0.4s，加速距离s=Vmax²/(2a)=0.24m。也就是说，如果直线段长度小于0.48m（加速+减速距离），根本达不到最高速，需要降低Vmax。

实际调参时，加速度不能太大，否则轮子会打滑，编码器计数和实际位移不符，导致位置估计错误。我一般从a=1.5m/s²开始试，逐步加大，直到刚好不打滑为止。

4.3 转弯控制：原地转和弧线转的选择

转弯有两种基本方式：原地转（左右轮反向）和弧线转（左右轮同向但速度不同）。原地转的优点是转弯半径小，适合窄迷宫；缺点是速度慢，而且对地面摩擦要求高。弧线转速度快，但需要更大的空间。

我的经验是：90度弯用弧线转，180度调头用原地转。弧线转的时候，内侧轮速度不能太低，否则会打滑。一般内侧轮速度取外侧轮的40%-60%。转弯过程中要持续读取斜传感器，当车头接近目标角度时提前减速，避免过冲。

5. 迷宫算法：从探索到冲刺的两套逻辑

5.1 Flood Fill算法的实现细节

Flood Fill是MicroMouse最常用的迷宫算法。核心思想是：从终点开始，给每个格子标注到终点的距离，然后车每次移动到距离更小的相邻格子。

实现上，用一个二维数组存储每个格子的距离值。初始化时，终点距离为0，其他格子为无穷大。然后从终点开始做BFS（广度优先搜索），把距离值填满整个迷宫。车在探索时，每到一个新格子，更新墙壁信息，然后重新计算Flood Fill。

这里有个关键细节：墙壁信息的存储方式。每个格子有四面墙，用位掩码存储最省空间。比如用4个bit分别表示北、东、南、西是否有墙。16×16的迷宫只需要256字节就能存下所有墙壁信息。

5.2 探索阶段的路径选择策略

探索阶段的目标不是走最短路径，而是尽快覆盖整个迷宫。所以不能简单地每次走距离最小的格子，那样会反复走同一条路。

常用的策略是：优先走未探索的格子，如果没有未探索的相邻格子，再走距离最小的。这样能保证在较少的步数内覆盖整个迷宫。另一个技巧是记录每个格子的访问次数，优先走访问次数少的格子，避免在某个区域反复绕。

5.3 冲刺阶段的最短路径优化

探索完成后，你已经有了完整的迷宫地图。这时候重新做一次Flood Fill，得到从起点到终点的最短路径。但最短路径不一定是最快路径——因为转弯会减速，直线可以加速。

所以冲刺阶段要做路径平滑：把连续的直线段合并，把不必要的转弯去掉。比如“前进-前进-左转-前进”可以优化成“前进-左转-前进”，减少一次转弯。更激进的做法是允许对角线移动，但这需要迷宫有相应的通道宽度。

6. 调试与实战：那些文档里不会写的事

6.1 用串口波形调PID的正确姿势

调PID最有效的方法不是盯着车看，而是把关键数据通过串口发出来看波形。我一般会发这几组数据：目标速度、实际速度、方向偏差、方向环输出。用上位机软件（比如SerialPlot或者自己写个Python脚本）实时显示。

调速度环时，先只给P，看实际速度能不能跟上目标。如果跟不上就加大P，如果震荡就减小P。然后加I消除稳态误差，最后加D抑制超调。方向环同理，但方向环的响应可以比速度环慢一些。

6.2 电池电压下降对速度的影响及补偿

锂电池从满电到亏电，电压会从8.4V降到6.8V左右。同样的PWM占空比，电机转速会差20%以上。如果不做补偿，你会发现车越跑越慢，路径参数全乱了。

补偿方法很简单：实时测量电池电压，把PWM输出乘以一个补偿系数。补偿系数=标称电压/当前电压。比如标称7.4V，当前6.8V，补偿系数就是1.088，PWM输出要相应放大。这样即使电压下降，轮子转速也能保持稳定。

6.3 地面摩擦和轮胎选择

迷宫地面通常是木板或者亚克力板，摩擦系数不同。轮胎材质我试过硅胶、橡胶和海绵，最终硅胶轮胎在大多数地面上表现最稳定。但硅胶怕灰尘，跑几轮之后表面会沾灰，抓地力下降。所以要随身带酒精棉片，每轮之前擦一下轮胎。

