基于ROS2与视觉算法的四轮差速机器人巡线开发全流程解析

简介：本资源是一个基于ROS2实现视觉巡线功能的四轮差速驱动机器人完整工程包，面向高校机器人方向本科生、研究生及ROS初学者，适用于毕业设计、课程设计与自主导航算法实践。项目融合机器视觉、运动控制与ROS2节点通信，解决移动机器人在结构化路径（如黑白线）下的实时识别与闭环跟踪问题。压缩包共132个文件，涵盖13个XML（含package.xml与URDF配置）、13个CMakeLists.txt（构建脚本）、4个URDF（机器人模型描述）、6个WORLD（Gazebo仿真环境）、4个PY/CPP（图像处理与控制核心节点）、以及README.md、launch、rviz、config等典型ROS2工程结构文件，整体仅744KB，轻量但结构规范。已有75人学习下载，资源包含可直接编译运行的完整节点链路：从cv_bridge图像桥接、OpenCV颜色阈值与轮廓提取，到PID路径跟踪控制器与四轮差速运动学转换，辅以仿真与实机适配说明，是理解ROS2视觉导航系统集成的优质入门范例。

1. 项目概述：从零到一，打造一个能“看懂”路线的轮式机器人

如果你玩过乐高机器人或者参加过一些机器人比赛，对“巡线”这个概念应该不陌生。简单说，就是让小车沿着地面上画好的线（通常是黑色胶带）自动行驶。这听起来像是机器人领域的“Hello World”，但真要自己动手从零搭建一个，尤其是用上ROS2这样的现代机器人框架，你会发现里面门道不少。这个“基于ROS2的视觉巡线功能的四轮差速驱动机器人”项目，就是一个绝佳的练手机会。它麻雀虽小，五脏俱全，几乎涵盖了移动机器人开发的所有核心环节：硬件选型与组装、底层电机驱动、摄像头图像采集、视觉算法处理、ROS2节点通信、以及最上层的控制逻辑。

为什么用ROS2？ROS1已经非常成熟，但ROS2在实时性、跨平台（尤其是Windows和嵌入式系统）以及更现代化的通信机制（DDS）上优势明显，是未来机器人开发的主流。而选择四轮差速驱动，是因为它结构简单、控制直观，非常适合室内平坦地面的移动平台，是学习移动机器人运动学的经典模型。视觉巡线则是将感知（摄像头）与决策（控制算法）结合起来的典型应用，比单纯的超声波避障或红外巡线更有挑战性，也更有趣。

这个项目适合谁？无论你是机器人专业的学生想找一个综合性的课程设计，还是嵌入式或软件工程师想跨界了解机器人系统，亦或是纯粹的爱好者想拥有一个能跑起来的智能小车，这个项目都能带你走完一个完整的开发闭环。你不需要有深厚的ROS背景，但需要对Linux命令行、Python/C++编程有基本了解，并且有一颗不怕折腾、乐于动手的心。接下来，我会带你一步步拆解这个项目，不仅告诉你怎么做，更会解释为什么这么做，以及我在实际搭建中踩过的那些坑。

2. 硬件平台选型与搭建：不只是“拼积木”

硬件是机器人的身体，选型和搭建决定了项目的上限和下限。一个稳定的硬件平台是后续所有软件调试的基础。对于这个视觉巡线机器人，我们可以将其硬件分解为几个核心模块：移动底盘、主控计算单元、视觉传感器、电源系统。

2.1 移动底盘与驱动电机选型

四轮差速驱动的核心在于左右两侧的轮子可以独立控制转速。通常，我们会使用两个带编码器的直流减速电机分别驱动左侧两轮和右侧两轮，同侧车轮通过连杆或同步带保持同步。这里有几个关键选择：

电机与驱动板：对于教育或爱好者级别的机器人，TB6612FNG或DRV8833这类双路电机驱动芯片模块是性价比之选。它们可以通过PWM信号控制速度，通过两个逻辑电平控制方向（正转/反转）。我强烈建议选择带编码器的电机，虽然初期巡线可能用不上编码器的里程计信息，但它为后续的定位、导航功能留下了扩展空间。编码器分辨率不用追求极高，每转几百线（PPR）足以。

底盘结构：你可以购买现成的亚克力或金属底盘套件，也可以自己3D打印。重点考虑几点：1)重心：电池和主控板尽量放在底盘中心或偏低位置，防止急停时翻车。2)万向轮：四轮差速需要两个驱动轮和两个从动万向轮。万向轮建议使用球轮而非简单的小脚轮，后者在转向时摩擦力大，会影响运动精度。3)摄像头安装高度：这直接影响视觉视野。一个可调节的立柱非常有用，方便你调整摄像头距地面的高度，从而改变画面中巡线区域的宽度。

