循迹小车树莓派

### 关于树莓派循迹小车的教程与开发指南 #### 使用 WiringPi 驱动 GPIO 控制 L298P 芯片 为了实现树莓派控制的小车运动，可以利用 WiringPi 库来操作 GPIO 接口[^1]。具体来说，L298P 是一种双 H 桥直流电机驱动器，能够独立控制两个电机的方向和速度。对于差速驱动的小车，通常会将左侧电机连接到 L298P 的 A 组端口（IN1 和 IN2），右侧电机则连接至 B 组端口（IN3 和 IN4）。ENA 和 ENB 则用于调节 PWM 输出以改变电机的速度。 以下是基于 Python 编写的简单代码示例，展示如何通过 WiringPi 来设置 GPIO 并控制电机： ```python import wiringpi import time # 初始化 GPIO wiringpi.wiringPiSetupGpio() # 定义引脚编号 IN1, IN2 = 17, 27 # 左侧电机 IN3, IN4 = 22, 10 # 右侧电机 ENA, ENB = 13, 12 # PWM 控制 # 设置引脚模式为输出 pins = [IN1, IN2, IN3, IN4, ENA, ENB] for pin in pins: wiringpi.pinMode(pin, 1) # 前进函数 def move_forward(): wiringpi.digitalWrite(IN1, 1) wiringpi.digitalWrite(IN2, 0) wiringpi.digitalWrite(IN3, 1) wiringpi.digitalWrite(IN4, 0) set_speed(100) # 设定初始速度 # 后退函数 def move_backward(): wiringpi.digitalWrite(IN1, 0) wiringpi.digitalWrite(IN2, 1) wiringpi.digitalWrite(IN3, 0) wiringpi.digitalWrite(IN4, 1) set_speed(100) # 转向右方 def turn_right(): wiringpi.digitalWrite(IN1, 1) wiringpi.digitalWrite(IN2, 0) wiringpi.digitalWrite(IN3, 0) wiringpi.digitalWrite(IN4, 1) set_speed(50) # 转向左方 def turn_left(): wiringpi.digitalWrite(IN1, 0) wiringpi.digitalWrite(IN2, 1) wiringpi.digitalWrite(IN3, 1) wiringpi.digitalWrite(IN4, 0) set_speed(50) # 设置速度 def set_speed(speed): pwm_value = int((speed / 100) * 1023) wiringpi.pwmWrite(ENA, pwm_value) wiringpi.pwmWrite(ENB, pwm_value) try: while True: move_forward() time.sleep(2) turn_right() time.sleep(1) except KeyboardInterrupt: pass finally: for pin in pins[:4]: wiringpi.digitalWrite(pin, 0) ``` 此代码片段展示了基本的前进、后退以及转向功能，并通过 `set_speed` 函数动态调整电机转速。 --- #### 自动循迹算法设计 针对自动循迹需求，可以通过摄像头采集实时图像并应用二值化处理技术提取赛道边界信息[^2]。假设赛道颜色为白色而背景是非白色区域，则可通过 OpenCV 实现如下逻辑： 1. **读取视频流**：从 USB 或 PiCamera 获取连续帧数据。 2. **灰度转换与阈值分割**：将彩色图片转化为单通道灰度图，并设定适当阈值区分赛道与其他部分。 3. **计算中心偏差**：统计感兴趣区域内白点分布情况，求解其重心位置作为目标方向依据。 4. **反馈修正动作**：根据当前偏离程度决定左右轮各自应采取的动作参数组合。 下面给出一段简化版的 Python 程序框架供参考： ```python import cv2 import numpy as np cap = cv2.VideoCapture(0) while cap.isOpened(): ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY) height, width = thresh.shape roi_height = int(height * 0.2) # ROI高度占总高的比例 roi = thresh[-roi_height:, :] # 提取底部ROI区域 white_pixels_x = np.where(roi == 255)[1] if len(white_pixels_x) > 0: center = int(np.mean(white_pixels_x)) deviation = (center - (width // 2)) / float(width // 2) # 计算偏移量 [-1, 1] speed_diff = abs(deviation) * 50 # 根据偏移调整速度差异 left_speed = max(0, 100 - speed_diff) right_speed = min(200, 100 + speed_diff) print(f"Deviation: {deviation:.2f}, Left Speed: {left_speed}, Right Speed: {right_speed}") cv2.imshow('Threshold', thresh) key = cv2.waitKey(1) if key & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 该段代码实现了基础的图像预处理过程及简单的决策机制[^2]。 --- #### 总结 以上介绍了两种核心模块——硬件接口编程与视觉导航策略的设计思路及其对应实践案例。前者依赖于低层 IO 操作完成物理层面交互；后者借助计算机视觉手段解析环境特征从而指导行为规划。