智能车竞赛视觉组技术方案：双摄像头循迹与AprilTag识别实战

在准备第二十一届全国大学生智能汽车竞赛华南赛区的过程中，我们团队（华工智能视觉组）经历了从方案选型、代码调试到最终稳定进国赛的完整闭环。智能视觉组别因其融合了传统循迹控制与前沿的机器视觉识别，挑战性和趣味性并存。本文将系统复盘我们最终进国赛版本的完整技术方案，涵盖硬件选型、核心算法、代码架构以及关键的调参避坑经验，目标是提供一份可供后来者直接复现或深度借鉴的实战指南。

1. 智能视觉组核心任务与备赛思路解析

全国大学生智能汽车竞赛的智能视觉组，其核心任务是要求小车在完成基础循迹（如电磁、摄像头巡线）的同时，利用车载摄像头对赛道旁的视觉标签进行实时识别，并根据识别结果执行相应的动作，例如搬运物料、定点停车、声光提示等。这要求参赛队伍不仅要有扎实的嵌入式控制和机械调校功底，更需要掌握图像处理与机器学习的基本应用。

1.1 竞赛规则与得分要点分析（以21届为例）

根据第二十一届竞赛规则，智能视觉组的任务通常包含以下几个关键得分点：

1. 基础循迹：小车需稳定、快速地沿赛道中心线行驶，这是完成所有高级任务的前提。
2. 视觉标签识别：在特定区域（如物料区、任务点）识别AprilTag、数字、颜色或特定图案等视觉标签。识别准确率和速度直接影响任务得分。
3. 任务执行：根据识别结果，控制机械臂、舵机等执行机构完成抓取、放置、按压等动作。执行的成功率和耗时是拉开差距的关键。
4. 整体完成时间：在成功完成所有任务的前提下，用时越短，成绩越好。

因此，我们的备赛策略非常明确：“稳”字当头，先保证基础循迹和视觉识别的100%成功率，再逐步优化速度。

1.2 华工智能视觉组技术栈选型

经过多轮迭代测试，我们最终确定了以下稳定可靠的技术方案：

• 主控平台：逐飞科技的i.MX RT1064核心板。其主频高（600MHz），内存大，外设丰富，能够同时流畅运行图像处理算法和电机控制程序。
• 图像传感器：总钻风MT9V034全局快门摄像头。全局快门在高速运动下无果冻效应，是智能车竞赛的经典选择。
• 循迹方案：双摄像头方案。一个摄像头（MT9V034）用于视觉识别，另一个摄像头（可能同型号或OV系列）专用于循迹。将循迹和识别解耦，避免了单摄像头既要巡线又要找标签导致的资源竞争和算法干扰，稳定性极大提升。
• 图像处理与识别：传统图像处理（OpenCV算法思想） + 轻量级机器学习。对于AprilTag，使用专门的轻量级检测库；对于颜色、形状识别，采用阈值分割、轮廓查找等传统算法，在RT1064上足以达到实时性要求。
• 开发环境：Keil MDK。配合逐飞提供的开源库，可以快速搭建工程，专注于上层应用逻辑。

这套方案的核心优势在于解耦与专精：循迹摄像头只关心赛道边线，视觉识别摄像头只关心前方的标签，两者通过主控芯片进行数据融合和决策，系统鲁棒性显著增强。

2. 硬件系统搭建与机械调校

稳定的硬件是算法得以发挥的基础。很多队伍前期出现的问题，根源都在硬件。

2.1 车模机械调整关键点

1. 重心配置：电池、主控等重物应尽量放置在车体中心并降低高度。低重心能有效减少过弯时的侧倾，提高高速稳定性。
2. 前轮前束与主销后倾：根据规则允许的范围进行微调。适当的前束可以提高直道稳定性，适当的主销后倾角能提供一定的回正力矩。这部分需要结合赛道实际情况反复路试。
3. 摄像头支架刚性：务必保证摄像头支架牢固、无抖动。任何微小的震动都会导致图像模糊，严重影响循迹和识别精度。我们使用了碳纤维杆配合3D打印的加固件，效果很好。
4. 接线与供电：所有线缆应捆扎整齐，避免干扰传感器（特别是电磁组）或卷入车轮。电机、舵机与核心板、传感器应分开供电，并使用大电容进行电源滤波，防止大电流负载导致电压骤降，引起单片机复位。

