企业官网建设流程全解析

1. 项目缘起：为什么选择这个组合来造一台“跟屁虫”小车？

几年前，我在一个机器人展会上看到一台能自动跟随人移动的展示车，当时就觉得这玩意儿太酷了，它不像传统的遥控车，而是像一个智能的“小跟班”。回来后我就琢磨着自己也搞一台。市面上有现成的跟随机器人套件，但价格不菲，而且“黑盒”操作居多，可玩性不高。作为一个喜欢折腾的硬件爱好者，我决定从零开始，用更开放、更具性价比的方案来实现它。

经过一番调研和选型，我最终敲定了“树莓派 + Mediapipe + 麦克纳姆轮”这个黄金组合。为什么是它们？这背后有非常实际的考量。首先，树莓派作为一款功能强大的微型计算机，它不仅能运行完整的操作系统（如Debian），处理复杂的视觉和逻辑运算，还提供了丰富的GPIO接口，可以轻松连接和控制各种电机驱动板、传感器，是项目当之无愧的“大脑”。其次，Mediapipe是谷歌开源的一个跨平台机器学习解决方案框架，它内置了现成的、经过高度优化的姿态估计模型。这意味着我不需要从零开始训练一个复杂的人体检测模型，也不用在树莓派上部署庞大的深度学习框架（如TensorFlow/PyTorch）来推理，Mediapipe提供了非常轻量级的Python API，能直接在树莓派上以不错的帧率实时检测出人体的关键点（如鼻子、肩膀、髋部）。最后，麦克纳姆轮是一种特殊的全向轮，它由许多小辊子以特定角度倾斜排列而成。通过控制四个麦克纳姆轮的不同转速和转向组合，小车可以实现平面内任意方向的平移、旋转，即“全向移动”。这对于跟随场景至关重要——想象一下，如果小车只能前进后退、左右转弯，那么当目标横向移动时，小车需要先转向再前进，动作笨拙且不连贯。而麦克纳姆轮能让小车像螃蟹一样直接横移，平滑地跟上目标的侧向步伐，体验感直接拉满。

这个项目的核心逻辑，就是让树莓派驱动摄像头捕捉图像，通过Mediapipe识别画面中的人体并计算出目标相对于画面中心的位置，再根据这个位置偏差，通过PID等控制算法计算出四个麦克纳姆轮各自应有的转速，最终通过电机驱动板控制小车移动，形成一个“感知-决策-控制”的闭环。整个过程充满了硬件组装、软件调试、算法调参的乐趣，最终当你走动时，一个小车静静地跟在你身后，那种成就感是无与伦比的。下面，我就把这套方案的完整实现过程、踩过的坑以及调优心得，毫无保留地分享出来。

2. 硬件选型与组装：打造小车的“躯体”与“神经”

一台能稳定运行的跟随车，硬件是基石。这部分工作看似是拧螺丝、接电线，但每一个选择都直接影响着后续软件开发的难度和小车的最终性能。我的硬件清单和考量如下：

2.1 核心控制器：树莓派4B/5的抉择

树莓派是项目的大脑，其算力决定了视觉处理的帧率和整体响应速度。

• 树莓派4B (4GB/8GB RAM)：这是经过市场长期检验的“老兵”。对于运行Mediapipe的BlazePose模型（轻量级）来说，其性能完全足够。在优化良好的情况下，处理640x480分辨率的图像，帧率能达到10-15 FPS，这对于跟随应用是可用的。其GPIO、USB、CSI摄像头接口等资源都非常成熟稳定。优点是社区支持极其广泛，任何问题几乎都能找到解决方案，性价比高。
• 树莓派5：这是新一代的“猛将”，CPU和GPU性能均有显著提升，并且原生支持PCIe接口。对于这个项目，它的最大优势在于能轻松驱动更高分辨率的摄像头（如1080p），并在更高帧率下运行Mediapipe，使得目标跟踪更平滑、延迟更低。缺点是发布初期，一些外围驱动（如某些特定的摄像头模块驱动）的稳定性可能还在完善中，且功耗和发热相对4B更高。

