智能车电磁组进阶：ADC 信号处理与差比和差算法

💡 关于数据类型的关键细节

需要特别强调的是 uint32 sum 的数据类型：

• 计算背景：
  • 12 位 ADC，最大值为 4096。
  • 5 次累加最大约为 4096×5=20480。
• 溢出风险：
  • 虽然 uint16（最大 65535）目前能存下。
  • 但如果你以后增加采样次数（如 16 次以上），uint16 就会发生溢出。

(4) 归一化处理：从绝对值到百分比

归一化的本质是将 12 位 ADC 的原始量程（04095）映射到统一的 0100。

• 逻辑一致性：这样，后续所有的控制逻辑（如差比和差、PID）处理的都是比例关系，而不是不稳定的绝对数值。
• 代码复用性：即便切换了不同性能的电机或舵机，你的控制算法在逻辑层是不需要大规模重写的。

/* 核心代码：归一化映射 */
// 将滤波后的 ADC 值（adc_deal_1）映射到 0-100 范围
left_adc = 100.0 * adc_deal_1[0]/4096;   // 12 位 ADC_MAX=4096
leftshu_adc = 100.0 * adc_deal_1[1]/4096;
rightshu_adc = 100.0 * adc_deal_1[2]/4096;
right_adc = 100.0 * adc_deal_1[3]/4096;

(5) 避坑与调优心得

取样次数的取值：在我们的项目中，采样次数取值为 5，通常可以选取 5-7。

• 平滑度 vs 延迟：取值越大，信号越平滑，但延迟也会随之增加。
• 风险提示：如果滤波太重（取值过大），车子在过急弯时感知会产生滞后，导致过弯时舵机晚打从而冲出赛道。

信号的处理

(1) 基础版：差比和算法

该算法通过分别计算横向偏差和纵向偏差，然后进行加权求和（这里各占 50% 权重）。

// 横向偏差 = (左横 - 右横) / (左横 + 右横)
// 纵向偏差 = (左纵 - 右纵) / (左纵 + 右纵)
AD_Bias = 10.0*(0.5*(left_adc - right_adc)/(left_adc + right_adc)+0.5*(leftshu_adc - rightshu_adc)/(leftshu_adc + rightshu_adc));

算法公式化表达

AD_Bias = 10 × (0.5 × (L-R)/(L+R) + 0.5 × (Lshu-Rshu)/(Lshu+Rshu))

核心原理：

• 思想：利用差比和 (Difference-Ratio-Sum) 的思想，将传感器采集的绝对数值转化为相对比例。
• 公式拆解：
  • L-R (差)：反映偏差方向（车头偏左还是偏右）。
  • L+R (和)：用于归一化，消除因赛道磁场强度不同或电池电压波动导致的信号整体强弱差异。

(2) 进阶版：差比和差算法

此算法的核心在于分母引入阻尼项，解决了传统差比和算法在丢线边缘分母趋近于 0 导致数值发散的问题。

/* 核心参数：
 * ALPHA (横向权重)
 * BETA (纵向权重)
 * OMEGA (阻尼系数)
 */
// 1. 分子：横向与纵向差值的加权和，决定偏差方向
float fenzi = ALPHA *(left_adc - right_adc) + BETA *(leftshu_adc - rightshu_adc);
// 2. 分母：在横向之和的基础上，引入纵向差值的绝对值作为阻尼补偿
// 使用 fabs() 取绝对值，防止分母过小导致偏差发散
float fenmu = ALPHA *(left_adc + right_adc) + OMEGA *fabs(leftshu_adc - rightshu_adc);
// 3. 计算最终偏差值
AD_Bias = 10.0*(fenzi / fenmu);

算法公式化表达

AD_Bias = 10 × [α·(L-R) + β·(Lshu-Rshu)] / [α·(L+R) + Ω·|Lshu-Rshu|]

• 分子：主要决定偏差的方向（左转还是右转）。
• 分母：引入 fabs() 绝对值项作为阻尼。即使 L+R（横向电感之和）极小，分母依然有纵向差值的绝对值撑着，从而保证分母不会变成 0，防止计算结果发散。

