企业官网建设流程全解析

简介：本资源是一套面向嵌入式开发学习者与电子设计竞赛参赛者的完整自动泊车系统实现方案，聚焦STM32与OpenMV协同控制这一典型智能感知+运动控制场景，解决小型智能车在结构化停车场中识别车位并自主泊入的核心问题。压缩包共110个文件，含49个C语言头文件（.h）与44个源文件（.c），构成STM32F10x系列底层驱动、MPU姿态解算、定时器/PWM电机控制及串口通信等关键模块；另有1个Python脚本（.py）用于OpenMV端图像识别，3个JSON配置文件支持参数调优，以及Keil工程（.uvprojx）、Hex固件、批处理脚本（.bat）等实用工具，整体仅823KB，轻量易部署。已有348人学习下载，资源提供从图像采集、车位线检测（边缘+霍夫变换）、路径规划到电机闭环控制（含PID逻辑）的全链路代码与结构化组织，特别适合课程设计、电赛备赛及嵌入式视觉项目实战参考。

1. 项目概述：从零搭建一个微型自动泊车系统

最近在整理过去的项目资料，翻出了一个基于STM32和OpenMV的自动泊车系统。这算是一个典型的嵌入式视觉与控制结合的“玩具级”项目，麻雀虽小，五脏俱全。它不涉及复杂的SLAM或高精度定位，而是聚焦于如何用最基础的硬件（一块STM32F103C8T6核心板和一块OpenMV Cam H7）和清晰的逻辑，实现一个能识别车位、规划路径并完成泊入动作的微型系统。如果你正在学习嵌入式、计算机视觉或者机器人控制，想找一个能串联起多个知识点的综合实践项目，这个案例会非常合适。它涵盖了图像处理、串口通信、PID控制、电机驱动和状态机设计等核心环节，整个过程踩过的坑和获得的经验，远比最终那几行能动的代码更有价值。

这个系统的核心思想是“感知-决策-控制”的经典三层架构。OpenMV作为“眼睛”，负责通过摄像头寻找并识别预设的车位标识（比如地面上贴的色块或特定形状的标签）；STM32作为“大脑”和“小脑”，一方面通过串口接收OpenMV发送的车位坐标信息，另一方面根据这些信息计算出一条泊车轨迹，并生成相应的控制指令；最后，STM32的PWM输出直接驱动两个直流减速电机构成的差速底盘，执行前进、后退、转向等动作，从而完成泊入。整个项目源码和说明文档已经打包，但在这篇分享里，我想重点拆解的是每个模块背后的设计思路、关键参数的考量，以及那些在文档里不会写的、只有在实际调试中才会遇到的“坑”。

2. 硬件选型与系统架构设计解析

为什么是STM32F103和OpenMV H7这个组合？这背后是成本、性能和学习曲线之间的平衡。对于自动泊车这个任务，我们需要一个能跑简单控制算法、有足够定时器和PWM通道驱动电机的MCU，同时还需要一个能实时处理图像、识别图案的视觉模块。STM32F103C8T6（俗称“蓝桥杯”或“最小系统板”）价格低廉，社区资源极其丰富，其ARM Cortex-M3内核完全能胜任多路PWM输出、串口通信和状态机运行的任务。而OpenMV Cam H7则是一个开源的、基于STM32H7系列芯片的机器视觉模块，它内置了MicroPython解释器和丰富的图像处理库，让你可以用Python脚本快速实现颜色追踪、形状检测、AprilTag识别等功能，无需从零开始折腾摄像头驱动和图像算法，极大地降低了视觉部分的入门门槛。