我的踩坑经验：第一次搭建时，我用了普通的玩具小车底盘，其万向轮是简单的塑料片结构。在快速转弯时，经常因为万向轮卡顿导致机器人走偏甚至原地打转。后来换成了带滚珠轴承的万向球轮，运动顺滑度提升了一个量级。另一个坑是电源线布置，电机启动瞬间电流很大，如果电源线过长过细，会导致压降，可能造成主控板重启。务必使用足够粗的导线（建议18AWG或以上）并尽量缩短电机到驱动板的距离。

2.2 主控与计算单元：大脑的选择

这是项目的核心决策点之一。你有几种主流方案：

1. 树莓派 + 微控制器（如Arduino/STM32）：经典架构。树莓派作为上位机，运行ROS2和视觉处理算法；Arduino作为下位机，负责实时读取电机编码器和驱动电机。优点是资源丰富、社区支持好，树莓派的算力处理OpenCV巡线算法绰绰有余。缺点是树莓派和Arduino之间需要额外的串口通信。
2. 高性能嵌入式平台（如Jetson Nano/NX）：如果你未来想玩更复杂的视觉SLAM或深度学习，Jetson系列是更强大的选择。它可以单板搞定所有计算和控制。缺点是成本高，功耗和散热也需要考虑。
3. 纯微控制器方案（如ESP32）：对于简单的二值化巡线，ESP32带摄像头模块也能跑。但如果你想完整地学习ROS2生态，这个方案不太适合，因为ROS2 Client库对ESP32的支持尚不完善。

对于本项目，我推荐方案一（树莓派4B + Arduino Mega2560/UNO）。理由如下：首先，它职责清晰，符合工业机器人中常见的“工控机+运动控制器”架构，有助于你理解分层控制思想。其次，树莓派安装ROS2（推荐Humble版本）的教程非常成熟，避坑指南多。最后，Arduino丰富的引脚和稳定的实时性，能很好地保证电机控制的及时响应。

安装要点：在树莓派上安装ROS2，不建议直接用apt-get安装全部桌面版，因为会包含大量你用不到的GUI工具。对于无头（Headless，无显示器）运行的机器人，安装ros-humble-ros-base这个元包就足够了。如果你参考了网络上“鱼香ROS”的一键安装脚本，务必清楚脚本每一步在做什么，特别是源配置和依赖安装，这能帮你更好地排查后续问题。

2.3 视觉传感器：机器人的“眼睛”

巡线用的摄像头不需要多高端，普通USB摄像头或树莓派专用的CSI摄像头即可。选择时关注两点：

• 焦距与视野：广角镜头能看到更宽的地面，但线在画面中会显得更细，可能增加处理难度。标准镜头即可。可以通过调整安装高度来间接调整视野。
• 固定方式：摄像头必须稳固地安装在机器人上，任何晃动都会导致图像抖动，严重影响巡线稳定性。使用带螺丝孔的摄像头模块，并用尼龙柱牢固地固定在底盘立柱上。

一个关键的预处理步骤：很多USB摄像头默认输出的是压缩的MJPEG或H.264格式，ROS2的image_transport插件虽然支持，但有时会出问题。最稳妥的方式是在Linux下使用v4l2-ctl工具，将摄像头输出格式设置为YUYV或RGB3这类原始格式。命令类似：v4l2-ctl -d /dev/video0 --set-fmt-video=width=640,height=480,pixelformat=YUYV。这能避免很多奇怪的图像解码错误。

2.4 电源系统设计：稳定大于一切

机器人移动时，电机（特别是启动和堵转时）会产生很大的电流尖峰，对电源系统是严峻考验。绝对不要用一个移动电源同时给树莓派和电机驱动供电。

推荐方案：使用一块大容量（如5000mAh以上）、高放电倍率（如20C）的2S或3S锂电池（7.4V或11.1V）作为主电源。然后通过两个电压转换模块：

1. 一个降压模块（如LM2596），将电池电压降至5V，专门给树莓派供电。注意选择输出电流足够大（3A以上）的模块。
2. 电机驱动板直接连接电池电压（7.4V/11.1V）。TB6612等驱动板的工作电压范围通常涵盖这个区间。