2.2 电路设计与传感器布局

• 电机驱动电路：确保MOS管散热良好，驱动能力充足。可以适当增加并联MOS管数量以降低内阻和发热。
• 摄像头接口：使用排线连接时，注意固定接口，防止在颠簸中松动。条件允许的话，可以对排线接口进行打胶固定。
• 视觉识别摄像头安装：安装高度和俯角需要仔细计算。要确保在识别区域内，标签图像既不会太小（难以识别），也不会因透视畸变过大而影响识别算法。通常需要制作一个可多维度调节的摄像头云台。

3. 核心算法实现：循迹与视觉识别

这是整个系统的软件核心。我们采用模块化设计，将循迹、识别、控制、决策等任务分开。

3.1 基于摄像头的自适应循迹算法

我们的循迹摄像头采集图像后，处理流程如下：

// 伪代码流程，基于逐飞库的框架 void track_line_process(void) { // 1. 图像采集 Get_Image(&track_cam, track_image_buffer); // 2. 图像预处理 // 二值化：采用动态阈值或大津法，适应不同光照 uint8_t threshold = OtsuThreshold(track_image_buffer, IMAGE_WIDTH, IMAGE_HEIGHT); Binaryzation(track_image_buffer, binary_image, threshold); // 3. 边线提取 // 使用“边线搜索”算法，从图像底部向上，左右两侧分别搜索跳变点 for (int row = IMAGE_HEIGHT - 1; row >= 0; row -= SEARCH_STEP) { Find_Left_Edge_Point(binary_image, row, &left_edge[row]); Find_Right_Edge_Point(binary_image, row, &right_edge[row]); } // 4. 中线计算与偏差生成 // 选取图像下方几行可靠的中线点，计算平均偏差 float error_sum = 0.0f; int valid_count = 0; for (int i = 0; i < USEFUL_ROW; i++) { if (left_edge[i].valid && right_edge[i].valid) { center_point[i] = (left_edge[i].col + right_edge[i].col) / 2; error_sum += (center_point[i] - IMAGE_CENTER_COL); valid_count++; } } if (valid_count > 0) { g_track_error = error_sum / valid_count; // 最终的横向偏差 } else { // 丢线处理，使用上一次偏差或执行恢复策略 g_track_error = g_last_track_error; } // 5. 控制量计算 (PD控制) g_track_pid.d_error = g_track_error - g_last_track_error; g_track_pid.output = g_track_pid.kp * g_track_error + g_track_pid.kd * g_track_pid.d_error; g_last_track_error = g_track_error; // 6. 输出控制：舵机打角 Set_Steer_Angle(DEFAULT_ANGLE + g_track_pid.output); }

关键优化点：

• 动态二值化：固定阈值在光照变化时极易失效。我们实现了大津法（Otsu）或根据图像灰度统计进行动态计算，鲁棒性大幅提升。
• 丢线处理：当搜索不到边线时，不能简单地将偏差置零。我们采用记忆上一次有效偏差或根据赛道元素（如十字、环岛）进行预测的策略，帮助小车快速找回赛道。
• 控制分段：直道、弯道、入弯、出弯使用不同的PID参数。可以通过偏差大小或偏差变化率来动态切换。

