质心跟随实现机器跟线走

GitHub链接

1. 解决方案介绍

关键实现要点：

• 目标：使机器人能够自主巡线
• 核心理念：在线上检测并创建一个"球"供机器人跟随 - 这就是质心检测
• 技术实现：使用OpenCV进行基于颜色的图像处理识别
• 特殊功能：包含避障和其他特殊情况处理

2. 解决方案框架和流程

3. 质心检测原理

3.1 二值化处理

• 图像仅包含黄色和黑色
• 将图像转换为二值矩阵：黑色表示"0"，黄色表示"1"
• 二值化处理便于后续数学计算

3.2 图像矩计算

在黄色区域中，计算以下内容：

• 零阶矩(M00)：表示总面积
• 一阶矩(M10, M01)：x轴和y轴的加权和

计算公式：

$M_{00} = \sum\sum I(x,y)$

$M_{10} = \sum\sum x \cdot I(x,y)$

$M_{01} = \sum\sum y \cdot I(x,y)$

3.3 质心坐标计算

使用计算得到的矩，我们可以获得黄色区域的质心坐标(cx, cy)：

$cx = \frac{M_{10}}{M_{00}}$

$cy = \frac{M_{01}}{M_{00}}$

4. 运动控制实现

4.1 误差计算

为确保准确巡线，计算质心与图像中心的误差：

$error = cx - \frac{width}{2}$

其中：

• cx：检测到的质心x坐标
• width：图像宽度
• error：与中心的偏差

4.2 P控制器

基于实际测试，仅使用P控制器就能达到良好的控制效果：

$angular_speed = -K_p \cdot error$

注意事项：

• 使用简单的P控制而不是完整的PID控制
• 测试表明在此场景下单独使用P控制效果更好
• 可以通过调整Kp值来调节机器人的响应灵敏度

5. 多状态决策实现

5.1 状态定义

系统定义了三个基本状态：

• 状态1(巡线)：黄线检测状态
• 状态2(避障)：障碍物检测状态
• 状态3(探索)：探索状态

5.2 状态转换逻辑

if detect_line():
    # 检测到线，使用P控制跟随质心
    follow_centroid()
elif not (detect_line() or detect_obstacle() or is_exploring):
    # 未检测到线且不在探索模式，旋转搜索
    rotate_search()
    if search_timeout():
        set_explore_mode(True)
elif not (detect_line() or detect_obstacle()) and is_exploring:
    # 探索模式，向前移动寻找目标
    move_forward()
else:
    # 遇到障碍物，使用左手法则进行避障
    left_wall_follower()

6. 系统局限性

• 颜色识别限制：
  • 仅支持特定颜色线条检测
  • 对多色线条或实际道路存在挑战
• 避障约束：
  • 避障过程中可能丢失原始线条
  • 缺乏线条记忆和重定位能力