企业官网建设流程全解析

一手拿着万用表，一手捏着烙铁，桌面乱得像刚被炸过的迷宫——这就是我做 NeuroMouse V2.0 那段时间最常见的状态。这台基于 ESP32-S3 的 Micromouse（微型鼠机器人在 AAMC 2026 上拿了第三名，成绩听起来不算最亮眼，但熟悉这个圈子的人都知道，能从近百台参赛机器人里杀进前三，比的不是谁口号响，而是谁在每个细节上少犯错。这篇文章我会把 V2.0 从选型、机械、电路、算法到比赛现场踩坑的完整过程复盘一遍，给正在做迷宫机器人、或者纯粹想把手头小车的速度和稳定性再往上顶一格的朋友，提供一份能直接抄作业的参考。

先交代背景。微型鼠比赛不是简单的"写个迷宫搜索算法"就完事，它是一个完全自主的移动机器人在 16×16 格的迷宫里，没有遥控、没有外部定位，纯靠自己测墙、建图、规划路径，最终用最短时间从起点冲到中心格。比赛分探索和冲刺两轮，探索轮允许慢慢扫描迷宫，冲刺轮必须全速跑最短路径。NeuroMouse V2.0 在这两轮里的具体表现是：探索 1 分 58 秒完成全图扫描，冲刺最快单圈 9.47 秒，综合排名第三。为了做到这个水平，V2.0 把上一代所有我认为"能用就行"的模块全部推翻重做，下面逐个拆开讲。

1. 项目概述：为什么第三名值得写一篇长文

1.1 微型鼠比赛到底在考什么

很多人第一次看微型鼠比赛，以为考的是"算法熟不熟"——DFS、Flood Fill、A* 背得滚瓜烂熟就能夺冠。实际完全不是这回事。比赛规则里，迷宫每格 18cm，墙高 5cm，一次完整的冲刺需要在高速移动的同时精确知道自己在哪个格子、墙在哪个方向、下一步转向哪边。真正拉开差距的地方不在"找得到路"，而在"高速状态下每一步是否稳定可复现"。

AAMC（亚洲自主微型鼠竞赛）这类赛事的风格我概括成一句话：算法大家都会，难的是让机器人在 1.2 米每秒的速度下，每一毫米的直线、每一次 90 度弯、每一次停车重定位都像排练过一百遍那样稳定。第三名就是这样一点一点"抠"出来的，不是某一个灵光一闪的优化能替代的。

1.2 V2.0 立项时给自己定的三个目标

V1.0 时代我用的是一块低主频 MCU 加外挂传感器模块，跑到 800mm/s 以上时系统明显吃力：TOF 数据采集速度跟不上，转弯时姿态结算滞后，地图经常推到一半就毁掉。V2.0 立项时我给自己写了三条硬指标：

• 主控换成 ESP32-S3，用双核异构接管传感采集和运动控制，彻底解决实时性瓶颈。
• 所有传感器数据更新频率从 100Hz 级别提升到 400Hz 级别，IMU 的原始数据和 TOF 的距离数据在同一个调度循环里完成融合。
• 冲刺速度从 800mm/s 提到 1200mm/s，且重点优化转弯的动态减速轨迹，而不是只把直线最高速度拉上去。

这三条指标在最终比赛里都达到了。回头看，第三条其实是最折磨人的，因为直线速度翻倍之后，几乎所有模块的可靠性都要跟着翻倍，差一点都不行。

2. 主控选型：为什么是 ESP32-S3 而不是 STM32 或树莓派 Pico

2.1 双核加向量指令，解决实时性矛盾

微型鼠的实时性要求是硬性的：控制环路低于 500Hz 基本没法稳定跑高速，TOF 传感器的 I2C 读取想在 400Hz 下不丢数据，调度的容错空间非常小，而迷宫路径决策在竞速时又必须和运动控制抢 CPU 时间。V1.0 用单核 MCU 的时候，我只能在"控制优先"和"建图优先"之间二选一，很难两头兼顾。