3.2 视觉标签识别算法（以AprilTag为例）

AprilTag是一种高效的视觉基准库，其识别速度快、抗干扰能力强。我们在RT1064上移植了轻量级的AprilTag 3库。

// AprilTag识别任务流程 void vision_tag_detect_task(void) { // 1. 采集识别专用摄像头的图像 Get_Image(&vision_cam, vision_image_buffer); // 2. 图像预处理（可适当降分辨率以提速） image_u8_t im = { .width = VISION_WIDTH, .height = VISION_HEIGHT, .stride = VISION_WIDTH, .buf = vision_image_buffer }; // 3. 调用AprilTag检测器 zarray_t *detections = apriltag_detector_detect(tag_detector, &im); // 4. 解析结果 if (zarray_size(detections) > 0) { apriltag_detection_t *det; zarray_get(detections, 0, &det); // 通常只处理第一个检测到的标签 g_detected_tag_id = det->id; // 获取标签ID g_tag_center_x = det->c[0]; // 标签中心图像坐标X g_tag_center_y = det->c[1]; // 标签中心图像坐标Y // 5. 计算距离或姿态（可选，用于精细控制） // 需要已知标签的物理尺寸和相机内参 // estimate_tag_pose(det, ...); } else { g_detected_tag_id = -1; // 未识别到标签 } zarray_destroy(detections); // 6. 根据识别结果，设置全局任务标志位 if (g_detected_tag_id != -1) { switch (g_detected_tag_id) { case 0: g_task_command = PICK_UP_RED; break; case 1: g_task_command = PICK_UP_BLUE; break; case 2: g_task_command = DROP_AT_ZONE_A; break; // ... 其他任务映射 default: break; } } }

关键优化点：

• 识别区域限定（ROI）：只在赛道规定的任务区域内进行全图识别，其他区域直接跳过，极大节省计算时间。
• 多帧确认：连续识别到相同ID的标签N帧后，才判定为有效识别，避免单帧误触发。
• 标签ID过滤：只关注当前赛段可能出现的标签ID，忽略无关ID。
• 资源管理：AprilTag检测器在初始化后常驻内存，避免重复创建销毁。图像可降采样至QVGA（320x240）或更低分辨率，在RT1064上能达到60fps以上的识别速度。

4. 系统软件架构与任务调度

一个清晰的软件架构能让调试事半功倍。我们采用“前台-后台”与有限状态机（FSM）结合的模式。

4.1 主程序框架

// main.c 主循环框架 int main(void) { // 硬件初始化 board_init(); camera_init(&track_cam, TRACK_CAM_ADDR); camera_init(&vision_cam, VISION_CAM_ADDR); motor_init(); steer_init(); uart_init(); // 用于调试输出 // AprilTag等算法初始化 apriltag_init(); // 全局变量初始化 g_system_state = STATE_BOOT; g_task_command = CMD_NONE; while (1) { // 1. 状态机调度 switch (g_system_state) { case STATE_BOOT: if (check_start_condition()) g_system_state = STATE_RUNNING; break; case STATE_RUNNING: running_state_handler(); break; case STATE_TASK_EXECUTING: task_execute_handler(); break; case STATE_ERROR: error_handler(); break; } // 2. 后台任务（固定频率执行） static uint32_t last_tick = 0; if (get_systick() - last_tick > 10) { // 每10ms执行一次 last_tick = get_systick(); // 图像采集与处理（放在不同周期，避免冲突） if (g_image_capture_flag) { track_line_process(); // 循迹处理 g_image_capture_flag = 0; } // 电机PID控制 motor_pid_control(); // 调试信息发送 send_debug_info(); } // 视觉识别任务（频率可略低于循迹，如20ms） static uint32_t last_vision_tick = 0; if (get_systick() - last_vision_tick > 20) { last_vision_tick = get_systick(); vision_tag_detect_task(); } } }

4.2 状态机设计示例：任务执行状态

// 任务执行状态处理函数 void task_execute_handler(void) { switch (g_task_command) { case PICK_UP_RED: // 控制机械臂运动到预定义位置 set_servo_angle(ARM, PICK_ANGLE); delay_ms(300); // 闭合夹爪 set_servo_angle(CLAW, CLOSE_ANGLE); delay_ms(200); // 抬起机械臂 set_servo_angle(ARM, CARRY_ANGLE); g_task_command = CMD_NONE; // 清除命令 g_system_state = STATE_RUNNING; // 返回循迹状态 break; case DROP_AT_ZONE_A: // 行驶到投放区（可通过编码器或视觉辅助定位） move_forward_encoder(1000); // 前进一定距离 // 执行投放动作 set_servo_angle(CLAW, OPEN_ANGLE); delay_ms(200); g_task_command = CMD_NONE; g_system_state = STATE_RUNNING; break; // ... 其他任务 } }