这样做的目的是实现电源隔离。电机负载的剧烈波动不会直接影响树莓派的供电电压，极大降低了系统死机或重启的概率。务必在电池输出端加一个电源开关，方便安全地启停整个系统。

3. ROS2软件架构设计：节点、话题与消息

硬件搭好了，我们进入软件部分。ROS2的核心思想是“节点”通过“话题”交换“消息”。对于我们的巡线机器人，我们需要设计几个关键节点，以及它们之间的通信关系。

3.1 系统节点图分解

一个最小化的、清晰的节点设计如下：

1. camera_node(Python/C++)：负责驱动摄像头，发布图像数据。它订阅一个/camera_control话题（可选，用于软触发拍照），持续发布sensor_msgs/msg/Image消息到/camera/image_raw话题。
2. line_detection_node(Python)：这是视觉处理的核心。它订阅/camera/image_raw，对每一帧图像进行处理，计算出巡线的偏差。处理结果发布为一个自定义的消息，例如/line_error，消息内容可以包含偏差值error、是否检测到线的标志detected等。
3. motor_controller_node(Python)：运动控制节点。它订阅/line_error，根据偏差值，运用PID等控制算法，计算出左右轮的目标速度。然后，它将速度指令（例如左轮速度v_left，右轮速度v_right）发布到/cmd_vel话题。注意，这里/cmd_vel的消息类型是geometry_msgs/msg/Twist，这是ROS中标准的速度命令消息，虽然我们只用到其linear.x和angular.z，但遵循标准有利于后续集成其他导航功能。
4. serial_bridge_node(Python)：串口桥接节点。它订阅/cmd_vel，将速度命令转换为下位机（Arduino）能理解的协议（例如简单的字符串“L100 R80\n”），并通过串口发送出去。同时，它也持续从串口读取Arduino上传的数据（如编码器计数），并发布到/wheel_ticks之类的话题。
5. Arduino固件：运行在Arduino上的程序。它解析来自串口的命令，转换为具体的PWM值和方向信号，驱动电机。同时，它定时读取编码器数值，打包后通过串口发回给树莓派。

为什么这样设计？这种松耦合的设计好处明显。每个节点功能单一，你可以独立开发和调试。例如，你可以先不接摄像头，用键盘遥控节点发布/cmd_vel来测试底盘运动；也可以先不接底盘，用rqt_image_view工具查看/camera/image_raw，调试视觉算法。这种模块化是ROS2带来的最大便利。

3.2 创建ROS2工作空间与功能包

首先，在树莓派上创建你的工作空间。

mkdir -p ~/ros2_ws/src cd ~/ros2_ws/src

然后，创建一个功能包。这里我们创建一个Python功能包，因为它对于快速原型开发更友好。

ros2 pkg create --build-type ament_python line_follower_robot cd line_follower_robot

在line_follower_robot目录下，你会看到package.xml和setup.py。我们需要在setup.py中配置入口点，以便ros2 run能启动我们的节点。同时，在功能包内创建节点脚本文件，例如scripts/camera_node.py。

关键配置：在setup.py的entry_points部分添加：

entry_points={ 'console_scripts': [ 'camera_node = line_follower_robot.camera_node:main', 'line_detection_node = line_follower_robot.line_detection_node:main', 'motor_controller_node = line_follower_robot.motor_controller_node:main', 'serial_bridge_node = line_follower_robot.serial_bridge_node:main', ], },

这意味着，当你用colcon build编译后，就可以通过ros2 run line_follower_robot camera_node来运行节点了。

4. 视觉巡线算法核心：从图像到偏差

这是项目的算法核心。我们的目标是从摄像头图像中，提取出巡线的位置，并计算出一个代表机器人偏离航线程度的“误差值”。

4.1 图像预处理：简化问题

摄像头采集的原始彩色图像（RGB）信息量太大，且受光照影响严重。第一步永远是预处理。

1. ROI（感兴趣区域）裁剪：巡线只发生在图像的下半部分（地面区域）。裁剪掉上半部分（天空、墙壁等）可以大幅减少计算量。例如，如果图像是480x640，我们可以只取第240行到第479行。

   height, width = image.shape[:2] roi = image[int(height*0.5):height, 0:width] # 取下半部分

2. 灰度化：将彩色图转为灰度图，减少数据维度。

   gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)

3. 高斯模糊：使用高斯滤波平滑图像，消除噪声。

   blurred = cv2.GaussianBlur(gray, (5, 5), 0)