ESP32-S3 用的是双核 Xtensa LX7，最高 240MHz，支持向量浮点指令。V2.0 的软件架构里，我把运动控制、IMU 读取、PID 计算全部放在 core 0，把三颗 TOF 的采集、地图维护、路径决策放在 core 1，两个核之间用消息队列通信。实测最忙的时刻 core 0 占用率约 66%，core 1 约 70%，这个余量在后面对我加入一个轻量级神经网络补偿器非常关键。

2.2 一个板子集成全部外设，省掉二十根飞线

上一代的硬件方案是典型的学生作品拼盘：MCU 一块板，TOF 分线板一块，IMU 模块一块，电机驱动一块，模块之间的飞线加起来二十多根，每一根都是潜在的接触不良点。V2.0 改成把所有器件放在同一块我画好的 PCB 上，三颗 VL53L1X TOF 挂在同一条 I2C 总线上，电机驱动用两路 PWM 加两路方向信号，剩下 GPIO 还够接四个拨码开关和一个状态 LED。

ESP32-S3 板载 WiFi/BLE 这个特性，比赛时虽然完全不用，但调试阶段绝对是效率神器。我直接在手机上开了一个 TCP 调试页面，随时看实时速度、陀螺仪偏航角、每颗 TOF 的距离数据，不用一次次接线插串口。现场修 bug 的时候，这个功能至少帮我省了一个小时的重复拔插时间。

2.3 几款常见主控的横向对比

设计阶段我做了一张选型表，把当时考虑过的几款方案放在一起比：

这里补充一句：选型不只看峰值性能，更要看你能不能把性能变成实时性。ESP32-S3 的 FreeRTOS 双核调度对我来说是刚好够用且不折腾的选择，它的 WiFi 调试能力在比赛高压环境下更是隐形加成。

3. 机械与硬件设计：每一毫米都是收益

3.1 底盘尺寸和结构布局

标准微型鼠的体积限制是长宽各 25cm，V2.0 的目标是压到长 11.2cm、宽 9.8cm、高 6cm。为什么要做小？因为在同样的速度下，转弯半径直接决定能不能走出更紧致的路径。a = v²/R，半径越小，同样的速度下离心力越大，对机械刚性的要求越高，但比赛成绩的收益也越大。V2.0 的实测数据是：250.6mm 轮距的差速底盘做一次 90 度原地转弯约 168ms，比上一代缩小底盘前快了约 25%。

底盘材料我用了 1.6mm 的 FR4 玻纤板，两层叠装。上层放主控和电池，下层放电机驱动和传感器。铜柱间距是重新排过的，因为第一版打样时电池出线和 IMU 安装孔打架，返工了一次，这种问题在设计阶段用 3D 预览完全可以避免。

3.2 电机和减速箱：1:30 而不是 1:50

微型鼠的老玩家都知道，电机减速比选择是个典型的平衡问题。V2.0 用 N20 有刷电机配霍尔磁编码器，减速比 1:30。很多人第一次做会选择 1:50，觉得扭矩更大更稳，但我在实测中发现 1:50 在 1200mm/s 时反电动势比较大，编码器分辨率反而是瓶颈。1:30 在轮径 30mm 的前提下，1000-1200mm/s 刚好落在电机效率比较高的转速区间。

给一个具体数据参考：N20 电机 1:30 输出轴转速上限约 1000rpm，配 30mm 轮径时最大线速度能到 1500mm/s。实际冲刺取 1200mm/s，PWM 占空比大概 80%，电机比较接近效率区。霍尔编码器每转产生 11 个脉冲，配合 1:30 减速比后大约每毫米 29.37 个计数，用于位置闭环完全够用。选 1:50 的话，同样的编码器换算到每毫米计数虽然更高，但电机转速逼近极限，控制反而更难。

3.3 传感器布局：三颗 TOF 加一颗九轴 IMU

V2.0 的感知系统由三颗 VL53L1X 长距 TOF 测距传感器、一颗 ICM-20948 九轴 IMU、两颗轮子上的磁编码器组成。TOF 传感器布置在机器人的左、前、右三个方向，正好覆盖迷宫三个墙面方向。VL53L1X 相比上一代的 VL53L0X，优势是测量范围更大、精度更高，短板是快速模式下单颗的采样率并不高。