整个系统的物理连接非常简单，但每个连接点都值得深思：

1. 电源部分：这是第一个坑。电机在启动和堵转时会产生很大的瞬时电流，如果和MCU、摄像头共用一套电源且没有做好隔离与滤波，电机一动作，MCU就可能复位，OpenMV的图像也会出现横纹干扰。我的方案是使用两路独立的LM2596降压模块：一路将输入电压（如12V锂电池）稳定到5V，单独给OpenMV供电；另一路稳定到5V后，再经过一个AMS1117-3.3V LDO给STM32核心板供电。电机的驱动电源则直接来自电池，通过电机驱动模块（如L298N或TB6612）进行控制，与逻辑电源在物理上隔离。
2. 通信链路：OpenMV的串口（UART）通过TX、RX、GND三根线与STM32的串口相连。这里的关键是电平匹配和波特率设置。OpenMV的IO口是3.3V电平，STM32F103也是3.3V，所以直接连接即可。波特率通常设置为115200，这个速率在传输简单的坐标数据时绰绰有余，且稳定性好。我曾尝试过921600以求更快，但在电机工作时电磁干扰加剧，误码率明显上升，得不偿失。
3. 控制输出：STM32需要生成四路PWM信号来控制电机驱动模块。以TB6612为例，它需要每台电机两个输入信号（AIN1/AIN2和PWMA 控制电机A， BIN1/BIN2和PWMB控制电机B）。STM32F103C8T6的定时器（如TIM1, TIM2, TIM3, TIM4）可以很方便地配置为PWM输出模式。这里的一个细节是PWM频率的选择。对于常用的直流减速电机，PWM频率通常在1kHz到20kHz之间。频率太低（如几百Hz），电机会听到明显的啸叫声；频率太高，则可能超出电机驱动芯片的响应能力，且开关损耗增大。我最终选定为10kHz，这是一个在安静度、控制响应和硬件兼容性上比较折中的值。

系统的软件架构则是一个典型的前后台系统。OpenMV上运行一个循环脚本，不断捕捉图像，进行图像处理，一旦识别到目标，就将目标的中心坐标（x, y）或者是否存在的标志位通过串口发送给STM32。STM32端，在主循环中通过中断或轮询方式接收这些数据，并将其输入到一个有限状态机中。这个状态机是控制逻辑的核心，它定义了诸如“寻找车位”、“调整姿态”、“倒车入库”、“微调摆正”、“完成泊车”等状态。每个状态下，系统会根据当前的车位坐标、车辆自身的估计位置（通过轮子编码器或简单的时间积分估算）以及目标位置，计算出一组左右轮的目标速度，再通过PID控制器调整PWM占空比，驱动电机达到目标速度，从而引导小车沿着期望的轨迹运动。

3. OpenMV视觉模块：车位识别策略与参数调优

OpenMV的任务是可靠地“看到”车位。在真实车辆中，这可能通过超声波雷达或多线激光雷达完成，但在我们这个模型中，用视觉方案更直观且成本低。我尝试过几种识别方案：

方案一：颜色块识别。这是OpenMV最基础的功能。在地面上粘贴一个鲜明的色块（比如绿色胶带围成的矩形）作为车位标识。

import sensor, image, time from pyb import UART uart = UART(3, 115200) # 初始化串口3，波特率115200 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) # 320x240分辨率，处理速度快 sensor.skip_frames(time = 2000) sensor.set_auto_gain(False) # 必须关闭自动增益，否则颜色阈值会变 sensor.set_auto_whitebal(False) # 关闭白平衡 # 定义绿色阈值的上下限，这个值需要根据实际环境光照反复调整！ green_threshold = (30, 100, -64, -8, -32, 32) while(True): img = sensor.snapshot() # 寻找色块 blobs = img.find_blobs([green_threshold], area_threshold=150, merge=True) if blobs: # 找到最大的色块 largest_blob = max(blobs, key=lambda b: b.area()) # 绘制矩形和十字 img.draw_rectangle(largest_blob.rect()) img.draw_cross(largest_blob.cx(), largest_blob.cy()) # 通过串口发送中心坐标，格式如 "x,y\n" uart.write("%d,%d\n" % (largest_blob.cx(), largest_blob.cy())) else: uart.write("none\n") # 未找到，发送特定标识 time.sleep_ms(50) # 控制发送频率，避免串口堵塞