我的选择与建议：如果你是第一次尝试，追求极致的稳定性和丰富的参考资料，树莓派4B 4GB版本是稳妥且性价比最高的选择。如果你对性能有更高要求，不介意处理一些新硬件可能遇到的兼容性问题，并且希望小车反应更敏捷，那么树莓派5是更面向未来的选择。我本次项目使用的是树莓派4B 4GB，事实证明其性能完全胜任。

2.2 “眼睛”：摄像头模块的选择与安装

摄像头负责“看”世界，其画质、帧率和安装位置至关重要。

• 官方CSI摄像头 vs USB摄像头：树莓派官方CSI摄像头通过排线直接连接到主板上的CSI接口，这种连接方式带宽高、延迟极低、CPU占用小，是首选方案。USB摄像头虽然即插即用，但在树莓派上需要占用USB带宽，并由CPU进行图像数据搬运和处理，会增加系统负载，在高帧率下可能成为瓶颈。
• 分辨率与帧率：Mediapipe处理图像需要时间，更高的分辨率意味着更多的像素需要计算。对于跟随应用，我们不需要看清人的面部细节，只需要定位躯干。因此，640x480 (480p) 或 800x600 的分辨率是完全足够的。这样可以在树莓派上获得更高的处理帧率（FPS）。在raspistill或libcamera命令中，我们可以轻松设置分辨率。
• 安装位置：摄像头应安装在小车前方，镜头轴线尽量与地面平行，且高度适中。如果镜头朝上或朝下，会导致透视畸变，影响Mediapipe检测的准确性，进而影响位置计算的精度。我使用了一个可调节角度的摄像头支架，方便微调。

实操步骤：连接与测试CSI摄像头

1. 确保树莓派已关机，轻轻抬起CSI接口的卡扣。
2. 将摄像头排线的蓝色一面背对以太网口（树莓派4B/5），金色触点朝向卡扣内侧，插入接口并按下卡扣锁紧。
3. 启动树莓派，打开终端，首先启用摄像头接口（如果未启用）：

   sudo raspi-config

   选择Interface Options->Legacy Camera(树莓派Bullseye及之前) 或Camera(新版Bookworm系统)，启用它。
4. 测试摄像头，使用libcamera命令（新系统推荐）：

   libcamera-hello -t 0

   这会实时预览摄像头画面。按Ctrl+C退出。
5. 拍摄一张测试照片：

   libcamera-jpeg -o test.jpg

   用文件管理器查看test.jpg，确认图像清晰无误。

2.3 “腿脚”：麦克纳姆轮、电机与驱动板

这是实现全向移动的核心，选型错误会导致小车行动怪异、无力甚至损坏。

• 麦克纳姆轮：购买时务必注意四个轮的安装方向！麦克纳姆轮有左旋和右旋之分，必须按照“X”形或“O”形布局来安装，才能产生正确的合力。通常卖家会提供安装示意图。我选择的是60mm直径的橡胶轮，兼顾了速度与抓地力。
• 直流减速电机：轮子需要电机来驱动。我选用的是TT马达（双轴），配套的减速箱提供了较大的扭矩，使得小车有足够的动力启动和克服轻微不平的地面。关键参数是额定电压（如3-6V）和空载转速。需要确保电机驱动板能提供足够的电流。
• 电机驱动板：树莓派的GPIO引脚无法直接驱动电机，需要驱动板作为“肌肉”。我选用的是TB6612FNG双电机驱动模块。一块TB6612可以驱动两个电机，因此我们需要两块来驱动四个轮子。选择它的原因：① 效率高，发热远小于传统的L298N；② 支持PWM调速，控制精细；③ 内置保护电路。接线时，需要仔细连接树莓派的GPIO引脚到驱动板的控制端（PWMA, AIN1, AIN2等），以及驱动板的输出端到电机。