4. 阈值化（二值化）：这是最关键的一步，将灰度图转为黑白图，把巡线（假设是黑线）和地面分离开。由于光照变化，固定阈值效果很差。强烈推荐使用自适应阈值或大津法（OTSU）。

   # 使用大津法自动寻找最佳阈值 _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

   这里THRESH_BINARY_INV是因为黑线在灰度图中值较低，反转后变成白色（255），便于后续处理。处理完后，理想情况下，图像中只有白色的线（前景）和黑色的背景。

4.2 巡线检测与误差计算

得到二值图像后，如何从中提取出线的位置？这里介绍两种经典且易于实现的方法。

方法一：重心法（Centroid）

1. 对二值图像按列求和，得到一个一维的列向量，代表每一列上白色像素的数量。

   column_sums = np.sum(binary, axis=0) # 形状为 (width,)

2. 找到这个向量中最大值所在的列，可以粗略认为是线的中心。但更鲁棒的方法是计算所有白色像素的“重心”列坐标。

   # 获取所有白色像素的坐标 y_coords, x_coords = np.where(binary == 255) if len(x_coords) > 0: # 确保检测到了线 line_center_x = int(np.mean(x_coords)) else: line_center_x = None # 未检测到线

3. 计算误差。设定图像中心列image_center_x为机器人的目标位置。误差error = line_center_x - image_center_x。如果线在画面中心右侧，误差为正，机器人应该右转（右轮减速，左轮加速）来修正。

方法二：滑动窗口扫描法这种方法更健壮，尤其在线条有弯曲或间断时。

1. 在图像底部选择一个矩形窗口，计算该窗口内的线中心（如重心法）。
2. 以这个中心为基准，将窗口向上移动一行，在新的水平位置附近（一个限定宽度内）搜索线的中心。
3. 重复这个过程，直到图像顶部。你会得到一条由多个点构成的线路径。
4. 对这些点进行线性拟合，得到一条直线。这条直线的斜率或其在图像底部的横坐标，都可以作为误差信号。使用斜率可以提前预判弯道。

我的实操心得：在光线均匀的室内，重心法简单有效。但在光照不均或地面有反光时，滑动窗口法结合历史帧滤波（比如用卡尔曼滤波跟踪线中心）会稳定得多。一个常见的坑是阈值化后，地面上除了黑线，可能还有别的黑色噪点。可以在二值化后使用cv2.morphologyEx进行开运算（先腐蚀后膨胀），去除小的噪点。

4.3 控制指令生成：PID的妙用

得到误差error后，我们需要将其转换为电机的速度差。最经典的方法是使用PD控制器（比例-微分）。

• 比例项（P）：output_p = Kp * error。误差越大，输出调整量越大。这是控制的主力。
• 微分项（D）：output_d = Kd * (error - last_error) / dt。根据误差变化率进行调整。当误差快速减小时（比如快要回到中心线了），微分项会产生一个反向力，防止机器人冲过头（超调）和振荡。这对于提高巡线平滑度至关重要。
• 积分项（I）：在巡线中通常可以省略。因为我们的目标是让误差趋于0，且没有持续的外界扰动需要靠积分来累积消除。加上积分项反而容易因为累积导致控制反应迟钝或振荡。

最终的控制输出（通常表示为角速度angular.z）为：angular.z = output_p + output_d。

然后，将这个角速度angular.z和预设的基础线速度linear.x，转换为左右轮的速度：

base_speed = 0.2 # 预设的线速度，单位 m/s (需要根据机器人实际速度校准) angular_gain = 0.01 # 一个增益系数，将角速度转换为速度差 left_speed = base_speed - angular.z * angular_gain right_speed = base_speed + angular.z * angular_gain # 确保速度不超过电机允许范围 left_speed = max(min(left_speed, max_speed), -max_speed) right_speed = max(min(right_speed, max_speed), -max_speed)

调参经验：Kp和Kd的调参是个经验活。从很小的值开始（如Kp=0.01, Kd=0.001）。先调Kp：增大Kp直到机器人能快速响应并靠近线，但会出现振荡。然后加入Kd：逐渐增大Kd，直到振荡被有效抑制，巡线过程平稳。可以在ROS2节点中将这些参数设计为动态可调参数（rclpy.Parameter），这样你就能在机器人运行时通过命令行或rqt_reconfigureGUI工具实时调整，效率极高。

5. 下位机通信与电机控制：让命令落地

视觉和控制算法在树莓派上跑，但最终驱动电机的是Arduino。它们之间需要通过串口进行可靠通信。

5.1 通信协议设计

绝不能简单地在树莓派上写serial.write('L100 R100\n')就了事。需要设计一个简单的、带校验的协议来保证数据传输的可靠性。一个极简的帧结构可以是：