这个方案的优点是简单、处理速度快。但缺点极其明显：光照影响巨大。早上、中午、晚上，或者开个灯，颜色阈值就可能完全失效。你需要为不同光照环境准备多组阈值，或者引入动态阈值算法，这增加了复杂性。

方案二：AprilTag视觉标签识别。这是更鲁棒、更专业的方案。AprilTag是一种类似于二维码的视觉基准标记系统，但专为机器视觉优化，即使部分遮挡、旋转、光照变化甚至距离较远时，也能被稳定检测到，并能提供完整的6自由度位姿（位置和姿态）估计。

import sensor, image, time, math from pyb import UART uart = UART(3, 115200) sensor.reset() sensor.set_pixformat(sensor.GRAYSCALE) # AprilTag检测通常用灰度图 sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time = 2000) # 定义要识别的AprilTag家族，例如TAG36H11 family = image.TAG36H11 while(True): img = sensor.snapshot() tags = img.find_apriltags(families=family) if tags: for tag in tags: img.draw_rectangle(tag.rect(), color = 127) img.draw_cross(tag.cx(), tag.cy(), color = 127) # AprilTag提供了ID、旋转、平移等信息，比色块丰富得多 # 我们可以发送ID和中心坐标 uart.write("tag:%d,%d,%d\n" % (tag.id(), tag.cx(), tag.cy())) else: uart.write("notag\n") time.sleep_ms(50)

使用AprilTag后，系统的稳定性上了不止一个台阶。你只需要打印一个Tag贴在车位处，OpenMV就能稳定识别，并且还能知道车位的朝向（通过tag的旋转角），这对于需要对准角度的泊车场景非常有用。调优的关键点在于：1.打光：即使AprilTag抗光照能力强，均匀的正面照明也能大幅提高检测距离和稳定性。可以考虑在OpenMV模块上加一个小的LED补光灯。2.对焦：手动调整OpenMV镜头上的对焦环，确保Tag在预期距离上成像清晰。3.分辨率与帧率权衡：更高的分辨率（如VGA）能让你在更远距离检测到Tag，但处理速度会下降。对于低速移动的小车，QVGA分辨率和几十毫秒的检测延迟是完全可接受的。

串口通信协议设计：这是一个容易忽略但至关重要的环节。OpenMV和STM32之间需要约定一种简单、抗干扰的数据格式。我使用的是“关键字+数据”的文本格式，例如“tag:1,160,120\n”表示识别到ID为1的Tag，中心坐标(160,120)。STM32端会以\n为结束符解析一行数据。务必在发送的数据末尾加上换行符，这是很多串口调试问题的根源。另外，要处理接收不完整的情况，STM32端的代码需要有缓冲区并做超时判断。

4. STM32控制核心：状态机与运动控制算法实现

STM32端的代码是整个项目的大脑，其核心是一个精心设计的有限状态机和一个差速运动模型。

4.1 差速运动模型解析

我们的小车是两轮差速驱动，即通过控制左右轮的速度差来实现前进、后退和转弯。这是机器人学中最基础的运动模型之一。 假设：

• V_left：左轮线速度
• V_right：右轮线速度
• V：小车质心线速度
• ω：小车旋转角速度
• L：两轮之间的轮距（轴距）

它们之间的关系为：

V = (V_right + V_left) / 2 ω = (V_right - V_left) / L

这意味着，如果我们想让小车直线前进，只需设置V_left = V_right；想原地旋转，则设置V_left = -V_right。在代码中，我们通常直接设定目标线速度V和角速度ω，然后反解出左右轮的目标速度：