硬件组装流程与注意事项：

1. 车架：可以使用亚克力板、3D打印件或现成的机器人底盘。确保结构牢固，有足够空间安装树莓派、电池和驱动板。
2. 安装电机与轮子：将四个电机固定在车架底板的四个角上。严格按照卖家提供的麦克纳姆轮布局图安装轮子，确保左前轮和右后轮的辊子倾斜方向一致，右前轮和左后轮的方向一致。这是全向移动的基础，装错了小车会“鬼畜”。
3. 电路连接：
   • 将一块TB6612的VM（电机电源）和VCC（逻辑电源）连接到电池（如7.4V锂电池）的正极，GND连接到电池负极。
   • 将两块TB6612的GND也与树莓派的GND引脚相连，共地。
   • 将树莓派的3.3V或5V引脚连接到TB6612的VCC（如果模块支持3.3V逻辑电平，则接3.3V更安全）。
   • 连接控制信号线：例如，将树莓派的GPIO17、GPIO27、GPIO22连接到第一块TB6612的PWMA,AIN1,AIN2，分别控制一个电机的速度和方向。同理，连接其他GPIO控制其余三个电机。务必绘制一张接线表，记录每个GPIO引脚对应控制哪个轮子，后续编程全靠它。
4. 供电：强烈建议电机（驱动板）和树莓派使用独立的电源供电，并通过共地连接。因为电机启停时会产生很大的电流波动和电压尖峰，可能引起树莓派重启或损坏。我使用一块7.4V锂电池通过降压模块给驱动板供电，另一块移动电源或5V电池组给树莓派供电。

3. 软件环境搭建：为树莓派注入“灵魂”

硬件组装完毕，接下来是让树莓派“活”起来，安装必要的操作系统和软件库。

3.1 系统安装与基础配置

1. 烧录系统：我选择Raspberry Pi OS (64-bit) Lite版本。因为跟随车作为独立设备运行，不需要图形桌面，Lite版本更轻量，资源占用少。使用Raspberry Pi Imager工具烧录到MicroSD卡，在烧录前即可设置主机名、开启SSH、配置Wi-Fi，非常方便。
2. 无头启动与SSH连接：烧录完成后，将SD卡插入树莓派，上电启动。在路由器管理界面找到树莓派的IP地址，使用SSH客户端（如PuTTY）连接。用户名为pi，密码为你设置的密码。
3. 系统更新与换源：为了获得更快的软件下载速度，建议更换为国内镜像源（如清华源、中科大源）。

   sudo nano /etc/apt/sources.list sudo nano /etc/apt/sources.list.d/raspi.list

   将文件中的archive.raspberrypi.org和raspbian.org域名替换为镜像源地址，然后更新：

   sudo apt update sudo apt upgrade -y

4. 安装必要工具：python3-pip,git,vim等。

3.2 Mediapipe及其依赖的安装

这是软件部分的核心，也是最容易踩坑的地方。Mediapipe的官方安装命令在树莓派上可能因为架构和依赖问题失败。

避坑指南：分步安装法

1. 安装系统依赖：

   sudo apt install -y python3-opencv libatlas3-base libgomp1 libqtgui4 libqt4-test

   python3-opencv是必须的，因为Mediapipe处理图像需要OpenCV的后端。
2. 使用预编译的Wheel文件（推荐）：直接pip install mediapipe在树莓派上很可能编译失败。幸运的是，社区有爱好者为ARM架构（树莓派）编译好了Wheel文件。我们可以直接安装。
   • 访问https://github.com/helgeerbe/mediapipe-arm64或类似仓库，找到适用于你Python版本（如3.9）和系统（bullseye/bookworm）的.whl文件。
   • 使用wget下载到树莓派，然后用pip安装：

   wget https://github.com/helgeerbe/mediapipe-arm64/releases/download/v0.10.3/mediapipe-0.10.3-cp39-cp39-linux_aarch64.whl pip3 install mediapipe-0.10.3-cp39-cp39-linux_aarch64.whl

   • 如果没有找到完全匹配的，可以尝试寻找其他来源，或者使用pip install mediapipe --no-deps尝试不安装依赖，然后手动安装其依赖（numpy,opencv-python,protobuf等），但这比较繁琐。
3. 验证安装：创建一个简单的Python脚本test_mediapipe.py：

   import cv2 import mediapipe as mp mp_pose = mp.solutions.pose print("MediaPipe Pose module imported successfully!")