另外，轮胎的硬度也有影响。太硬的轮胎接触面积小，加速时容易打滑；太软的轮胎滚动阻力大，高速时发热严重。中等硬度的硅胶轮胎是比较好的折中。

6.4 常见故障排查表

7. 从能跑到跑快：进阶优化思路

7.1 传感器采样与控制的时序优化

当速度提到1.5m/s以上时，时序问题会变得非常突出。假设控制周期1ms，车在1ms内移动1.5mm。如果传感器采样有2ms延迟，车已经移动了3mm，这个误差在窄迷宫里足以导致撞墙。

优化方向有两个：一是提高采样率，把控制循环提到2kHz甚至4kHz；二是做预测补偿，根据当前速度和加速度，预测下一个控制周期的位置，提前做修正。预测补偿需要建立比较准确的运动模型，调参难度较大，但效果明显。

7.2 路径规划中的速度前瞻

冲刺阶段不要等到了转弯点才开始减速，而是提前计算减速点。具体做法：在路径规划时，给每个直线段标注长度，根据当前速度和减速度，计算出需要在距离转弯点多远开始减速。这样可以在直线段末尾刚好减到转弯速度，不浪费任何时间。

实现上，可以在Flood Fill得到路径后，再做一次遍历，把路径转换成“直线段长度+转弯角度”的序列。然后根据运动学约束，给每个段分配速度曲线。

7.3 机械结构的减重与刚性平衡

重量直接影响加速性能。我做过对比：同样电机和电池，车重从120g降到90g，0到1m/s的加速时间从0.5s降到0.35s。减重的方法包括：用碳纤维板代替玻纤板、去掉不必要的螺丝和铜柱、选用更轻的轮毂。

但减重不能牺牲刚性。底盘太软的话，加速时会发生形变，导致传感器角度变化，读数不准。所以要在关键受力位置加加强筋，或者用蜂窝结构提高刚度。

8. 我在这条路上踩过的几个坑

第一个坑是传感器标定环境不一致。我在实验室日光灯下标定好，到比赛场地发现是暖色射灯，红外传感器的读数整体偏移了15%。后来学乖了，标定时用比赛同款光源，或者干脆用差值判断代替绝对值判断。

第二个坑是编码器线太长引入噪声。电机PWM线和高频编码器线捆在一起走，编码器计数偶尔会跳变。后来把编码器线改成双绞线，并且远离电机线，问题才解决。

第三个坑是电池电压检测分压电阻选错。一开始用了100k和10k的分压，ADC输入阻抗不够，读数偏低。换成10k和1k之后正常了。这个细节很小，但排查起来很费时间。

第四个坑是Flood Fill的墙壁更新逻辑写错。车检测到左边有墙，我只更新了当前格子的左墙，忘了更新左边格子的右墙。结果路径规划时出现“穿墙”现象，车直接往墙上撞。这个bug找了整整一个下午。

9. 给准备入坑的人几条实在建议

如果你刚开始做MicroMouse，我建议先不要追求速度。第一版目标定在“能完整探索迷宫并回到起点”，速度控制在0.3m/s以内。这个阶段重点是验证传感器、电机、算法整个链路能跑通。

第二版再开始提速。每次只改一个参数，改完记录成绩。我习惯用一个简单的表格记录：日期、电池电压、速度设定、加速度、成绩、备注。这样能清楚看到哪个改动有效，哪个改动反而变差了。

第三版再考虑优化路径和冲刺策略。这时候你已经有足够的数据和经验来判断瓶颈在哪，是机械、控制还是算法。

最后说一个容易被忽略的点：多准备几套轮胎和电池。比赛现场换轮胎比调代码快得多，有时候成绩差就是因为轮胎沾了灰。电池也要带够，每组电池跑两轮就换，不要等电压掉下来再换。

MicroMouse这个项目最大的魅力在于，它没有标准答案。同样的规则下，有人用简单的沿墙法也能跑出不错成绩，有人堆了一堆高级算法却总是撞墙。关键是把每个环节都做扎实，让车的行为可预测、可复现。当你看到自己做的车在迷宫里流畅地探索、然后加速冲刺到终点时，那种成就感是其他项目很难给的。