V_left = V - ω * L / 2 V_right = V + ω * L / 2

这个模型是后续所有轨迹规划和PID控制的基础。轮距L需要实际测量，并且这个值会显著影响转弯半径的计算精度。我用尺子量了轮子中心之间的距离，并记录为宏定义。

4.2 有限状态机设计

自动泊车不是一个一蹴而就的动作，而是一系列步骤有序组合的过程。用状态机来管理再合适不过。我定义了以下几个状态：

1. STATE_SEARCH：搜索状态。小车缓慢前进，同时STM32不断解析OpenMV发来的数据，等待识别到车位Tag。
2. STATE_ALIGN：对齐状态。一旦识别到Tag，小车需要调整自身姿态，使车体中心线与Tag中心线对齐，并且到达一个合适的起始泊车点。这个状态需要根据Tag的坐标(x, y)和图像宽度，计算出小车需要横向移动和旋转的角度。
3. STATE_BACKUP：倒车入库状态。这是核心动作。小车以设定的曲率倒车，同时持续监测Tag的位置。当Tag移动到图像中某个特定区域（表示车辆已基本入库）时，转入下一个状态。
4. STATE_ADJUST：微调状态。由于模型误差和滑动，第一次倒车可能不完美。这个状态进行小范围的前后移动和转动，使车辆最终位置居中且摆正。
5. STATE_FINISH：完成状态。停止所有电机，点亮LED提示泊车完成。

每个状态都是一个独立的函数，它们根据当前传感器输入（主要是视觉坐标）和内部计时器，决定是维持本状态、跳转到下一状态还是报错返回搜索状态。状态之间的转换条件需要仔细设计和实地调试。例如，从STATE_ALIGN转换到STATE_BACKUP的条件，不能仅仅是“检测到Tag”，而应该是“Tag中心x坐标在图像中心±10像素内，且y坐标大于某个值（表示距离合适）”。这些阈值都需要在真实场地上反复测试确定。

4.3 PID速度控制

状态机决定了左右轮的目标速度V_left_target和V_right_target，但如何让电机的实际速度跟上目标速度呢？这就需要PID控制器。我为左右轮分别独立配置了一个位置式PID控制器（实际上控制的是PWM占空比，间接控制速度）。

PWM_duty = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt

其中e(t) = V_target - V_actual是速度误差。然而，这里有一个巨大的坑：我们通常没有低成本的速度传感器！对于微型直流减速电机，加装编码器成本剧增。因此，我采用了一种简化方案：开环控制结合定时补偿。即，我默认PWM占空比与电机速度在一定范围内呈线性关系。通过实验，我测量出不同占空比下小车大致的直线速度，建立一个粗略的查找表。在控制时，直接根据目标速度查表得到PWM值。同时，引入一个非常小的P项（比例项）来补偿因电池电压下降、地面摩擦变化带来的误差，但这个P项系数很小，主要起微调作用，而不是真正的速度闭环。

更实用的做法是加入“航向角”的闭环。虽然轮子速度不闭环，但我们可以通过一个廉价的MPU6050（陀螺仪加速度计）来获取小车转弯时的角速度，并对其积分得到航向角（Yaw）。这样，在STATE_ALIGN和STATE_ADJUST状态中，我们可以实现角度闭环PID：比如，需要左转30度，我们就设定目标角度，用PID控制左右轮差速，直到MPU6050反馈的角度达到目标。这比单纯依赖视觉坐标和开环定时控制要精准和稳定得多。我在项目后期加入了MPU6050，控制精度立刻提升了一个档次。

5. 系统集成调试与避坑实战记录

将视觉、控制和机械部分组装起来后，真正的挑战才开始。以下是我在调试过程中遇到的主要问题及解决方案：

问题一：视觉识别延迟与车辆运动不同步。现象：小车在STATE_SEARCH状态下前进时，OpenMV识别到车位Tag，但小车由于惯性会冲过头，导致起始泊车点不准。 分析：从OpenMV捕获图像、处理、发送，到STM32接收、解析、状态切换，存在一个100-200ms的延迟。在这段时间里，小车仍在以原速度运动。 解决：