   运行python3 test_mediapipe.py，如果没有报错，说明安装成功。

3.3 电机控制库与项目结构

我们需要一个库来方便地控制GPIO，从而驱动TB6612模块。RPi.GPIO是经典选择，但这里我推荐gpiozero，它的API更现代、易用。

sudo apt install -y python3-gpiozero

建立项目目录，结构如下：

follow_car/ ├── car_controller.py # 电机控制类，封装麦克纳姆轮运动逻辑 ├── pose_tracker.py # Mediapipe姿态检测与目标定位类 ├── main.py # 主程序，整合跟踪与控制逻辑 ├── config.py # 配置文件（GPIO引脚定义、PID参数等） └── requirements.txt # Python依赖列表

4. 核心代码实现：从“看见”到“跟随”

一切准备就绪，现在开始编写让小车动起来的核心代码。我们将逻辑分层，便于调试和维护。

4.1 底层驱动：麦克纳姆轮运动学与控制封装

首先，我们需要理解麦克纳姆轮的运动学。小车的运动可以分解为三个分量：沿X轴平移（左右）、沿Y轴平移（前后）、绕Z轴旋转（自转）。每个轮子的转速是这三个分量的线性组合。

在car_controller.py中，我们创建一个MecanumCar类：

import time from gpiozero import PWMOutputDevice, DigitalOutputDevice class MecanumCar: def __init__(self, config): # 根据config.py中的定义，初始化四个电机的PWM和方向控制引脚 # 例如：motor_fl_pwm = PWMOutputDevice(pin=config.MOTOR_FL_PWM) # motor_fl_in1 = DigitalOutputDevice(pin=config.MOTOR_FL_IN1) # motor_fl_in2 = DigitalOutputDevice(pin=config.MOTOR_FL_IN2) self.motors = self._init_motors(config) # 电机转向校准系数，因为安装或接线可能导致实际转向与理论相反 self.calibration = config.MOTOR_CALIBRATION def _init_motors(self, config): # 初始化四个电机的PWM和方向控制对象，返回一个字典方便管理 motors = {} # ... 初始化代码 ... return motors def move(self, vx, vy, omega): """ 根据速度向量控制小车运动。 :param vx: X轴速度（右为正），范围[-1.0, 1.0] :param vy: Y轴速度（前为正），范围[-1.0, 1.0] :param omega: 旋转角速度（逆时针为正），范围[-1.0, 1.0] """ # 麦克纳姆轮运动学公式（简化版，假设轮子位于正方形四角） # 每个轮子的速度是vx, vy, omega的线性组合 wheel_speeds = [ vy + vx + omega, # 左前轮 vy - vx - omega, # 右前轮 vy - vx + omega, # 左后轮 vy + vx - omega, # 右后轮 ] # 将速度归一化到[-1, 1]区间，防止超过PWM最大占空比 max_speed = max(abs(s) for s in wheel_speeds) if max_speed > 1.0: wheel_speeds = [s / max_speed for s in wheel_speeds] # 应用校准系数并设置电机 for i, speed in enumerate(wheel_speeds): calibrated_speed = speed * self.calibration[i] self._set_motor_speed(i, calibrated_speed) def _set_motor_speed(self, motor_index, speed): """根据速度值（-1到1）设置指定电机的PWM和方向。""" motor = self.motors[motor_index] if speed >= 0: motor['in1'].on() motor['in2'].off() else: motor['in1'].off() motor['in2'].on() # 取绝对值作为PWM占空比 motor['pwm'].value = abs(speed) def stop(self): """停止所有电机。""" for motor in self.motors.values(): motor['pwm'].value = 0

关键点与避坑：

• 运动学公式：上述公式是一个基础模型。实际中，因为轮子摩擦、重心等因素，可能需要微调系数。这是一个需要实际测试和调整的地方。
• 速度归一化：这一步至关重要。当计算出的某个轮子速度超过1.0时，如果不归一化，PWM值会超限，导致电机控制异常，小车运动失真。
• 校准系数：config.MOTOR_CALIBRATION是一个包含4个数字的列表（如[1, 1, -1, 1]）。如果发现某个轮子转向反了，可以通过修改对应位置的符号（1或-1）来纠正，而无需重新焊接电线。

