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协同开发，解决智能车辆视觉识别与运动控制融合的关键问题，适用于课程设计、电赛备赛及毕业设计等实践场景。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STM32底层驱动、DMP姿态解算、定时器/ADC/USART/I2C等外设控制及PID轨迹跟踪核心逻辑；另含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，2个HEX固件可直接烧录，以及Keil工程（.uvprojx）、Markdown说明文档（.md）和PNG示意图等，整体体积仅823KB，结构清晰、模块解耦。目前已有348人学习下载，提供从硬件通信协议、车位边缘检测算法到电机闭环控制的全链路代码与注释，配套bat清理脚本与日志文件便于调试复现。
1. 项目概述：当STM32遇见OpenMV，一个低成本自动泊车的诞生
最近在整理过去的项目资料，翻到了一个挺有意思的玩意儿——一个基于STM32和OpenMV实现的自动泊车系统。这可不是什么实验室里的概念验证，而是我们当时为了参加一个嵌入式挑战赛，真刀真枪做出来的一个简化版原型。核心思路就是用OpenMV这个“智能眼睛”识别车位，然后STM32这个“大脑”控制小车底盘完成泊入动作。整个项目的硬件成本可以控制在几百元以内，非常适合学生党、嵌入式爱好者或者想入门机器视觉控制的朋友们练手。如果你手头正好有一块STM32开发板和一个OpenMV Cam，想搞点既有趣又有挑战性的项目，那么这个自动泊车系统会是一个绝佳的选择。它麻雀虽小，五脏俱全，涵盖了图像处理、串口通信、PID控制、电机驱动等多个嵌入式开发的核心知识点。
2. 系统核心设计与思路拆解
2.1 为什么选择STM32+OpenMV的组合？
在做这个项目之前，我们评估过几种方案。一种是用树莓派+摄像头，运行完整的OpenCV，功能强大但成本高、功耗大，对于实时性要求高的电机控制，树莓派上跑Linux的实时性是个软肋。另一种是纯STM32+普通摄像头，需要自己写复杂的图像处理算法，对单片机算力是巨大挑战。最终，OpenMV进入了我们的视野。
OpenMV本质上是一个集成了MicroPython解释器和专用图像处理库的摄像头模块。它的最大优势是把很多常用的机器视觉算法（如颜色追踪、人脸检测、AprilTag识别等）做成了硬件加速的库函数，开发者用几行Python代码就能调用，极大地降低了视觉应用的门槛。对于自动泊车中的车位线识别这种任务，OpenMV的算力绰绰有余。而STM32则专注于它最擅长的事情：高实时性的IO控制、PWM生成、编码器读取和运动控制算法（如PID）的执行。两者通过串口进行通信，OpenMV将识别结果（如车位中心坐标、角度偏差）发送给STM32，STM32据此计算控制量驱动电机。这种“视觉协处理器+主控制器”的架构，在成本、功耗和实时性上取得了很好的平衡。
2.2 自动泊车流程的整体逻辑设计
我们的目标是实现一个垂直车位的自动泊入。整个流程被分解为几个清晰的阶段，这是一个典型的有限状态机（FSM）设计，非常适合用STM32来实现。
第一阶段：巡线搜索车位。小车沿着预设的路线（比如一条直线）前进，同时OpenMV持续扫描右侧区域，寻找由两条平行线段构成的“U”型或“L”型车位入口标志。这里我们没有采用复杂的车位检测算法，而是简化成寻找特定颜色（如白色）的线段组合，这在实际的停车场地面标线中很常见。
第二阶段：定位与调整。一旦识别到符合特征的车位入口，OpenMV会计算出车位中心线相对于摄像头视野中心的横向偏移量和角度偏差。STM32接收到这些数据后，控制小车进行横向移动和角度微调，目的是让小车车身与车位中心线基本平行并对齐。
第三阶段：泊入执行。调整到位后，小车开始执行倒车入库动作。STM32会生成一条简单的倒车路径（例如，先直线倒车一段，再打方向），并通过左右轮差速控制来实现阿克曼转向或差速转向（取决于小车底盘结构）。在整个倒车过程中，OpenMV可能持续提供微小的位置反馈，用于闭环修正，或者系统开环执行预设动作，取决于算法复杂度。