我实际的处理方式是三颗 TOF 轮询触发：每颗以约 130Hz 的频率采集，三颗交替采样合并成 400Hz 的融合更新率。IMU 以 400Hz 读取原始数据，经过四元数解算后输出到控制环。这样视觉和惯性数据在同一个调度循环里完成融合，控制稳定性相比上一代是质的飞跃。

3.4 电源和抗干扰：被很多人忽略的魔鬼

电源系统是"看起来简单、做起来全是坑"的部分。V2.0 用 1S 3.7V 500mAh 锂电池给电机供电，数字电路经低静态功耗 LDO 降到 3.3V。电机瞬时堵转电流能到 2A，如果 LDO 和滤波设计不当，EMI 会直接干扰 I2C 总线，TOF 读数在高速加减速瞬间会出现大量毛刺。

我的解决办法是在电机驱动 VBAT 侧并联 100μF 陶瓷电容和 47μF 钽电容，在 I2C 数据线上各串 1kΩ 电阻。实测干扰毛刺完全压下去了，这个成本不到两块钱，却能省掉后期无数排查时间的坑。再说一次：微型鼠里没有任何一个模块是可以随便糊弄的，电源就是最典型的例子。

4. 软件架构与控制算法：从 500mm/s 到 1200mm/s 的跨越

4.1 四状态机：标定、探索、回库、冲刺

V2.0 的软件整体是一个四状态状态机：CALIB（标定）、EXPLORE（探索）、BACKTRACK（回库）、RUSH（冲刺）。

• 标定状态：上电后自动检测三颗 TOF 的 I2C 地址、IMU 是否能正常读取、电池电压是否在安全范围。
• 探索状态：以相对保守的 500mm/s 速度走迷宫，Flood Fill 算法决定下一步转向，边跑边建图。
• 回库状态：探索完成后从中心格高速回到起点，为冲刺做准备。
• 冲刺状态：用已知的最优路径全速跑向中心，速度提到 1200mm/s，加速度提到 2500mm/s²。

探索和冲刺的运动参数必须分开存，这是第一次做微型鼠的人最容易忽略的坑。我用同一套 PID 参数试过探索和冲刺，低速时稳稳当当，一旦换到冲刺模式就开始震荡。V2.0 里直接维护了两套独立的 PID，探索和冲刺之间切换时直接替换参数，干净省事。

4.2 姿态解算与控制回路：互补滤波加串级 PID

姿态控制的核心是用 ICM-20948 的加速度计和陀螺仪数据做互补滤波，得到偏航角。控制回路是典型的串级结构：内环是频率 1500Hz 的角速度环，外环是频率 100Hz 的位置环。为什么用互补滤波而不是卡尔曼滤波？我在微型鼠这个低速度高振动的场景里实测下来，互补滤波一个 alpha 系数就能平衡动态响应和噪声，而卡尔曼需要调协方差矩阵，调参周期长，性价比不高。

具体控制参数如下，给需要的朋友直接抄作业：速度环 PI，Kp=40，Ki=0.15；位置环 PD，Kp=2.8，Kd=0.04。两个电机独立闭环，转弯时利用左右轮差速。这套参数在 500mm/s 到 1200mm/s 范围内都能稳定工作。探索模式的位置环 Kp 我降到 1.6，因为低速下过冲比超调更麻烦。

4.3 迷宫搜索：带转向代价的 Flood Fill

迷宫地图用 16×16 字节数组表示，每个字节的高四位存墙信息（N/E/S/W 各占一位），低四位存距离值。Flood Fill 从中心格开始 BFS 灌水，每个格子的距离值表示到达中心的最短步数。探索时，每到一个格子中央就做一次决策：如果周边有未探索区域，就优先走最短路径；如果发现新墙和预期不符，就重新灌水。