(3) 两种算法对比

共同优势

• 自适应能力强：当电池电压发生变化，或换了信号源功率不同的赛道时，四个电感数据都会呈比例上升或下降。计算公式中分子分母同时含有该系数，系数直接约掉，计算结果保持不变。
• 归一化友好：它们都非常契合归一化处理后的数据（0-100）。计算出的偏差值 (Error) 范围为 [-10, 10]（代码中乘上系数 10，否则为 [-1, 1]），这对于 PID 调参的帮助非常之大。

各自优劣势深度解析

A. 差比和算法 (Basic Version)

2. 直道抖动：走直线时纵向电感较小，传统权重分配（横 0.7 / 纵 0.3）可能导致直道抖动严重。
3. 弯道迟钝：面对大弯道或急弯时，信号感知的灵敏度往往不足。 |

B. 差比和差算法 (Advanced Version)

2. 高线性度：通过 ALPHA 与 BETA 的权重平衡，让纵向电感在大弯道时提供额外的增益，赋予系统更高的线性度。 | | 劣势 | 调参难度高。需要开发者反复跑赛道来确定三个关键参数（ALPHA, BETA, OMEGA）的最佳比例。甚至在直道、大弯、小弯可能需要不同的比例，测试工作量大。 |

(4) 最后的平滑屏障：一阶低通滤波

在通过去极值平均滤波处理完原始 ADC 采样后，我们得到了平滑的输入。但在实际高速行驶中，即便输入是平滑的，由于赛道细微起伏或车体姿态抖动，计算出来的偏差值 AD_Bias 仍可能存在高频细微跳变。

// 以直道为例：追求极致平滑
// current_AD_Bias 是本次计算的原始值，last_valid_bias 是滤波后的结果
last_valid_bias = last_valid_bias + 0.8f*(current_AD_Bias - last_valid_bias);
// 即 last_valid_bias = (1-0.8) last_valid_bias + 0.8f * current_AD_Bias ;

算法原理

核心公式：y(n) = (1 - α) × y(n-1) + α × x(n)

举例：假设 last_valid_bias = 2，current_AD_Bias = 10，系数 alpha = 0.8： 0.2 × 2 + 0.8 × 10 = 8.2 可以看到，数据没有直接跳到 10，而是平滑过渡到了 8.2。

Alpha 系数调参指南

我们可以通过调整系数 alpha 来调节性能：

(5) 实战心得体会

项目初期调试的时候车速比较慢，差比和算法还是很好用的，逻辑简洁好调整。但是随着我们对速度要求提高，算法的缺陷就暴露了。

高速下的抽搐与失控

当我们尝试提速的时候，发现很难控制车体始终保持在赛道的绝对中央。

• 现象：在高速冲入急弯或由于惯性产生小幅度偏移时，差比和算法的劣势非常明显。
• 后果：丢线边缘时，差比和算出巨大的跳变值反馈给舵机，让舵机抽搐，导致小车经常在急弯处因打角过度或不足而直接冲出赛道。

从混合使用到全线切换

中期尝试：我们尝试过折中方案——在直道和普通弯道使用差比和差，而在环岛逻辑中保留差比和。

结果：实测证明，当环岛的入环速度提上去后，基础算法依然无法支撑高动态下的稳定性。

最终决策：我们决定全赛道统一采用差比和差算法。 这一转变也得益于我们后期调试手段的丰富——通过 TFT180 屏幕、有线及无线 UART 串口实时收集波形数据，原本复杂的 ALPHA、BETA、OMEGA 等参数相对来说好调一点。

成效：

1. 高线性度：即使在高速行驶且偏离中心线较远的情况下，差比和差计算出的 Error 依然能保持极高的线性度，杜绝了数据突变。
2. 平稳重捕：该算法让舵机即便在极限丢线的边缘，也能通过平稳的打角动作尝试重捕信号，而不是盲目打死方向。
3. 提速基础：这种算法上带来的稳定性，为我们后续实施更激进的速度策略提供了坚实基础。

补充内容：丢线保护策略

在信号处理的最后环节，我们需要加入最容易被忽略但最关键的一环——保护机制。毕竟车丢线后到处乱撞的代价太大了：

• 硬件损耗：高速撞击会导致碳纤支架断裂、电机轴弯曲，甚至烧毁昂贵的舵机。
• 意外赔偿：赛道调试现场往往车满为患，失控的小车可能撞到他人的车子或电脑，造成不必要的赔偿损失。
• 调试辅助：如果车一丢线就主动刹停在原地，你可以立刻观察到它是从哪个位置、以什么姿态冲出去的，而不是去远处的墙角捡车。