第四阶段：泊入完成与微调。当小车倒车至预设的终点位置（可通过超声波传感器测距或编码器里程计判断），停车，然后可能进行最后的前后微调，确保车辆停正。
注意：这是一个简化模型。真实车辆泊车还需考虑车体动力学、障碍物避让等。本项目重点在于打通“视觉感知-决策控制”的链路，验证核心可行性。
3. 硬件平台搭建与核心模块解析
3.1 STM32主控板与电机驱动选型
主控我们选择了STM32F103C8T6，也就是常说的“蓝色药丸”核心板。它资源丰富（72MHz主频，64KB Flash，20KB RAM），外设齐全，社区支持度极高，成本仅十几元。对于控制两个直流电机、读取编码器、与OpenMV通信等任务，其性能完全过剩。
电机驱动模块的选择至关重要，它决定了小车的动力和可控性。我们对比了常用的L298N、TB6612FNG和DRV8833。
- L298N：老牌芯片，驱动能力强，但发热量大，效率较低，需要外加散热片。
- TB6612FNG：效率高，发热小，内置待机与短路保护，逻辑电压与驱动电压分离，设计更合理。
- DRV8833：体积更小，适合微型小车，但持续电流相对较小。
考虑到稳定性和性能，我们最终选择了TB6612FNG模块。它通过两个PWM输入控制一个电机的速度和方向，STM32只需产生两路PWM波和两个方向控制电平即可。接线时务必注意要将驱动板的逻辑供电（VCC）接STM32的3.3V或5V，电机供电（VM）接单独的电池（如7.4V锂电池），并共地，否则可能无法正常工作甚至烧毁芯片。
3.2 OpenMV Cam的选型与配置
OpenMV有多个版本，我们用的是OpenMV Cam H7 Plus。它相比M7版本，处理器更强（STM32H7），RAM更大（1MB），运行更复杂的图像算法更流畅。对于车位线识别，其实M4版本也足够，但考虑到未来可能增加更多功能，H7版本更有余地。
OpenMV的开发环境是其官方IDE，基于MicroPython。第一步是烧录最新的固件到摄像头中。连接摄像头后，IDE会自动识别并提示更新。固件烧录完成后，就可以在IDE中编写和运行Python脚本了。我们需要配置摄像头的基本参数，如分辨率、帧率、色彩格式等。对于巡线识别，我们选择了QQVGA (160x120)或QVGA (320x240)的分辨率，在保证处理速度的同时，也能提供足够的细节。色彩格式通常用RGB565。
3.3 车体底盘与传感器集成
小车底盘我们选用了一款常见的两轮差速驱动机器人底盘，带减速电机和编码器。编码器对于实现精确的位置控制（如倒车距离）至关重要。STM32的定时器编码器接口模式可以轻松读取正交编码器的脉冲数，换算成轮子转动的距离。
除了视觉，我们还增加了一个HC-SR04超声波模块，安装在小车前部。它的作用有两个：一是在巡线阶段辅助探测前方障碍物；二是在泊入的最后阶段，提供与车位前端障碍物（或模拟墙壁）的距离，作为停止倒车的最终判断条件之一，形成视觉+距离传感器的冗余判断，提高可靠性。
整个系统的供电由一块7.4V 2000mAh的锂电池提供，通过一个降压模块（如LM2596）稳压到5V，分别为STM32、OpenMV、TB6612FNG的逻辑部分供电。电机则直接由锂电池经过驱动板供电。务必做好电源的滤波和隔离，电机启停造成的电压波动可能会干扰微控制器和摄像头。
4. 软件架构与核心代码实现
4.1 OpenMV端：车位线识别算法详解
OpenMV端的核心任务是找到并测量车位线。我们采用以下步骤：
- 图像预处理：首先，使用
img.lens_corr()函数进行镜头畸变校正，这对于后续的直线检测精度提升很有帮助。然后，将彩色图像转换为灰度图img.to_grayscale()，再进行高斯模糊img.gaussian_blur以减少噪声。 - 边缘检测与二值化：使用Canny算子或简单的阈值二值化来突出边缘。由于车位线通常是高对比度的，我们可以用一个较高的阈值进行二值化，将白色或黄色标线提取出来。