4.2 视觉感知：Mediapipe人体检测与目标定位

接下来，在pose_tracker.py中，我们编写从摄像头画面中找出人并计算其位置的代码。

import cv2 import mediapipe as mp import numpy as np class PoseTracker: def __init__(self, camera_index=0, target_height=480): self.cap = cv2.VideoCapture(camera_index) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, target_height) # 初始化MediaPipe Pose模型，选择轻量级模型以提升速度 self.mp_pose = mp.solutions.pose self.pose = self.mp_pose.Pose( static_image_mode=False, model_complexity=1, # 0:轻量，1:中等，2:重度。选1平衡精度速度。 smooth_landmarks=True, enable_segmentation=False, min_detection_confidence=0.5, min_tracking_confidence=0.5 ) self.mp_draw = mp.solutions.drawing_utils self.frame_center_x = 320 # 初始化，会在第一帧更新 self.frame_center_y = target_height // 2 def get_target_offset(self): """ 从摄像头捕获一帧，检测人体，返回目标中心点相对于画面中心的偏移。 :return: (dx, dy, detected) dx, dy为归一化偏移（-1到1），detected为是否检测到人 """ success, frame = self.cap.read() if not success: return 0, 0, False # MediaPipe处理需要RGB图像 frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results = self.pose.process(frame_rgb) dx, dy = 0, 0 detected = False if results.pose_landmarks: detected = True # 获取画面尺寸 h, w, _ = frame.shape self.frame_center_x, self.frame_center_y = w // 2, h // 2 # 选择用于跟踪的关键点。鼻尖(0)或躯干中点（左右髋部中心）比较稳定。 # 这里使用鼻尖 landmark = results.pose_landmarks.landmark[self.mp_pose.PoseLandmark.NOSE] # 将关键点坐标从归一化坐标转换为像素坐标 target_px = int(landmark.x * w) target_py = int(landmark.y * h) # 计算归一化偏移： (目标坐标 - 中心坐标) / (半宽或半高) # 这样偏移范围在[-1, 1]左右，方便后续控制 dx = (target_px - self.frame_center_x) / (w / 2) dy = (target_py - self.frame_center_y) / (h / 2) # 可选：在画面上绘制关键点和连线，用于调试 # self.mp_draw.draw_landmarks(frame, results.pose_landmarks, self.mp_pose.POSE_CONNECTIONS) # cv2.circle(frame, (target_px, target_py), 10, (0, 255, 0), -1) # cv2.imshow('Pose Tracking', frame) # cv2.waitKey(1) return dx, dy, detected def release(self): self.cap.release() cv2.destroyAllWindows()

关键点与调优：

• 关键点选择：跟踪鼻尖(NOSE)是最直观的，但人转头时鼻尖位置变化大。跟踪左右髋部(LEFT_HIP,RIGHT_HIP)的中点作为“躯干中心”会更稳定，因为人走路时躯干相对稳定。你可以根据实际效果选择或融合多个点。
• 置信度阈值：min_detection_confidence和min_tracking_confidence很重要。调高它们可以减少误检，但可能在人被部分遮挡时丢失目标；调低则更敏感，但也更容易引入噪声。需要在实际场景中权衡。
• 图像分辨率：在VideoCapture中设置分辨率。分辨率越低，Mediapipe处理越快，但目标定位的像素精度会下降。480p是一个很好的起点。
• 归一化偏移：将偏移量dx,dy归一化到[-1, 1]区间，是为了与上层控制器的输出范围匹配，方便设计控制律。

4.3 控制大脑：PID控制器与主循环

现在，我们需要一个“大脑”将视觉感知的偏移量，转化为电机控制的速度指令。一个简单有效的方法是使用PID控制器。PID通过比例(P)、积分(I)、微分(D)三个环节，计算出一个控制量来消除误差（这里是目标偏移量）。

