读取用于循迹的红外反射传感器阵列

循迹车的转向质量，就等于它所依据的那个数的质量。那个数来自一排朝地指的红外反射传感器：线是一种颜色，背景是另一种，传感器报告有多少红外光被反射回来。本文把那一排原始读数变成一个单一的、平滑的线位置——也就是你的控制器据以动作的误差。

反射传感器怎么看线

每颗传感器把一颗红外 LED 和一只光敏三极管配在一起。LED 朝下照；光敏三极管测量反射量。哑光的黑线反射的红外很少（读数低），浅色背景反射得多（读数高）。把阵列在一条黑白赛道上扫一遍，每颗传感器就在“在线上”的数值和“不在线上”的数值之间摆动。

有两样东西会让这些原始值逐趟变化：离地高度和环境光。这就是你永远不把阈值写死的原因——你要标定。同一批传感器朝下指着赛道边缘而不是线时，就变成了边缘检测器，而那里漏一次读数就会让机器人输掉比赛。

模拟传感器与数字传感器

• 模拟传感器给出连续值（例如 Arduino ADC 上的 0–1023）。你能知道线离每颗传感器多远，于是可以算出平滑位置并按比例转向。
• 数字传感器在内部阈值之后只报通断。接线更简单，但你丢掉了中间那段信息，所以转向更粗。

对比例式循迹——也就是你用 PID 控制器整定的那一种——要用模拟读数。循迹模拟器建模的就是这个做法。

先标定

跑之前，让每颗传感器都在线和背景上扫一遍，记下最小值和最大值。然后把实时读数按各自的范围归一化到 0–1000：

// Per-sensor calibration captured during a sweep.
int minv[N], maxv[N];

int normalized(int raw, int i) {
  long span = maxv[i] - minv[i];
  if (span <= 0) return 0;                       // sensor never saw contrast
  long v = (long)(raw - minv[i]) * 1000 / span;  // 0 (background) … 1000 (line)
  return constrain(v, 0, 1000);
}

逐颗标定能抵消掉 LED 亮度不均和横排上细微的高度差，于是不会有某颗传感器在悄悄地把整个估计带偏。

从读数到一个线位置

现在用一次反射加权平均把整个阵列收敛成一个位置。给每颗传感器一个固定位置（横排上是 …−2、−1、0、+1、+2…），并用它的归一化读数作为权重。结果就是线相对于横排中心的位置——一侧为正、另一侧为负，线正落在中间时为零。

// Sensor positions across the bar, e.g. { -2000,-1000,0,1000,2000 }.
long readLinePosition() {
  long weighted = 0, total = 0;
  for (int i = 0; i < N; i++) {
    int v = normalized(analogRead(pins[i]), i);
    weighted += (long)v * position[i];
    total    += v;
  }
  if (total == 0) return lastPosition;  // line lost — reuse last direction
  lastPosition = weighted / total;
  return lastPosition;                  // 0 = centered, sign = which side
}

有两个细节让它健壮：

• 除以读数总和，而不是传感器颗数，于是淡线和粗线会映射到同一个位置刻度上。
• 当所有传感器都丢线时（total == 0），复用上一次已知位置，而不是返回零。这会让机器人继续朝线消失的方向转，而不是从一个急弯直接开出去。

几颗传感器？

五颗是不错的起点——足够看出方向和大小，同时让数学部分容易检查。低速下三颗就够；竞赛机器人会用八颗或更多，以在高速下获得更细的分辨率。多加传感器主要买到的是急弯上更平滑的位置估计。

完整的标定程序

“先标定”说起来容易，做坏也很容易。下面是整个程序，包括那个防止死通道毁掉估计的保护：

const int N = 8;
const int PIN[N] = {A0, A1, A2, A3, A4, A5, A6, A7};
int minv[N], maxv[N];

void calibrate(unsigned long durationMs) {
  for (int i = 0; i < N; i++) { minv[i] = 1023; maxv[i] = 0; }

  const unsigned long start = millis();
  while (millis() - start < durationMs) {
    for (int i = 0; i < N; i++) {
      const int v = analogRead(PIN[i]);
      if (v < minv[i]) minv[i] = v;
      if (v > maxv[i]) maxv[i] = v;
    }
  }

  // A channel that never saw contrast would turn noise into huge normalised
  // values and drag the whole estimate toward itself.
  for (int i = 0; i < N; i++) {
    if (maxv[i] - minv[i] < 50) {
      Serial.print(F("channel dead or never crossed the line: "));
      Serial.println(i);
    }
  }
}