# 示例：二值化处理 thresholds = (220, 255) # 针对白色标线 binary_img = img.binary([thresholds], invert=False) - 直线检测：这是最关键的一步。OpenMV提供了
find_line_segments()函数，可以高效地检测图像中的线段。我们需要对检测到的所有线段进行过滤。line_segments = img.find_line_segments(threshold=1000, theta_margin=25, rho_margin=25) for l in line_segments: # 过滤掉过短的线段 if l.length() < 20: continue # 计算线段角度，只保留近似垂直的线段（假设车位线是垂直于车行方向的） angle = l.theta() if (angle > 70 and angle < 110) or (angle > -110 and angle < -70): # 这是潜在的车位边界线 valid_lines.append(l) - 车位特征匹配：在
valid_lines中，寻找两条近似平行、距离接近标准车位宽度（在图像中的像素距离）、且下端点在图像底部附近能连成“U”形的线段对。找到后，计算这个“U”形区域的中心点坐标(center_x, center_y)和平均角度。 - 数据打包与发送：将识别结果（如车位状态：未找到/已找到；中心点x坐标；角度偏差）通过串口发送给STM32。我们定义了一个简单的协议，例如：
“F,120,5\n”表示车位已找到(F)，中心点在x=120像素处，角度偏差为+5度。
4.2 STM32端：通信协议解析与状态机实现
STM32端使用HAL库开发。首先配置一个USART串口，以中断方式接收来自OpenMV的数据。
通信协议解析：我们设计一个简单的字符协议。例如，每帧数据以逗号分隔，以换行符\n结束。在串口中断服务函数中，将字符存入缓冲区，当检测到\n时，置位一个标志位。在主循环中检查该标志位，然后调用解析函数parse_received_data()。
// 示例解析函数 void parse_received_data(char* buffer) { char *token; token = strtok(buffer, ","); if (token != NULL) { if (strcmp(token, "F") == 0) { // 找到车位 parking_status = FOUND; token = strtok(NULL, ","); center_offset = atoi(token); // 中心偏移 token = strtok(NULL, ","); angle_error = atoi(token); // 角度误差 } else if (strcmp(token, "N") == 0) { // 未找到 parking_status = SEARCHING; } } }主控状态机实现：主循环是一个大的switch-case，根据parking_status状态变量执行不同任务。
switch(parking_status) { case SEARCHING: // 控制小车匀速直线前进 set_motor_speed(BASE_SPEED, BASE_SPEED); break; case FOUND: // 进入调整阶段：根据center_offset和angle_error计算左右轮速差，进行横向和角度调整 adjust_position(center_offset, angle_error); if (adjustment_done()) { // 调整完成判断 parking_status = BACKING; } break; case BACKING: // 执行倒车入库轨迹控制 execute_backing_sequence(); if (backing_finished()) { // 通过编码器或超声波判断是否到位 parking_status = FINISHED; stop_motors(); } break; case FINISHED: // 泊车完成，闪烁LED提示 break; }4.3 运动控制：PID调速与轨迹跟踪
