从OpenMV到STM32：激光追踪系统中的视觉识别与PID控制实战解析-育师

1. 激光追踪系统概述

激光追踪系统是电子设计竞赛中的经典题目，也是机器视觉与运动控制的完美结合。简单来说，这套系统需要让一个激光点能够自动追踪另一个移动的激光点，或者沿着预设的路径精确移动。听起来像是科幻电影里的场景，但其实用OpenMV和STM32就能轻松实现。

我在去年指导的电子设计竞赛中，团队就采用了OpenMV+STM32的方案。实测下来，这套组合既经济实惠又性能强悍。OpenMV负责"看"——识别激光点的位置；STM32负责"动"——控制云台转动；中间用串口传递数据，最后用PID算法让运动更加平滑精准。整个过程就像是在教机器人玩"激光笔逗猫"的游戏。

2. OpenMV视觉识别实战

2.1 硬件连接与基础配置

首先把OpenMV通过USB线连接到电脑，打开OpenMV IDE。这里有个小技巧：建议使用带磁环的USB线，能有效减少干扰。我刚开始用普通线时，经常遇到图像闪屏的问题，换了带磁环的线后就稳定多了。

配置摄像头参数时，这几个关键设置要注意：

分辨率：推荐使用QVGA(320x240)，太高会影响处理速度
像素格式：RGB565
帧率：30fps足够用

import sensor sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time = 2000) # 让摄像头稳定

2.2 激光点识别算法

识别激光点的核心是颜色阈值设置。这里有个坑我踩过：环境光对识别影响很大。我们的解决方案是用红色激光笔，然后在代码里设置只识别高饱和度的红色。

red_threshold = (30, 100, 40, 127, -128, 127) # 红色阈值 blobs = img.find_blobs([red_threshold], pixels_threshold=10, area_threshold=10)

实际调试时发现，曝光度设置很关键。太高会导致激光点过曝，太低又识别不到。我们的经验值是：

室内环境：800-1200
强光环境：500-800

可以通过下面代码动态调整：

sensor.set_auto_exposure(False, exposure_us=1000) # 手动设置曝光

2.3 矩形框识别技巧

当需要激光沿矩形框移动时，识别矩形框的四个顶点就很重要。这里有个实用技巧：先用二值化处理图像，再找轮廓。

img.binary([(0, 64)]) # 黑色阈值 rects = img.find_rects(threshold=10000) for r in rects: img.draw_rectangle(r.rect(), color=(255,0,0)) for p in r.corners(): img.draw_circle(p[0], p[1], 5, color=(0,255,0))

实际项目中我们发现，黑色胶带的边缘识别经常不准。后来改进的方法是：先识别外轮廓，再在内侧识别，最后取平均值。这样识别精度能提高30%以上。

3. STM32运动控制实现

3.1 云台硬件选型

云台舵机选择直接影响系统性能。我们对比了几种常见舵机：

型号	扭矩(kg·cm)	速度(s/60°)	价格	适用性
MG90S	1.8	0.1	低	适合轻负载
MG996R	11	0.17	中	推荐选择
DS3120	20	0.13	高	超高性能

最终选用MG996R，性价比最高。安装时要注意：一定要用金属齿轮舵机，塑料齿轮的容易扫齿。

3.2 串口通信协议设计

OpenMV和STM32之间采用串口通信，协议设计很关键。我们定义了一个简单的帧结构：

帧头(0xAA) | 数据长度 | 数据类型 | 数据内容 | 校验和 | 帧尾(0x55)

具体实现代码：

typedef struct { uint8_t header; uint8_t len; uint8_t type; // 0:坐标 1:顶点 uint16_t x; uint16_t y; uint8_t checksum; uint8_t end; } LaserFrame;

调试时发现，不加校验经常会出现数据错乱。加上校验和后，通信稳定性大幅提升。

4. PID控制算法精讲

4.1 增量式PID实现

增量式PID相比位置式更适合舵机控制。公式如下：

Δu(k) = Kp[e(k)-e(k-1)] + Ki*e(k) + Kd[e(k)-2e(k-1)+e(k-2)]

STM32代码实现：

typedef struct { float Kp, Ki, Kd; float last_error; float prev_error; } PID; float PID_Calculate(PID* pid, float error) { float output = pid->Kp * (error - pid->last_error) + pid->Ki * error + pid->Kd * (error - 2*pid->last_error + pid->prev_error); pid->prev_error = pid->last_error; pid->last_error = error; return output; }

4.2 PID参数整定经验

调参是个耐心活，我们总结了一套"334"法则：

先调Kp：从小到大，直到出现轻微震荡
再调Kd：消除震荡，提高稳定性
最后调Ki：消除静差，但别太大

具体参数范围参考：

Kp：0.5-2.0
Ki：0.001-0.1
Kd：0.1-0.5

调试时有个实用技巧：用OLED实时显示误差和输出，这样调参更直观。

5. 系统集成与调试

5.1 坐标系转换

摄像头坐标系和云台坐标系需要转换。我们建立了一个简单的映射模型：

θx = kx * (x - x_center) + offset_x θy = ky * (y - y_center) + offset_y

其中kx、ky需要通过标定确定。方法是在屏幕上标记几个已知点，记录对应的舵机角度，然后用最小二乘法拟合。

5.2 常见问题解决

激光点跳动问题

原因：识别噪声或PID参数过冲
解决：加移动平均滤波，适当减小Kp

#define FILTER_SIZE 5 float filter_buf[FILTER_SIZE]; float moving_average(float new_val) { static uint8_t index = 0; filter_buf[index++] = new_val; if(index >= FILTER_SIZE) index = 0; float sum = 0; for(int i=0; i<FILTER_SIZE; i++) { sum += filter_buf[i]; } return sum / FILTER_SIZE; }