在main.py中，我们整合所有模块：

import time from car_controller import MecanumCar from pose_tracker import PoseTracker import config class PIDController: def __init__(self, kp, ki, kd, max_output=1.0): self.kp, self.ki, self.kd = kp, ki, kd self.max_output = max_output self.integral_x = 0 self.integral_y = 0 self.previous_error_x = 0 self.previous_error_y = 0 def compute(self, error_x, error_y, dt): # 比例项 p_x = self.kp * error_x p_y = self.kp * error_y # 积分项（防止积分饱和） self.integral_x += error_x * dt self.integral_x = max(min(self.integral_x, 2.0), -2.0) # 积分限幅 i_x = self.ki * self.integral_x self.integral_y += error_y * dt self.integral_y = max(min(self.integral_y, 2.0), -2.0) i_y = self.ki * self.integral_y # 微分项 d_x = self.kd * (error_x - self.previous_error_x) / dt if dt > 0 else 0 d_y = self.kd * (error_y - self.previous_error_y) / dt if dt > 0 else 0 self.previous_error_x = error_x self.previous_error_y = error_y # 合成输出并限幅 output_x = p_x + i_x + d_x output_y = p_y + i_y + d_y output_x = max(min(output_x, self.max_output), -self.max_output) output_y = max(min(output_y, self.max_output), -self.max_output) return output_x, output_y def main(): car = MecanumCar(config) tracker = PoseTracker(target_height=config.CAMERA_HEIGHT) pid_x = PIDController(kp=0.8, ki=0.05, kd=0.2, max_output=0.6) # 控制左右偏移 pid_y = PIDController(kp=0.6, ki=0.03, kd=0.15, max_output=0.5) # 控制前后偏移 last_time = time.time() lost_target_count = 0 MAX_LOST_COUNT = 10 # 连续丢失目标N帧后，小车停止 try: while True: current_time = time.time() dt = current_time - last_time last_time = current_time # 1. 获取目标偏移 dx, dy, detected = tracker.get_target_offset() if detected: lost_target_count = 0 # 2. PID计算控制量 # 注意：dx为正表示目标在画面右侧，我们需要小车右移（正vx）来对准，所以误差取反或直接在PID中处理符号 control_vx, control_vy = pid_x.compute(-dx, -dy, dt) # 这里简单起见，用同一个PID计算，实际最好分开 # control_vy = pid_y.compute(-dy, dt) # 更精细的做法是XY独立PID # 3. 发送速度指令给小车 # 这里将控制量直接映射为vx, vy。omega（旋转）可以设为0，或根据身体朝向计算。 car.move(vx=control_vx, vy=control_vy, omega=0) print(f"Target detected. dx={dx:.2f}, dy={dy:.2f}, vx={control_vx:.2f}, vy={control_vy:.2f}") else: lost_target_count += 1 print(f"Target lost. Count: {lost_target_count}") if lost_target_count > MAX_LOST_COUNT: car.stop() # 长时间丢失目标，停止小车 # 可选：进入搜索模式，让小车缓慢旋转寻找目标 # 控制循环频率，避免CPU占用过高 time.sleep(0.05) # 约20Hz except KeyboardInterrupt: print("\nProgram stopped by user.") finally: car.stop() tracker.release() if __name__ == "__main__": main()

PID参数整定心得： 这是整个项目调试中最“玄学”但也最有趣的部分。参数没有标准答案，完全取决于你的小车物理特性、摄像头视野、期望的跟随速度和平滑度。

• Kp (比例)：决定了系统对当前误差的反应速度。Kp太大，小车会对着目标位置剧烈振荡，像“醉汉”一样；Kp太小，小车反应迟钝，慢悠悠地挪过去。
• Ki (积分)：用来消除静态误差。如果小车总是停在离目标中心差一点的位置，可以适当增加Ki。但Ki太大会引起超调和振荡，甚至系统不稳定。
• Kd (微分)：预测误差变化趋势，起到阻尼作用，能抑制振荡，让运动更平滑。但对噪声敏感，如果Mediapipe检测的坐标有抖动，Kd大了反而会放大抖动。
• 调参步骤：
  1. 归零法：先将Ki和Kd设为0，只调Kp。逐渐增大Kp，直到小车开始出现明显的、持续的振荡。然后取这个Kp值的50%-70%作为初始值。
  2. 加积分：引入一个很小的Ki（如0.01），观察小车能否更准确地停在中心。如果出现缓慢振荡或超调，说明Ki大了，要减小。
  3. 加微分：最后引入Kd，从0.1开始尝试，观察振荡是否被抑制，运动是否更平滑。注意观察对检测抖动的敏感性。
  4. 分开调：X轴（左右）和Y轴（前后）的响应特性可能不同，最好有两套独立的PID参数。