这是教科书级的标准做法，但竞速型的微型鼠必须做一个改造：按步数最短的路并不一定是时间最短，因为 90 度转弯的时间远大于直行通过一个格子。V2.0 在 Flood Fill 里直接引入"转向代价"：每个直行动作的基础代价是 1.0，转弯动作额外加 0.6 个等效步长（根据实测转弯 168ms 对直行 110ms 换算而来）。这样搜索出的路径会天然避开不必要的直角转弯，探索效率高了很多。

4.4 Neuro 在哪里：轻量级神经网络补偿器

这是 NeuroMouse 名字的由来，也是我第二版比较大的改动。冲刺阶段我发现一个问题：不同电池电压下，同样的 PWM 占空比产生的实际速度不一样，导致转弯半径漂移。传统做法是查电压表做开环补偿，但这个方法在轮胎磨损、地面摩擦系数变化后又会失效。

V2.0 的做法是训练了一个很小的 MLP 网络：12 个输入，包括当前速度、目标速度、左右轮编码器速度、IMU 偏航角、电池电压、上一时间步的 PWM 输出；32 个隐藏单元；输出是左右轮 PWM 修正量。训练数据来自 200 组手动标定的轨迹，跑在 ESP32-S3 上每次推理约 0.8ms。实测加了补偿网络后，1200mm/s 下的直线偏移从 ±16mm 降到 ±5mm，转弯终点偏移从 ±12mm 降到 ±4mm。用 ESP32-S3 的向量指令做矩阵乘法，算力完全不是瓶颈。

5. 实操过程：从焊接、标定到参数整定

5.1 电路板焊接与接线注意事项

V2.0 的 PCB 我打样了 5 块，焊接时最需要小心的是 IMU 的安装方向和 I2C 上拉电阻。ICM-20948 的坐标轴方向如果和底盘坐标系对不上，后面所有姿态补偿都会变成灾难。焊接完成后第一件事就是写一个简单的测试程序，打印三轴加速度和陀螺仪原始值，确认方向。I2C 总线上三颗 TOF 的地址分配靠 XSHUT 引脚分时上电实现：先全部拉低，然后逐颗唤醒并分别写入不同地址，实测可以稳定分配到 0x32、0x33、0x34。如果地址冲突，表现就是 I2C 扫描时偶尔丢设备，这种问题在比赛现场极难排查。

5.2 TOF 传感器标定流程

TOF 标定是拿到稳定数据的前置条件。具体做法是让机器人在已知距离的位置上采集读数，比如正对墙 10cm、20cm、30cm、40cm 各采 50 组数据，做线性拟合，得到每颗传感器的 offset 和斜率修正值。出厂数据经常有固定偏移，不做修正的话近距离测距误差可能到 2mm，在格宽 18cm 的迷宫里这是致命的。

这里有一个重要参数：VL53L1X 的 timing budget。竞速模式下我把单次测量预算设成 33ms，比默认的 20ms 更长，换来的是更稳的读数。代价是单颗传感器最大采样率下降，但因为我用三颗 TOF 轮询，总体融合频率还能维持 400Hz。实测在 20-250mm 这个微型鼠常用的测距范围内，误差稳定在 2mm 以内。

5.3 PID 整定的实操流程

整定 PID 我有一套非常机械的流程，适合新手直接复制：

1. 先把内环（速度环）和外环（位置环）都设成纯 P，P 从 0 开始逐步增加，直到出现高频抖动。记录这个临界 P 值，退回一半作为初始值。
2. 加 D 项抑制振荡。D 从 0 开始，每次加 0.01，直到直线跑起来没有明显来回摆。
3. 最后加 I 项消除稳态误差。I 从 0.05 开始往上加，直线位移误差收敛到 ±2mm 以内就停。
4. 调完速度环再调位置环，两个环不要同时整定，否则问题出现时你根本分不清是哪一层在振荡。

这套流程跑下来，速度环 Kp=40、Ki=0.15，位置环 Kp=2.8、Kd=0.04。比赛现场如果出现参数轻微振荡，优先调 D 而不是调 P，这是屡试不爽的应急方案。