为了让小车运动平稳、准确，我们引入了PID控制器。
电机速度PID控制：每个电机构成一个速度环。通过定时器中断（例如1ms）读取编码器值，计算实际转速。与目标转速比较得到误差，经过PID运算后，输出新的PWM占空比。这里我们通常只使用PI控制（比例+积分）就足够了，D项（微分）容易引入噪声。
// 简化的PI计算函数 float calculate_pi(float error, float *integral, float kp, float ki) { *integral += error; // 积分限幅，防止积分饱和 if (*integral > INTEGRAL_LIMIT) *integral = INTEGRAL_LIMIT; if (*integral < -INTEGRAL_LIMIT) *integral = -INTEGRAL_LIMIT; return (kp * error + ki * (*integral)); }轨迹跟踪控制：在倒车阶段，我们给定期望的轨迹（例如，一段圆弧）。通过小车的运动学模型，可以将轨迹上每个点的位姿（位置和朝向）转换为左右轮的目标速度。然后，小车通过编码器反馈的实际位移，计算出与期望位姿的偏差，再利用一个上层的位置PID控制器去修正速度目标值，从而让小车尽可能沿着期望轨迹运动。对于这个入门项目，我们可以简化为一组顺序执行的“动作元”，比如“左轮慢速，右轮快速，持续2秒”，通过编码器确保执行到位，也能达到不错的效果。
5. 系统联调与参数整定实战
5.1 OpenMV与STM32的通信联调
这是软硬件结合的第一步，也是最容易出问题的地方。首先确保物理连接正确：OpenMV的TX接STM32的RX，RX接TX，GND互联。然后确认双方波特率、数据位、停止位、校验位等参数完全一致，常用115200 8N1。
调试时，可以先让OpenMV固定发送一个测试字符串，如“Hello\n”。在STM32端，使用串口调试助手功能（或者简单点，将接收到的字符通过另一个串口打印到电脑）查看是否能正确接收。常见问题包括：
- 乱码：波特率不匹配。
- 接收不完整：没有正确处理帧尾（如
\n），或者接收缓冲区溢出。务必在STM32的串口接收中断中做超时和缓冲区满的判断。 - 数据错位：解析逻辑错误，比如
strtok函数使用不当。建议在解析前先将接收缓冲区的内容原样打印出来核对。
5.2 视觉识别参数的现场标定
OpenMV的识别效果高度依赖于现场光照和场地条件。因此，所有阈值参数都不能写死，必须提供现场标定的方法。
我们在OpenMV的脚本开头，可以定义一个“标定模式”。当按下OpenMV板载的复位按钮时，进入该模式。在此模式下，脚本会实时显示摄像头画面，并在IDE的帧缓冲区查看器中，用矩形框出识别到的线段。我们可以通过观察，动态调整二值化的阈值、线段检测的阈值、长度过滤阈值等，直到能稳定地框出车位线。将这些调试好的参数记录下来，更新到代码中。也可以设计一个简单的菜单，通过串口发送指令给OpenMV，让其动态调整参数并反馈效果，这样就不用反复烧录脚本。
5.3 PID控制参数的整定技巧
PID参数整定是让小车运动丝滑的关键。遵循“先P后I再D”的原则，并且将D设为0。
- 整定速度环PI：首先让小车一个轮子空转（抬起底盘），给定一个固定的目标速度（如每秒10个编码器脉冲）。先设
Ki=0，逐渐增大Kp。Kp太小，电机响应慢；Kp太大，电机会在目标速度附近剧烈振荡。找到一个刚开始出现轻微振荡的Kp值，然后将其乘以0.6到0.8作为最终值。然后加入Ki，Ki的作用是消除静差（即实际速度与目标速度的稳定误差）。从小值开始慢慢增加，直到静差在可接受范围内，且系统响应不过分迟缓。注意Ki值太大会导致积分饱和，引起超调和持续振荡。 - 整定位置环P（如果用到）：在调整阶段，我们可能用一个简单的P控制器来控制小车的横向位置偏差。让小车对准一个标记线，给定一个偏移指令。增大