5. 调试、优化与功能扩展

代码跑通只是第一步，要让小车稳定可靠地工作，还需要大量的调试和优化。

5.1 基础调试与问题排查

1. 电机不转或转向错误：

   • 检查供电：用万用表测量驱动板VM和VCC电压是否正常。电机电源是否独立且功率足够？
   • 检查接线：反复核对GPIO引脚编号是否与代码中config.py的定义一致。TB6612的AIN1/AIN2电平组合是否正确（01正转，10反转，00刹车，11刹车）。
   • 检查校准系数：在car_controller.py的move函数里打印计算出的wheel_speeds，看正负号是否符合预期。通过修改config.MOTOR_CALIBRATION来纠正转向。

2. Mediapipe检测不到人或抖动严重：

   • 光照：确保环境光线充足、均匀，避免强逆光或昏暗环境。
   • 背景：尽量选择背景简洁、与人体对比度高的环境进行初始测试。
   • 置信度阈值：适当降低min_detection_confidence（如0.4）看看。
   • 摄像头：用libcamera-hello确认摄像头画面本身是否清晰、有无畸变。
   • 性能：在终端运行主程序时，观察输出帧率。如果远低于5 FPS，考虑降低摄像头分辨率或使用Mediapipe的model_complexity=0（最轻量级）。

3. 小车运动振荡或“画圈”：

   • PID参数：这是最常见原因。回到上一节的PID整定步骤，优先降低Kp。
   • 机械结构：检查轮子是否安装牢固，车架有无松动。松动的结构会引入无法用软件弥补的抖动。
   • 延迟：从检测到控制的总延迟过高。可以尝试在main.py循环中减少time.sleep的时间，或优化代码（如不在每一帧都绘制图像预览）。

5.2 进阶优化策略

1. 目标丢失处理与搜索：当前代码在丢失目标后只是停止。可以改进为“搜索模式”：例如，让小车缓慢自转（设置一个小的omega），同时持续进行检测，一旦重新发现目标，立即切换回跟随模式。
2. 滤波：Mediapipe返回的关键点坐标可能存在抖动。可以在pose_tracker.py中对计算出的dx, dy进行低通滤波或移动平均滤波，平滑数据后再送给PID控制器，能显著提升小车运动的平滑度。

   # 简单的移动平均滤波示例 class MovingAverageFilter: def __init__(self, window_size=5): self.window_size = window_size self.values = [] def update(self, new_value): self.values.append(new_value) if len(self.values) > self.window_size: self.values.pop(0) return sum(self.values) / len(self.values) # 在PoseTracker类中使用 self.filter_x = MovingAverageFilter(5) self.filter_y = MovingAverageFilter(5) # ... 计算dx, dy后 ... dx_filtered = self.filter_x.update(dx) dy_filtered = self.filter_y.update(dy)

3. 距离估计与速度规划：目前我们只控制了方向（让目标处于画面中心），但没有控制距离。可以通过人体关键点（如肩宽）在画面中的像素大小，粗略估计人与车的距离。然后设计一个分层控制器：外环控制距离（通过vy），内环控制对准（通过vx和omega）。这样小车就能在跟随的同时，保持一个你设定的理想距离。
4. 多目标与目标选择：Mediapipe可以检测多个人。可以修改逻辑，选择距离画面中心最近的人，或者通过某种交互（如挥手）来指定跟随目标。

5.3 扩展想法：从跟随到交互

基础跟随实现后，这个平台还有巨大的扩展空间：

• 增加激光雷达：结合二维激光雷达（如RPLidar A1），可以实现更精确的避障和地图构建，让小车在跟随的同时绕开障碍物。
• 语音交互：接入语音识别（如Vosk离线库）和语音合成，实现“过来”、“停下”、“跟我走”等语音指令控制。
• 手势控制：利用Mediapipe的手部关键点检测，实现手势控制，例如手掌张开表示停止，握拳表示前进，向左挥手表示左转等。
• 远程监控与控制：在树莓派上搭建一个简单的Web服务器（使用Flask），通过网页可以实时查看摄像头画面，并手动控制小车运动。

这个项目就像一把钥匙，打开了嵌入式AI机器人世界的大门。它融合了硬件集成、计算机视觉、自动控制等多个领域的知识。调试过程中，你会遇到各种各样的问题，但每一个问题的解决都会让你对这套系统的理解加深一分。当小车第一次稳稳地跟在你身后时，所有的折腾都值了。希望这份详细的指南能帮助你少走弯路，顺利打造出属于自己的智能跟随车。