1. 预测与提前量：在STATE_SEARCH状态，让小车以非常慢的速度前进，减小延迟期间移动的距离。
2. 状态切换缓冲：当接收到有效Tag数据时，不立即跳转到STATE_ALIGN，而是先进入一个STATE_BRAKE（刹车）子状态，发送一段时间的反向PWM让电机快速制动，待车停稳后再开始对齐操作。虽然增加了状态复杂度，但显著提高了可重复性。
3. 使用AprilTag的tag.translation()信息：如果AprilTag标定得好，它可以估计出Tag相对于摄像头的距离（z方向）。我们可以设定一个距离阈值（例如20cm），当小车运动到该阈值范围内时再触发刹车，这比单纯依靠图像像素坐标更物理、更准确。

问题二：电机干扰导致串口数据错乱或MCU复位。现象：每当电机启动或转向时，OpenMV发送的数据偶尔会出错，甚至STM32程序跑飞。 分析：如前所述，电机是大电流感性负载，其启停会产生强烈的电磁干扰（EMI），通过电源线和空间辐射影响微控制器和串口电平。 解决：

1. 电源隔离：如前文硬件部分所述，逻辑电源与电机驱动电源彻底分开，并使用大容量电容（如1000μF电解电容并联0.1μF陶瓷电容）在电机驱动电源输入端进行滤波。
2. 信号隔离：在STM32的PWM输出线和电机驱动模块的输入线之间串联一个100欧姆左右的电阻，可以削弱高频干扰。如果干扰特别严重，可以考虑使用光耦隔离模块，但成本会增加。
3. 软件容错：在STM32的串口接收中断服务程序中，增加数据校验。例如，我使用的数据格式是“tag:%d,%d,%d\n”，在解析时，会严格检查字符串是否以“tag:”开头，是否包含两个逗号，以及转换后的数字是否在合理的图像坐标范围内（0-320， 0-240）。任何一步出错，这一帧数据都会被丢弃，等待下一帧。这保证了即使有偶发干扰，系统也不会因错误数据而崩溃。

问题三：地面摩擦不均导致轨迹偏离。现象：在STATE_BACKUP倒车时，理论上左右轮速度相同，小车应直线后退，但实际上总会偏向一边。 分析：即使是同一型号的电机，其内部阻力、齿轮间隙也有微小差异，加上地面平整度和摩擦系数不可能绝对均匀，导致两个轮子的实际转速有细微差别，长时间累积就会产生明显偏差。 解决：

1. 加入航向角反馈（再次强调）：这是治本的方法。通过MPU6050实时读取Z轴角速度，积分得到偏航角。在倒车过程中，不断用小幅度差速（例如让偏快一侧的轮子略微减速）来修正航向角，使其保持为0（直线后退）。这实现了一个真正的“航向闭环控制”。
2. 开环补偿：如果没有IMU，可以做一个简单的实验：让小车在目标场地上空载直线前进5米，测量其最终偏离直线的距离。根据几何关系，可以反推出左右轮的速度比例系数。例如，如果总是向右偏，说明左轮实际速度比右轮快，那么在代码中给左轮的目标速度乘一个略小于1的系数（如0.98），给右轮乘一个略大于1的系数（如1.02），进行静态补偿。这个方法很粗糙，且在不同地面、不同电池电量下需要重新校准。

问题四：起始位置容错性差。现象：要求小车必须从非常精确的位置和角度开始搜索，否则整个泊车流程就会失败。 分析：状态机的转换条件设计得过于苛刻，没有考虑初始误差。 解决：放宽STATE_ALIGN（对齐状态）的判定条件，并使其成为一个更智能的“逼近”过程。例如，不是要求Tag中心x坐标必须严格等于图像中心，而是设计一个比例控制：角速度ω = Kp * (tag_cx - image_center_x)。这样，小车会自动朝着使Tag居中的方向转动，形成一个平滑的视觉伺服过程。同时，y坐标（代表距离）也采用类似的比例控制来调整前进/后退速度。这样，只要Tag在视野内，小车就能自动调整到合适的起始位姿，大大提升了系统的鲁棒性和用户体验。