参数失效：碰撞会改变电感的前瞻位置和倾斜角度，导致你辛苦调校出的 ADC 基准数据瞬间作废。

务必注意：一定要保护好你的硬件！

// 丢线判定逻辑示例
// 定义一个全局或静态变量记录状态
bool is_lost = false;
// 阈值判定：当四路电感总和极小时（例如 <= 15），视为丢线
if((left_adc + leftshu_adc + rightshu_adc + right_adc) <= 15){
    is_lost = true;
}else{
    is_lost = false;
}
// 执行安全保护
if(is_lost){
    // 1. 立即停止电机输出 (Duty = 0)
    // 2. 进阶：执行主动反向制动
    set_motor_pwm(-200); // 给一个短暂的反向力，迅速把速降下来
    // 3. 舵机回正，防止侧翻或堵转
    set_servo_pwm(SERVO_MID);
}

实战经验总结

很多同学在调车时会陷入算法决定一切的误区，但作为从小白走过来的参赛者，我们深刻体会到：工程细节往往比算法逻辑更能决定成败。

硬件决定上限：别让硬件毁了你的算法

我们曾苦苦调代码、调参数，试图消除小车莫名的抖动，最后却发现：电感支架的刚性不足才是罪魁祸首——支架抖得比车还厉害。

算法滤波打不过晃动收集到的复杂数据

核心观点：如果支架晃得比车还厉害，电感捕捉到的磁场变化就会包含大量的物理噪声，非常复杂，这是任何软件算法都难以完美弥补的。 结论：加固支架后，也许原本的代码就已经能让车跑得很稳定了。

控制变量是调试的前提

电磁模块的安装位置、前探距离、甚至是倾斜角度，都会直接改变 ADC 的基准读数。

• 固定牢固：一定要保证模块固定牢固。
• 定期检查：碰撞后支架可能会歪，记得手动校正角度，否则你会发现原本调好的参数突然就失效了。

保护小细节

• 加固引脚：建议使用热熔胶加固电感引脚，防止在频繁的碰撞和振动中产生虚接或断裂。

阶段化开发：从跑起来到跑得稳

智能车竞赛是一个层层递进的过程（中期检查 -> 预赛 -> 决赛），我们的策略是：

• 前期（探索阶段）
  • 策略：采用差比和算法。
  • 理由：逻辑直观、易于部署，能让你快速看到反馈，建立信心。
• 后期（实战提速）
  • 策略：当车速提升到算法瓶颈时，果断切换为差比和差算法。
  • 理由：利用其平滑的线性特征，支撑更激进的速度策略。

数据化调试：从玄学调参到量化分析

电磁组的灵魂在于对数据的掌控。我们强烈建议尽早建立完善的调试流程：

调试手段进阶

1. 初级手段：利用 OLED/TFT 屏幕实时显示四路电感 ADC 数据 + 实时计算出的 AD_bias。
2. 进阶手段（强烈推荐）：使用串口调试助手（UART）。通过有线或无线串口实时打印数据。
   • 甚至可以采用 MATLAB 仿真之类的工具，直接输出波形对比。

数据建模与分析

我们将抓取的原始数据导出到 Excel 中，这不仅方便我们分析直道、弯道、十字等不同赛道元素的特征，还能帮助我们进行模拟调参。

调试技巧：Excel 模拟调参

在更换差比和差算法时，我们的操作流程如下：建立模型：在 Excel 中建立公式模型。工具辅助：通过工具生成参考初始值。对比反馈：对比差比和与差比和差在同一弯道下的反馈值 (AD_Bias)。理论上，进阶算法的输出量级应与原算法大致相等。实车微调：通过 Excel 的模拟预测，大大缩短实地跑车调参的时间。

注意：软件模拟无法完全覆盖高速行驶下的物理惯性，因此需要在模拟参数的基础上进行实车微调。收集数据时，不仅要收集正正好 的姿态，还要收集略微偏差甚至极限偏差的状态。只有覆盖了小车偏离赛道时的各种信号反馈，你建立的模型才会足够稳定！