Kp直到小车能快速响应并稳定在目标位置，但又不产生明显的来回晃动。位置环通常不需要I和D。
实操心得：整定PID时，一定要将调试数据可视化。可以在STM32代码中，将目标速度、实际速度、PWM输出值通过串口实时发送到电脑，用Serial Plotter（Arduino IDE自带）或Python的Matplotlib绘制曲线图观察，这比单纯看小车动作要直观有效得多。
6. 常见问题排查与项目优化方向
6.1 典型问题速查表
| 问题现象 | 可能原因 | 排查步骤与解决方案 |
|---|---|---|
| OpenMV无法识别车位线 | 1. 光照过暗/过亮/反光。 2. 二值化阈值设置不当。 3. 摄像头焦距未调好，画面模糊。 | 1. 改善光照环境，或尝试使用img.hist_eq()直方图均衡化增强对比度。2. 进入标定模式，实时调整阈值。 3. 手动旋转OpenMV镜头，直到画面清晰。 |
| 小车巡线时左右摇摆 | 1. 视觉处理延迟大。 2. 位置环PID的 Kp过大。3. 电机响应速度慢。 | 1. 降低OpenMV图像分辨率或帧率，优化识别算法复杂度。 2. 减小位置环的 Kp值。3. 检查电机驱动供电是否充足，提高速度环PID的响应性。 |
| 倒车轨迹偏差大 | 1. 左右轮实际直径/摩擦力有差异。 2. 编码器计数不准。 3. 运动学模型参数不准。 | 1. 分别测试左右轮在相同PWM下的实际转速，加入一个微调系数进行补偿。 2. 检查编码器接线，确保A/B相序正确，软件去抖。 3. 精确测量轮间距和轮子直径，代入模型重新计算。 |
| 串口通信偶尔丢数据 | 1. 波特率误差累积。 2. 中断被其他高优先级任务打断。 3. 缓冲区溢出。 | 1. 确保双方时钟配置准确，可适当降低波特率。 2. 优化中断优先级，通信中断优先级应设为较高。 3. 增大接收缓冲区，并做好溢出保护。 |
| 系统运行一段时间后复位 | 1. 电源电压被电机拉低。 2. 程序跑飞（数组越界、栈溢出）。 3. 看门狗未喂狗。 | 1. 用示波器观察系统电源电压在电机启动时的波动，加强电源滤波，电机电源与逻辑电源分离。 2. 使用静态代码分析工具，检查数组访问。增大栈空间。 3. 如果使能了看门狗，确保在主循环中定期喂狗。 |
6.2 项目扩展与优化思路
这个基础版本成功后，你可以从多个方向进行深化，把它变成一个更强大的学习平台：
- 多传感器融合：引入IMU（如MPU6050），与视觉和编码器数据进行融合滤波（如互补滤波、卡尔曼滤波），得到更准确、更稳定的小车姿态和位置信息，尤其在打滑时编码器会失效，IMU能提供补充。
- 更复杂的视觉算法：尝试使用OpenMV的AprilTag功能。在地面或车位后方放置一个AprilTag二维码，小车可以直接通过识别Tag来获得精确的、带有尺度信息的相对位姿，从而规划出更优的泊车路径，这比识别线段要鲁棒得多。
- 路径规划算法集成：在STM32上实现简单的路径规划算法，如基于圆弧和直线的Reeds-Shepp曲线，计算出从当前位置到目标车位的最优路径序列，而不仅仅是执行固定的倒车动作。
- 上位机监控与调试：开发一个简单的PC端或手机端上位机，通过Wi-Fi模块（如ESP8266）或蓝牙接收小车的位置、状态、摄像头图像（可压缩后传输）等信息，实现远程监控、参数在线调整和轨迹回放，极大提升调试效率。
- 转向机构改造：将两轮差速底盘升级为带舵机的阿克曼转向底盘，这样更接近真实汽车的运动模型，可以研究更符合实际的车辆运动控制算法。
这个项目从视觉识别到运动控制，贯穿了嵌入式系统开发的多个核心环节。调试过程中会遇到各种各样的问题，从硬件干扰到软件时序，从参数整定到算法逻辑，每一个问题的解决都是宝贵的经验。它不仅仅是一个自动泊车demo，更是一个可玩性极高、扩展性极强的嵌入式机器视觉与控制综合实验平台。
本文还有配套的精品资源，点击获取
