从PID调参到AI决策：手把手教你用Arduino Mega 2560和Jetson Nano打造一辆能“思考”的小车
从PID调参到AI决策：手把手教你用Arduino Mega 2560和Jetson Nano打造智能小车
1. 项目概述与核心设计思路
在创客教育和工程实践中，智能小车一直是连接硬件控制与人工智能的理想平台。本项目通过Arduino Mega 2560与Jetson Nano的协同工作，构建了一个完整的"感知-决策-控制"闭环系统。不同于简单的遥控小车，这套系统实现了从底层电机控制到上层视觉决策的全栈技术整合。
系统架构的三层设计：
- 执行层：Arduino负责实时电机控制，采用PID算法确保运动精度
- 感知层：编码器+陀螺仪构成运动反馈系统，摄像头采集环境信息
- 决策层：Jetson Nano运行视觉模型，生成控制指令
硬件选型上，Arduino Mega 2560因其丰富的IO接口（54个数字IO，15个PWM）成为理想的主控选择，而Jetson Nano凭借128核Maxwell GPU的强大算力，能够实时处理图像数据。这种组合既保证了实时控制的需求，又满足了AI计算的要求。
2. 底层控制：PID算法实现与调参实战
2.1 电机控制基础
选用带霍尔编码器的JGB37-520直流减速电机，其56:1的减速比和6.5N·m的额定扭矩为小车提供了充足的动力。编码器每转产生11个脉冲，通过中断计数可精确计算转速：
// 中断服务函数计算脉冲数 void motorISR() { motorCount++; } // 转速计算公式 float rpm = (motorCount / (11.0 * 56.0)) * (1000.0 / sampleTime);L298N驱动模块采用PWM控制，占空比与转速关系经实测如下表：
| PWM值范围 | 实际表现 |
|---|---|
| 0-40 | 电机无法启动 |
| 40-100 | 转速线性增长 |
| 100-255 | 转速趋于饱和 |
2.2 PID算法实现
采用增量式PID算法，避免积分饱和问题。核心代码实现：
// 增量式PID计算 float computePID(float setpoint, float input) { float error = setpoint - input; float deltaP = kp * (error - lastError); float deltaI = ki * error; float deltaD = kd * ((error - lastError) - (lastError - lastLastError)); lastLastError = lastError; lastError = error; return deltaP + deltaI + deltaD; }2.3 参数整定技巧
通过Simulink仿真结合实物调试，总结出PID调参三步法：
- 纯比例调节：逐步增大Kp直至系统出现振荡，然后回调至60-70%
- 加入积分项：从较大Ti开始减小，消除稳态误差后增大至150-180%
- 微调微分项：通常设为Kp的5-10%，抑制超调
实测最优参数组合：
Kp=8.0, Ki=0.1, Kd=0.5调试提示：不同电机存在个体差异，建议为每个电机单独设置PID参数组
3. 硬件系统搭建与关键模块解析
3.1 核心硬件配置清单
| 模块 | 型号 | 关键特性 |
|---|---|---|
| 主控 | Arduino Mega 2560 | 54个数字IO，15路PWM，4个硬件串口 |
| 处理器 | Jetson Nano | 128核Maxwell GPU，4GB内存 |
| 电机 | JGB37-520 | 56:1减速比，霍尔编码器 |
| 电机驱动 | L298N | 双H桥设计，峰值电流2A |
| 姿态传感器 | JY61 | 六轴IMU，0.1°精度 |
| 电源系统 | 12V 8400mAh锂电池 | 支持4小时持续运行 |
3.2 电路设计要点
电源管理架构：
锂电池(12V) ├─ L298N驱动(直接供电) ├─ 降压模块(5V) ├─ Arduino ├─ 传感器 └─ Jetson Nano(需额外5V/4A供电)关键接口分配：
- 电机编码器：连接至外部中断引脚(2,3,18,19,20,21)
- IMU传感器：通过硬件串口(Serial1)通信
- Jetson Nano：使用Serial2进行指令传输
3.3 通信协议设计
Arduino与Jetson Nano采用自定义串口协议：
[起始符][数据长度][命令字][数据区][校验和] 0xAA 1Byte 1Byte N字节 1Byte常用命令示例：
- 0x01：速度指令 (后跟4字节float)
- 0x02：转向指令 (后跟4字节float)
- 0x03：状态查询
4. 上层智能：视觉处理与决策系统
4.1 Jetson Nano开发环境配置
推荐使用JetPack 4.6镜像，预装CUDA和OpenCV。关键软件包安装：
# 安装PyTorch for Jetson sudo apt-get install python3-pip libopenblas-base libopenmpi-dev pip3 install numpy torch-1.10.0-cp36-cp36m-linux_aarch64.whl # 安装视觉库 pip3 install opencv-python imutils4.2 车道线检测实现
基于OpenCV的经典图像处理流程：
