挑战全网最低成本！STM32+OpenCV+PID 打造“视觉追踪火控云台” (附源码)

前言

想做一个“软硬结合”的项目，于是选择了当下最火的机器视觉方向。

市面上的视觉云台动辄几百上千，作为一个穷学生，我决定挑战极限：用最便宜的 SG90 舵机（3元/个）配合 STM32(hal库) 和 Python，手搓一个 AI 自动瞄准系统。

虽然硬件简陋，但通过引入 PID 控制算法 和 视差补偿逻辑，我成功克服了廉价舵机的抖动问题，实现了还不错的追踪效果。

一、 硬件清单：成本不到一杯咖啡 ☕️

这个项目的核心理念就是“低成本”。

二、 系统架构设计 🛠️

整个系统分为 上位机 (电脑) 和 下位机 (STM32) 两部分，通过串口通讯。

• PC 端 (Python): 负责“眼睛”和“大脑”。使用 OpenCV 捕捉目标（橙色小球），计算坐标误差，并通过 PID 算法计算出舵机需要移动的角度，通过串口发送。
• STM32 端 (C语言): 负责“手”。接收串口数据，解析指令，输出 PWM 波控制舵机转动。
• 工作流程：摄像头 —> Python —> 串口 —> STM32 —> 舵机

三、 核心难点突破 (干货部分) ⚡️

1. 视觉识别：HSV 颜色空间提取

为了快速锁定目标，我使用了颜色阈值分割。相比于 RGB，HSV 空间对光照更具有鲁棒性。

2. 通信协议：如何防止数据“打架”

为了保证 STM32 能准确解析数据，我设计了简单的包格式：X增量,Y增量\n。

在 STM32 端，使用 sscanf 进行解析，只有检测到 \n 换行符才开始处理，有效防止了粘包问题。

3. 灵魂算法：PID 控制与消抖 (重点！)

这是本项目的最大挑战。 SG90 舵机存在极大的虚位和死区。

• 初期问题： 使用简单的比例控制 (P)，云台在目标附近疯狂“摇头”（震荡）。
• 解决方案： 引入 PID 算法。
  • P (比例): 提供响应速度。
  • D (微分): 提供“阻尼感”，在接近目标时提前刹车，消除抖动。
  • 软件死区： 当误差小于 40 像素时，强制停止调整，防止舵机在终点附近反复横跳。

 # PID 代码 import time   
class PID:     
    def __init__(self, kp, ki, kd):         
        self.kp = kp  # 比例（动力）         
        self.ki = ki  # 积分（很少用）         
        self.kd = kd  # 微分（阻尼/防抖）          
        self.last_error = 0         
        self.last_time = time.time()
      
    def compute(self, error):         
        current_time = time.time()         
        delta_time = current_time - self.last_time          
        # 防止时间过短导致除以0 
        if delta_time <= 0: 
            delta_time = 0.001                    # P: 比例项         
            p_out = self.kp * error               # D: 微分项 (本次误差 - 上次误差) / 时间         
            derivative = (error - self.last_error) / delta_time         
            d_out = self.kd * derivative          # I: 积分项 (视觉追踪通常不需要，设为0即可) 
        # 如果需要，这里可以加 integral 逻辑 
   
        # 总输出         
    output = p_out + d_out          # 更新状态         
    self.last_error = error         
    self.last_time = current_time          
return output
 

四、 效果展示 & 遇到的坑 💣

1. 物理视差问题

现象： 摄像头识别准了，但激光总是打偏。

分析： 激光笔是粘在云台上的，两者物理上不重合。

解决： 在 Python 代码中加入 OFFSET_X 和 OFFSET_Y 进行软件补偿。

2. 成果展示

虽然受限于 SG90 的机械精度，无法做到指哪打哪的工业级精度，但它已经能灵敏地跟随小球运动。

五、 源码下载 📥

本项目的完整代码（Python上位机 + STM32源码）已上传。

Github链接：https://github.com/edythieajahgsgshwtvwywvwfd-sketch/S90_aim_ball/tree/master

​