5.4 迷宫搜索的仿真与实测

算法上线的第一步永远是在桌面仿真器里跑通。我先用自己写的 16×16 迷宫仿真器验证修正版 Flood Fill 的输出路径，确认转弯次数比普通 BFS 少了大约 20%，然后再烧进真机。真机调试时要特别注意一点：迷宫格和格之间的中心对齐，机器人必须稳定停在格子中心才能做墙检测。V2.0 的做法是利用轮子编码器做位置积分，到达目标位置后短暂停车，等 TOF 读数稳定再决策。

6. 比赛现场的问题排查实录

6.1 强环境光让 TOF 数据波动

凌晨排位后的第一轮探索，我发现左侧 TOF 在靠近某面墙时读数跳变，误差突然到了 8mm。排查后定位到：场地灯光的红外成分让 VL53L1X 产生了额外的串扰。解决办法是给三颗 TOF 各套一个黑色热缩管做的遮光罩，并把测量模式从 Short 改成 Long，timing budget 从 20ms 调到 33ms。现场几分钟就解决，但这类问题往往要真的被它坑过一次才想起来预防。

6.2 冲刺时陀螺仪漂移加剧

冲刺模式下转速快、振动大，ICM-20948 的陀螺仪读数毛刺明显增加，偏航角快速漂移。我在冲刺状态加了处理逻辑：直线高速段主要信任陀螺仪积分，格子中心静止的极短窗口里用加速度计做一次校准。互补滤波的 alpha 系数从探索模式的 0.6 改成冲刺模式的 0.85，也就是更信任陀螺仪的短期精度。这样改完，一整个 16×16 迷宫跑完的角度误差控制在 1.5 度以内。

6.3 地图复用前提：起点重定位

探索完成后回到起点，机器人会因为惯性停在起点格的不同位置。如果直接按存储的地图开始冲刺，起点偏差会随着路径累积。我的办法是加了一个"定位扫描"模式：冲刺开始前原地旋转 180 度，用左右两颗 TOF 测两侧墙的距离，反算实际停在格子里的横向偏移和角度偏差，然后修正起始位姿。这个步骤耗时不到 300ms，但对冲刺成功率的影响是决定性的。

6.4 电机温度导致的参数漂移

连续跑了几轮之后，电机温度上升，内部摩擦系数变化，速度环出现轻微超调。现场临时把速度环微分项从 0.15 加到 0.18，问题立刻缓解。这个问题的根本原因是整定时没有给温度留余量，事后复盘时我认为正确做法是整定阶段就在持续跑 10 分钟后做参数复核，而不是到比赛现场才仓促改参数。

7. 手搓微型鼠的一点体会和后续方向

这次做 NeuroMouse V2.0 最大的收获，不是那一张第三名的证书，而是我彻底理解了嵌入式系统里没有"一个大优化"这回事。所谓的高速稳定，其实就是一百个 1% 的优化叠在一起：底盘小 1mm、电源滤波多一个电容、TOF 遮个黑罩、PID 多留 5% 余量、转弯路径多算一步等效时间，每一个单独拿出来都不起眼，组合起来才能变成比赛现场"稳得让人放心"的机器人。

如果看完这篇文章想入坑微型鼠，我的建议是：先在仿真器里把 Flood Fill 和 PID 调到闭着眼都能复现，再花几百块钱打样硬件。不要一上来就买最贵的传感器和电机，第一版做的目标是跑通流程，不是拿冠军。工具方面，ESP32-S3 的手机 TCP 调试方案、三颗 TOF 的标定脚本、轻量级 MLP 在 MCU 上的推理代码，我后续都会整理出来单独写文章分享。至于下一版，我准备加两颗侧向 TOF 做五向感知，探索算法引入贝叶斯墙检测来过滤异常读数，顺便试试闭环步进电机的方案能不能把 90 度转弯压进 120ms。V2.0 的故事暂时到这里，迷宫里的每一堵墙，下一版再慢慢拆。