6. 项目源码结构与关键代码剖析

提供的源码包解压后，主要包含两个工程目录：OpenMV_Script和STM32_Project，以及一个Documentation文件夹。

6.1 OpenMV脚本工程 (OpenMV_Script/main.py)

这是运行在OpenMV Cam H7上的主脚本。其结构清晰：

• 初始化部分：配置摄像头参数（分辨率、色彩模式、关闭自动增益和白平衡以稳定颜色识别）、初始化串口。
• 主循环：
  1. img = sensor.snapshot()捕获一帧图像。
  2. 调用img.find_apriltags()或img.find_blobs()进行识别。
  3. 如果找到目标，计算其中心坐标，并可能进行一些滤波（比如只取面积最大的目标）。
  4. 按照预定的协议格式，通过uart.write()发送数据。数据发送频率通过time.sleep_ms()控制，避免过高频率导致串口缓冲区溢出或STM32处理不过来。
• 关键技巧：
  • 在脚本开头进行镜头标定？对于AprilTag，OpenMV内部已经集成了标定，只要你知道镜头的焦距（焦距可以通过一个简单的标定程序计算出来，网上有现成脚本），find_apriltags函数返回的tag.translation()就是真实世界中的近似距离（单位是米），这比像素坐标有用得多。我在代码中预留了使用translation()[2]（即Z轴距离）作为判断条件的接口。
  • 图像处理前可以加一个img.lens_corr()函数进行镜头畸变校正，对于广角镜头尤其有用，能让检测更准确。

6.2 STM32工程 (STM32_Project)

基于Keil MDK或STM32CubeIDE开发，使用HAL库或标准外设库。核心文件包括：

• main.c：包含主循环、状态机主函数Parking_StateMachine()、串口中断回调函数。
• motor.c/h：电机驱动层，封装了PWM初始化、设置左右轮速度的函数（如Set_Motor_Speed(int left, int right)）。这里实现了前文提到的速度开环映射或简单的P补偿。
• pid.c/h：PID控制器实现，虽然速度环可能没用到，但航向角PID控制会用到。
• uart_parser.c/h：串口数据解析器。包含一个环形缓冲区，在串口中断中填充数据，在主循环中解析出完整的、符合格式的一行命令。
• imu_mpu6050.c/h（如果包含）：MPU6050的驱动，通过I2C读取原始数据，进行滤波（如互补滤波）和解算，得到稳定的姿态角。
• state_*.c：各个状态的具体实现函数，如state_align(), state_backup()等。

一个关键函数示例：状态机调度

void Parking_StateMachine(void) { switch(current_state) { case STATE_SEARCH: // 控制小车慢速前进 Set_Motor_Speed(SEARCH_SPEED, SEARCH_SPEED); // 检查串口解析器是否有新的有效Tag数据 if (uart_has_new_tag_data()) { Parse_Tag_Data(&tag_x, &tag_y, &tag_id); if (tag_id == EXPECTED_PARKING_TAG_ID) { current_state = STATE_BRAKE; // 先刹车 brake_timer = HAL_GetTick(); } } break; case STATE_BRAKE: // 刹车200ms Set_Motor_Speed(-BRAKE_POWER, -BRAKE_POWER); if (HAL_GetTick() - brake_timer > 200) { Set_Motor_Speed(0, 0); current_state = STATE_ALIGN; align_start_time = HAL_GetTick(); } break; case STATE_ALIGN: // 使用Tag的x坐标进行比例控制，使Tag居中 int error_x = tag_x - IMAGE_CENTER_X; float omega = ALIGN_KP * error_x; // 计算目标角速度 // 根据当前距离（tag_y或tag.translation[2]）计算目标线速度V float V = ALIGN_SPEED; // 可能是一个根据距离变化的函数 // 差速模型计算左右轮速 float left_speed = V - omega * WHEEL_BASE / 2.0f; float right_speed = V + omega * WHEEL_BASE / 2.0f; Set_Motor_Speed((int)left_speed, (int)right_speed); // 检查对齐条件：误差小于阈值且持续一段时间 if (abs(error_x) < ALIGN_THRESHOLD) { if (HAL_GetTick() - align_start_time > ALIGN_HOLD_TIME) { current_state = STATE_BACKUP; backup_start_time = HAL_GetTick(); } } else { align_start_time = HAL_GetTick(); // 条件不满足，重置计时 } break; // ... 其他状态类似 default: break; } }

