1. 从零开始的树莓派小车循迹之旅
第一次玩树莓派小车循迹的朋友们，相信你们和我一样兴奋又忐忑。我清楚地记得那天晚上，当我看着自己组装的小车在直线上跑得稳稳当当，却在第一个弯道就"飞"出赛道时的心情——简直像个刚学会走路就急着跑步的孩子。这就是典型的"耿直型"安装带来的后果：两个红外传感器间距设置得和赛道宽度一模一样，导致小车在弯道时完全失去了方向感。
红外循迹的基本原理其实很简单：传感器检测到黑线时输出True（通常是一个灯亮），没检测到时输出False。当两个传感器都检测到黑线时小车直行，只有左侧检测到时就右转，只有右侧检测到时就左转。听起来很完美对吧？但实际调试时你会发现，这个看似简单的逻辑藏着不少玄机。
2. 那些年我们踩过的"冲出弯道"坑
2.1 传感器间距的黄金比例
我最开始的错误就是把两个红外传感器安装得太过"亲密"——间距和赛道黑线宽度完全一致。这样做的后果是：在直道上表现完美，但一到弯道就失控。因为当小车需要转向时，两个传感器会同时离开黑线，导致控制系统完全失去参考。
经过反复测试，我发现最佳间距应该是赛道黑线宽度的1.2-1.5倍。比如你用的电工胶布宽度是2cm，那么两个传感器中心距应该设置在2.4-3cm之间。这样能确保在转弯时始终有一个传感器能检测到黑线，为控制系统提供明确的转向信号。
2.2 转向策略的微妙平衡
另一个关键点是转向持续时间。最初我的代码里转向动作持续时间设置得过长（0.3秒），结果小车就像喝醉酒一样左右摇摆。后来调整为0.1秒后，转向变得精准多了。这里有个小技巧：转向时间应该与小车速度匹配，速度越快，转向时间应该越短。
# 优化后的转向控制代码片段 def turn_right(duration=0.1): # 默认转向时间从0.3s调整为0.1s GPIO.output(IN1, GPIO.HIGH) GPIO.output(IN2, GPIO.LOW) GPIO.output(IN3, GPIO.HIGH) GPIO.output(IN4, GPIO.LOW) time.sleep(duration) car_stop()3. 硬件调试的实战技巧
3.1 传感器安装的三大要点
高度调整：传感器距离地面最佳高度是1-2cm。太高会导致检测不灵敏，太低容易刮擦地面。我建议使用可调节的支架，方便微调。
角度校准：传感器应该垂直于地面。我见过有朋友把传感器向前倾斜安装，结果检测范围变得过大，导致误判。
抗干扰处理：环境光会影响红外传感器。可以在传感器周围加一圈黑色胶带作为遮光罩，这个简单改造能让检测稳定性提升不少。
3.2 电源管理的隐藏细节
当树莓派和电机共用一个电源时，电机启动瞬间的电流波动可能导致树莓派重启。我的解决方案是：
- 使用带稳压的电源模块（推荐5V3A）
- 在电机电源线上并联一个1000μF的电容
- 给树莓派单独供电（如果条件允许）
4. 代码优化的进阶之道
4.1 状态机的妙用
基础版的循迹代码使用简单的if-else判断，但当你想增加更多功能（比如遇到十字路口特殊处理）时就会显得力不从心。引入状态机模式可以让代码更清晰：
# 状态机实现的循迹逻辑 class CarState: STRAIGHT = 0 TURN_LEFT = 1 TURN_RIGHT = 2 STOP = 3 current_state = CarState.STOP def track(): global current_state LS = GPIO.input(LSenso) RS = GPIO.input(RSenso) if LS and RS: current_state = CarState.STRAIGHT elif not LS and RS: current_state = CarState.TURN_RIGHT elif LS and not RS: current_state = CarState.TURN_LEFT else: current_state = CarState.STOP # 根据状态执行对应动作 if current_state == CarState.STRAIGHT: go_forward() elif current_state == CarState.TURN_RIGHT: turn_right() # ...其他状态处理4.2 PID算法的引入
当你对循迹精度要求更高时，可以考虑引入PID控制算法。虽然听起来高大上，但基础实现并不复杂：
# 简易PID实现 class SimplePID: def __init__(self, Kp, Ki, Kd): self.Kp = Kp self.Ki = Ki self.Kd = Kd self.last_error = 0 self.integral = 0 def compute(self, error, dt): self.integral += error * dt derivative = (error - self.last_error) / dt output = self.Kp * error + self.Ki * self.integral + self.Kd * derivative self.last_error = error return output # 使用示例 pid = SimplePID(Kp=0.8, Ki=0.001, Kd=0.05) while True: error = get_tracking_error() # 获取当前偏离误差 adjustment = pid.compute(error, dt=0.1) apply_adjustment(adjustment) # 应用调整5. 从实验室到赛道的终极挑战
当你的小车能在简单赛道上稳定运行时，可以尝试这些进阶挑战：
- 增加赛道复杂度（锐角弯、S弯）
- 提高运行速度（需要同步优化控制参数）
- 添加障碍物避让功能
- 实现自动起跑线检测
记得我第一次参加校内智能车比赛时，就因为没考虑到赛场灯光干扰而吃了大亏。后来我给传感器加了遮光罩，并且增加了环境光自适应功能，成绩立刻提升了不少。这些实战经验告诉我，一个好的硬件项目不仅要有扎实的基础，还要考虑各种现实环境因素。