**在整个标定窗口里让阵列扫过那条线。**一台静止不动的机器人会把同一个读数同时记成最小值和最大值，于是跨度为零，那颗传感器什么也贡献不了。让机器人原地转、让线在身下扫过三秒是标准做法，而它之所以有效，正是因为每个通道都会压过胶带。

每一趟开始都重新标定，而不是组装时标一次。环境光会变，离地高度会随着电池包移动而变，胶带会积灰。这是循迹车在这张桌子上好用、换一张桌子就跪的最常见单一原因。

干掉环境光

阳光里有大量 940 nm 红外，而光敏三极管分不清它和自己那颗发射管反射回来的光。一台在室内好用、到了窗边就跪的机器人，看到的正是这个。

如果你的阵列的发射管可以关断——大多数有 LEDON 或 CTRL 引脚——修法是完整的，代价是每通道多一次读数：

int ambientSubtracted(int i) {
  digitalWrite(LEDON, LOW);
  delayMicroseconds(200);              // let the phototransistor settle
  const int dark = analogRead(PIN[i]); // ambient only

  digitalWrite(LEDON, HIGH);
  delayMicroseconds(200);
  const int lit = analogRead(PIN[i]);  // ambient + our emitter

  return lit - dark;                   // just our emitter
}

环境里恒定不变的东西会完全抵消掉。代价是采样时间翻倍，在一个快速循迹车上这是实打实的——但它把一颗不可靠的传感器变成一颗可靠的，而商用阵列用的就是这个技术。

它还有一个值得要的附带好处：发射管在两次读数之间关着，它们的平均电流会急剧下降。8 通道阵列的发射管持续工作时能吃 100–200 mA，在小电池包上那是预算里不容忽视的一块。

丢线，以及怎么找回来

上面那个 total == 0 的情况值得比通常更多的注意，因为循迹车最常见的可见失效就发生在这里。

返回零是显而易见的实现，也是错的那个：零意味着“完美居中”，于是机器人全速直行——离刚刚丢掉的、几乎肯定是弯的那条线越来越远。

返回上一次的位置则让机器人继续朝它本来就在转的方向转，而线就是往那儿去的。仅这一处改动，就是“能从急弯里恢复的机器人”和“开出赛道的机器人”之间的区别。

一个更完整的版本还会加一个超时，让真正丢线的机器人停下来而不是原地打转：

long lastPosition = 0;
unsigned long lostSince = 0;

long readLinePosition() {
  long weighted = 0, total = 0;
  for (int i = 0; i < N; i++) {
    const int v = normalized(analogRead(PIN[i]), i);
    if (v > 100) {                    // ignore channels clearly on the floor
      weighted += (long)v * POSITION[i];
      total    += v;
    }
  }

  if (total == 0) {
    if (lostSince == 0) lostSince = millis();
    if (millis() - lostSince > 1500) stopMotors();   // genuinely lost
    return lastPosition;              // keep turning the way we were
  }

  lostSince = 0;
  lastPosition = weighted / total;
  return lastPosition;
}

v > 100 这个阈值同样要紧。没有它，八个通道各自读到的一个小小的非零地面值，会不管线实际在哪里都把加权平均拽向阵列中心——表现出来就是一台在粗线上跟得很好、在浅线上跟得很差的机器人。

离地高度决定对比度

反射传感器的甜点区很窄，而它是那个最常被误认为软件问题的机械变量。

由此有两个后果。刚性安装——装在柔性支架上的阵列会随机器人加速而改变高度，从而改变读数，而控制环会把这些读数变化理解成线在移动。还要装平，因为歪的阵列给每个通道的有效高度不同、于是标定不同，表现出来就是一台一个方向跟得好、另一个方向跟得差的机器人。

几颗传感器，量化一下

比颗数更关键的数字，是阵列宽度与线宽之比。对普通循迹来说，阵列要宽到线的每个边缘之外都至少有一颗传感器压在地上——大约两倍胶带宽。

对线迷宫路口检测要求更严：机器人是靠看到最外侧传感器变黑、而中心仍在线上来认出岔路的，所以阵列至少要三倍胶带宽。8 通道、8 mm 间距的阵列约 60 mm，对 19 mm 胶带正好合适。

故障排查

接下来去哪

那个单一的位置值就是误差项。把它喂进一个“让一个轮子加速、另一个减速”的控制环，你就有一台循迹车了。那个环在PID 控制器调参里学，然后可以在循迹模拟器里把整件事端到端试一遍。