这个函数在每个主循环周期中被调用，根据current_state执行相应的动作和状态转移判断。这里的一个细节是使用了非阻塞式延时，比如STATE_BRAKE中通过对比当前时间戳和开始刹车的时间戳来判断是否结束，而不是用HAL_Delay()，这样就不会阻塞整个程序，其他任务（如串口接收）可以照常运行。

7. 扩展思考与优化方向

这个基础项目跑通后，有很多方向可以深入优化，让它更接近一个“智能”系统：

1. 多传感器融合：目前严重依赖单一视觉传感器。可以增加：

   • 超声波传感器：在倒车入库的最后阶段，用于检测与后方障碍物的实际距离，实现精准停靠，避免撞墙。可以将超声波的数据与视觉的Tag距离估计进行融合，提高可靠性。
   • 编码器：在电机上安装增量式编码器，实现真正的双轮速度闭环控制。结合轮子里程计，可以进行简单的航迹推算，即使短暂丢失视觉信号，也能估计出自身位置。
   • 惯性测量单元：如前所述，MPU6050等IMU对于测量角速度、补偿车辆倾斜非常有用。

2. 路径规划算法：目前的倒车路径是简单的圆弧或直线。可以引入更优的路径规划，例如Reeds-Shepp曲线或Dubins路径，这些是机器人学中用于计算满足最小转弯半径约束的最短路径的经典方法。规划出的路径可能由多段圆弧和直线组成，控制逻辑需要相应升级来跟踪这条路径。

3. 更高级的视觉处理：除了AprilTag，可以尝试：

   • 线段检测：识别停车位的边界线。OpenMV的find_line_segments()函数可以检测图像中的直线段，通过筛选和组合，可以重构出停车位的轮廓。这对光照的依赖性比颜色低，但算法更复杂。
   • 机器学习：在OpenMV上运行轻量级的神经网络模型（如TinyML），直接检测车位。OpenMV的H7系列芯片支持一些基本的神经网络框架。这将是迈向“通用车位识别”的一大步。

4. 上位机监控与调试：通过STM32的另一个串口连接蓝牙模块（如HC-05）或Wi-Fi模块（如ESP-01S），将小车的实时状态（如当前状态、传感器数据、电机PWM值）发送到电脑或手机上的上位机软件。这能极大地方便调试和算法优化。你可以用Python的PyQt或Tkinter快速写一个显示小车轨迹和数据的可视化界面。

这个项目最大的收获不是做出了一个能自动泊车的小车，而是在这个过程中，你将嵌入式开发、硬件电路、实时控制、计算机视觉和基础机器人学等多个领域的知识串联了起来，并亲手解决了其中涌现出的无数工程问题。每一个参数的调整，每一个异常的排查，都是对“系统思维”和“调试能力”的绝佳锻炼。希望这份详细的拆解和心得，能帮助你少走一些弯路，更深入地享受从零搭建一个智能系统的乐趣。

本文还有配套的精品资源，点击获取