def detect_lane(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5,5), 0) edges = cv2.Canny(blur, 50, 150) # ROI区域设置 height, width = edges.shape mask = np.zeros_like(edges) polygon = np.array([[ (width*0.1, height), (width*0.45, height*0.6), (width*0.55, height*0.6), (width*0.9, height) ]], np.int32) cv2.fillPoly(mask, polygon, 255) masked_edges = cv2.bitwise_and(edges, mask) # 霍夫变换检测直线 lines = cv2.HoughLinesP(masked_edges, 1, np.pi/180, 20, minLineLength=30, maxLineGap=100) return lines4.3 控制指令生成算法
根据检测到的车道线计算转向角度：
def calculate_steering_angle(lines): left_lines = [] right_lines = [] if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] slope = (y2-y1)/(x2-x1) if slope < -0.5: # 左车道线 left_lines.append(slope) elif slope > 0.5: # 右车道线 right_lines.append(slope) avg_left = np.mean(left_lines) if left_lines else None avg_right = np.mean(right_lines) if right_lines else None if avg_left and avg_right: # 双车道线 center_slope = (avg_left + avg_right) / 2 elif avg_left: # 仅左车道线 center_slope = avg_left + 0.5 elif avg_right: # 仅右车道线 center_slope = avg_right - 0.5 else: # 无车道线 return 0 return np.arctan(center_slope) * 180 / np.pi5. 系统集成与调试技巧
5.1 多线程架构设计
Jetson Nano上采用生产者-消费者模式：
import threading from queue import Queue image_queue = Queue(maxsize=5) command_queue = Queue(maxsize=5) def camera_thread(): cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if ret: image_queue.put(frame) def processing_thread(): while True: frame = image_queue.get() lines = detect_lane(frame) angle = calculate_steering_angle(lines) command_queue.put(angle) def serial_thread(): ser = serial.Serial('/dev/ttyTHS1', 115200) while True: angle = command_queue.get() command = struct.pack('Bf', 0x02, angle) ser.write(command)5.2 典型问题解决方案
电机响应不一致：
- 为每个电机建立启动PWM值档案
- 在PID计算前加入死区补偿
- 定期校准编码器计数
视觉延迟问题：
- 采用图像分辨率640x480而非1080p
- 使用CUDA加速OpenCV运算
- 限制检测区域(ROI)
通信丢包处理：
// Arduino端增加超时重发机制 if(millis() - lastCmdTime > 200) { requestResend(); lastCmdTime = millis(); }5.3 性能优化指标
经过优化后的系统表现：
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 图像处理延迟 | 120ms | 45ms |
| 控制指令更新频率 | 10Hz | 30Hz |
| 直线跟踪误差 | ±10cm/2m | ±3cm/2m |
| 转向响应时间 | 800ms | 300ms |
6. 项目扩展与进阶方向
硬件升级建议：
- 改用STM32H7系列提高控制频率
- 增加ToF传感器增强障碍检测
- 采用CAN总线替代串口通信
算法优化路径：
graph LR A[传统PID] --> B[模糊PID] B --> C[神经网络PID] A --> D[模型预测控制]视觉系统进阶：
- 迁移学习训练自定义车道检测模型
- 引入语义分割识别多种道路元素
- 使用ORB-SLAM实现简单定位
实际测试中发现，在光照条件剧烈变化时，传统图像处理方法稳定性会下降。这时可以考虑切换到YOLOv5等目标检测模型，虽然计算量增大，但鲁棒性显著提升。Jetson Nano上运行量化后的YOLOv5s模型仍可达到15FPS的处理速度，满足实时性要求。