[帧头][数据长度][命令字][数据...][校验和][帧尾]

例如，我们可以定义：

• 帧头：0xAA 0x55
• 命令字0x01代表速度命令，后面跟两个16位有符号整数，分别代表左轮和右轮的目标速度（可以是PWM值或速度单位）。
• 校验和：从命令字到数据结束的所有字节的累加和（取低8位）。

在Arduino端，需要一个状态机来解析这个数据帧，确保只有完整、正确的指令才会被执行。

5.2 Arduino端电机驱动与PID速度环

Arduino收到目标速度后，不能直接设置为PWM输出。因为负载变化、电池电压波动都会导致电机实际转速与PWM占空比不成线性关系。为了实现精准的速度控制，需要在Arduino端为每个电机实现一个PID速度闭环。

1. 编码器读数：在中断服务程序（ISR）中捕获编码器的脉冲。计算单位时间（如100ms）内的脉冲数，即可得到当前转速。
2. PID计算：将树莓派下发的目标速度与编码器测得的当前速度比较，得到速度误差。对这个误差进行PID运算（这里PI控制器通常就够了），输出值作为最终驱动电机的PWM值。
3. PWM输出：根据PID输出值和方向，设置电机驱动芯片的PWM引脚和方向引脚。

这样，即使地面有轻微坡度或轮子打滑，Arduino也能自动调整PWM来维持目标速度，使得机器人的运动更精确，上层视觉控制器的指令也能被更准确地执行。

一个关键细节：串口读取。在Arduino的loop()函数中，使用Serial.available()检查数据，然后按协议解析。务必设置合适的串口波特率（如115200），并在树莓派的串口桥接节点中，每次发送指令后等待一小段时间，避免串口缓冲区溢出。Python端可以使用pyserial库。

5.3 系统联调与测试

这是最考验耐心的一步。建议分阶段测试：

1. 单元测试：

   • 摄像头：单独运行camera_node，用rqt_image_view查看图像流是否正常。
   • 视觉算法：录制一段巡线视频（ros2 bag record），然后离线运行line_detection_node处理bag文件，打印误差值，观察是否合理。
   • 串口通信：写一个简单的测试节点，手动发送速度命令，观察Arduino是否响应，电机是否转动。
   • 底层速度环：让Arduino独立运行，给定一个固定目标速度，观察电机能否稳定保持，用手阻挡轮子，看它是否加大力度抵抗。

2. 集成测试：

   • 先不用视觉，用键盘遥控（teleop_twist_keyboard）发布/cmd_vel，测试机器人是否能正常前进、后退、转弯。校准base_speed和angular_gain，使机器人的实际运动与指令匹配。
   • 加入视觉节点，但先让motor_controller_node只打印误差值和计算出的速度，不真正控制电机。把机器人放在线上，手动推动，观察误差变化和速度指令输出是否合乎逻辑。
   • 最后，全系统上电，把机器人放在线的起点，轻轻推它一下启动，观察其巡线表现。准备好随时切断电源！

调试神器：ROS2的rqt_graph可以查看节点和话题的连接情况；rqt_console可以查看所有节点的日志输出；rqt_plot可以实时绘制误差、速度等数据的变化曲线，这对PID调参有巨大帮助。

6. 性能优化与功能扩展

当你的机器人能基本巡线后，可以考虑以下优化和扩展，让项目更上一层楼。

6.1 提升视觉处理的鲁棒性

• 动态ROI：不是固定裁剪下半部分，而是根据上一帧检测到的线位置，动态调整ROI的垂直位置和高度，实现“视线跟踪”。
• 颜色空间转换：对于彩色胶带（如蓝线、红线），在RGB空间分离效果可能不好。可以转换到HSV颜色空间，针对线的颜色范围进行阈值化，对光照变化更不敏感。
• 多态滤波：在二值化后，除了开运算，还可以用闭运算连接断线。
• 预测与滤波：对计算出的线中心坐标使用卡尔曼滤波或简单的低通滤波，可以平滑抖动，在短暂丢线时进行预测。

6.2 引入状态机管理机器人行为

一个简单的巡线机器人至少应该有以下几个状态：

• SEARCHING：未检测到线。机器人应原地缓慢旋转或沿某种模式（如螺旋）搜索，直到重新发现线。
• FOLLOWING：正常巡线状态。
• LOST：长时间（如2秒）未检测到线。机器人应停车并报警。