5. 调试技巧与参数整定方法论

调车是智能车竞赛中最耗时但也最关键的环节。

5.1 循迹PID参数调试步骤

1. 归零：先将Kp,Ki,Kd全部设为0。
2. 调Kp（比例）：逐渐增大Kp，让小车在直道上能对偏差有反应，开始“摇摆”地回到中线。此时摇摆收敛即可，不要过大。
3. 调Kd（微分）：增加Kd来抑制Kp引起的振荡。观察小车过弯，Kd能提供“预见性”，防止冲出赛道。调试目标是过弯平滑，出弯迅速回正。
4. 慎用Ki（积分）：在智能车这种快速动态系统中，积分项容易导致超调和振荡。除非存在静态误差（如小车始终偏一侧），否则一般设为0或极小值。
5. 分段参数：在代码中根据偏差绝对值或偏差变化率设置多组PID参数。例如，小偏差时用一组柔和参数保证直道稳定；大偏差时用一组激进参数快速过弯。

5.2 视觉识别调试工具

利用串口无线模块（如蓝牙、WiFi）将调试信息发送到上位机（如匿名上位机、逐飞的上位机、自己编写的Python工具）是必不可少的。

• 发送图像二值化结果：将摄像头二值化后的图像通过串口发送，在上位机实时显示，可以直观判断阈值是否合适。
• 发送边线坐标：将提取到的左右边线点坐标发送出去，绘制成曲线，可以分析巡线算法的可靠性。
• 发送识别结果与坐标：将识别到的标签ID、中心坐标、置信度实时发送，便于判断识别区域和稳定性。
• 发送控制量：发送舵机打角值、电机目标速度等，可以绘制控制曲线，分析系统响应。

5.3 系统性测试清单

在每次修改代码或参数后，按顺序进行测试：

1. 静态测试：小车架空，观察电机、舵机响应是否符合预期，串口数据是否正常。
2. 低速闭环测试：在赛道上以很低的速度运行，测试循迹基础逻辑是否正确，能否走完全程。
3. 视觉触发测试：在低速下，手持标签在摄像头前移动，测试识别是否准确，任务状态机切换是否正确。
4. 逐速测试：从低速开始，逐步提高速度上限，每提高一次，进行多次全赛道测试，确保稳定性。
5. 压力测试：连续运行10-20圈，观察是否有内存泄漏、程序跑飞、电机过热等问题。

6. 常见问题与故障排查

以下是我们在备赛过程中遇到的高频问题及解决方案：

7. 进阶优化与国赛准备建议

当小车能够稳定完赛后，以下优化可以进一步提升成绩和鲁棒性：

1. 运动控制优化：

   • 速度规划：不是全程全速。在直道加速，入弯前减速，弯心保持，出弯加速。可以预先对赛道进行分段，设置每段的目标速度。
   • 前馈控制：在已知的弯道（如通过元素识别）提前给舵机一个偏角，减少纯反馈控制的滞后。
   • 差速控制：在弯道中，让内侧轮速略低于外侧轮速，实现更流畅的过弯。

2. 视觉识别增强：

   • 多标签处理：当视野中出现多个标签时，根据位置、大小进行优先级排序，选择最可能是目标的那一个。
   • 融合定位：结合编码器里程计信息，粗略判断小车是否到达了任务区域，从而决定是否开启识别，避免误识别赛道旁的干扰物。

3. 系统容错设计：

   • 看门狗：务必启用硬件看门狗（IWDG），在程序跑飞时能自动复位。
   • 传感器冗余校验：例如，用编码器速度反馈辅助判断电机是否堵转。
   • 安全状态：设计一个独立的“安全守护”任务，监控主要任务的心跳。一旦某个任务卡死，能强制系统进入安全停车状态。

4. 国赛适应性训练：

   • 多变光照：在强光、弱光、侧光等不同环境下测试，确保算法适应性。
   • 赛道干扰：自己制作一些类似标签的干扰物放在赛道旁，测试识别的抗干扰能力。
   • 压力测试：进行上百次的连续发车测试，统计成功率，寻找并消除随机性故障。

备战国赛，除了技术打磨，心态和团队协作同样重要。合理安排进度，定期组织模拟比赛，做好代码版本管理（如使用Git），确保每个成员都清晰理解系统全貌。最后，祝各位在智能车竞赛的舞台上，稳定发挥，赛出佳绩。