使用ROS2的lifecycle_node或自己用变量实现一个状态机，可以让机器人的行为更智能、更健壮。

6.3 从巡线到简单导航

这是非常有价值的扩展。你可以在地面上布置一个由多条线组成的简单路网（比如十字路口、T型路口），并在路口贴上简单的视觉标签（如AprilTag或ArUco码）。

1. 机器人巡线到达路口。
2. 摄像头检测到标签，识别出路口ID。
3. 根据预设的路径规划（例如“在路口1左转，在路口2直行”），机器人选择接下来要追踪的线。
4. 通过一个简单的“旋转对准”动作，让机器人的摄像头中心对准新的线，然后切换回巡线状态。

这就实现了一个基于视觉的、简单的点对点导航系统，其思想与大型AGV（自动导引车）是相通的。

6.4 仿真：低成本试错方案

在物理机器人上调试，尤其是PID参数，既耗时又有损坏硬件的风险。强烈建议在仿真环境中先进行大量测试。你可以使用Gazebo配合ROS2。

1. 在Gazebo中搭建一个简单的世界，铺上地面和黑色线条。
2. 使用类似turtlebot3或自己创建的URDF模型，定义你的四轮差速机器人。
3. 为机器人添加一个虚拟摄像头传感器插件。
4. 你的视觉和控制节点代码几乎可以不用修改，只需将camera_node替换为订阅Gazebo发布的仿真图像话题即可。

在仿真中，你可以随意调整线的曲率、机器人的初始位置、甚至加入噪音，快速验证算法的鲁棒性。这是现代机器人开发中不可或缺的一环。

7. 常见问题排查与实战心得

最后，分享一些我踩过的坑和解决问题的思路，希望能帮你少走弯路。

问题一：图像处理延迟大，机器人动作“一卡一卡”。

• 可能原因：摄像头分辨率太高，或者OpenCV处理函数（如cv2.findContours）在树莓派上计算太慢。
• 解决：1) 将摄像头分辨率降至320x240或更低。巡线不需要高清。2) 优化算法，优先使用NumPy的向量化操作，避免Python层级的循环。重心法就比找轮廓快得多。3) 考虑降低处理帧率，比如每秒只处理10-15帧，对巡线来说可能足够了。

问题二：机器人巡线时左右高频振荡。

• 可能原因：比例系数Kp太大，或者微分项Kd太小或没加。
• 解决：这是典型的PID调参问题。先大幅降低Kp，观察机器人是否还能跟上线（反应会变慢）。然后缓慢增加Kp直到出现振荡的临界点。最后，逐渐增加Kd来抑制振荡。记住“先P后I再D”的口诀。

问题三：在光线变化的地方（如窗户边）突然丢线。

• 可能原因：固定的二值化阈值失效。
• 解决：换用自适应阈值(cv2.adaptiveThreshold)或OTSU法。或者在图像预处理阶段加入直方图均衡化(cv2.equalizeHist)，增强对比度，对光照变化有一定鲁棒性。

问题四：串口通信偶尔丢数据，导致电机控制异常。

• 可能原因：波特率不匹配、缓冲区溢出、或协议解析不严谨。
• 解决：1) 确保树莓派和Arduino的波特率设置完全一致。2) 在Python端发送数据后，调用serial.flush()。3) 在Arduino端，加强协议解析的鲁棒性，增加超时和错误帧丢弃机制。4) 可以考虑在应用层增加简单的应答机制，树莓派发送指令后等待Arduino回传一个确认字节。

问题五：电机启动或停止时，树莓派会重启。

• 可能原因：电机产生的电流尖峰通过电源干扰了树莓派。
• 解决：这就是前面强调的电源隔离的重要性。务必为树莓派和电机驱动使用独立的稳压模块供电，并在电源输入端并联大容量（如1000uF）的电解电容，以吸收尖峰电流。

这个项目虽然起点是一个简单的“巡线”，但深入下去，你会触及机器人学的多个核心领域：计算机视觉、控制理论、实时系统、嵌入式通信、系统集成。每解决一个问题，你对机器人系统的理解就会加深一层。最重要的是动手去做，在调试中学习，在失败中成长。当你看到自己亲手打造的机器人稳稳地沿着黑线前进、平滑地转过弯道时，那种成就感是无与伦比的。希望这份详细的指南能成为你机器人探索之旅上的一块坚实垫脚石。

本文还有配套的精品资源，点击获取