1. 走马观碑组到底在比什么从赛道到目标板的完整任务链第一次接触走马观碑组的人最容易犯的错是把注意力全放在摄像头算法上觉得只要识别准了就能跑下来。我带过两届校队见过太多队伍在实验室里识别率跑到95%以上一到赛场连预赛都出不去。问题几乎都出在两个地方PVC赛道搭得不对或者目标板的光照条件和实验室完全不是一回事。走马观碑组的核心任务链其实很清晰车模在PVC赛道上循迹行驶途中会遇到若干块竖立的目标板板上印有特定的图案或文字信息车需要识别这些信息并做出对应动作——比如按顺序记录、在指定位置停车、或者根据识别结果选择岔路。这个边走边看边记的过程就是走马观碑这个名字的由来。关键词里的PVC赛道和目标板识别恰好对应了这个任务链的两端。赛道是物理基础决定了车能不能稳定跑完全程目标板识别是得分核心决定了你能拿多少分。两者缺一不可而且相互影响——赛道搭得不平车一颠簸摄像头画面糊了识别自然就崩了。这篇文章适合三类人看刚组队还在选方案的新手、赛道搭好了但识别总不稳定的中间队伍、以及想复盘为什么赛场翻车的老队伍。我会把PVC赛道搭建的完整流程、目标板识别的技术选型和调参思路、以及我自己踩过的坑全部摊开讲。提示走马观碑组的规则每年会有微调赛道尺寸、目标板数量、识别要求都可能变化。下面讲的方法论是通用的但具体参数一定要以当年官方规则为准。2. PVC赛道搭建从选材到拼接的完整实操2.1 为什么是PVC赛道而不是其他材料智能车竞赛用PVC赛道不是随便选的。PVC发泡板也叫雪弗板有几个特性刚好匹配竞赛需求表面平整度高摩擦系数稳定重量轻方便搬运而且可以用美工刀直接切割加工。相比之下木板容易受潮变形亚克力板太脆且反光严重KT板太软容易被车压出坑。但PVC板也有坑。市面上PVC发泡板分很多种密度从0.4到0.8不等密度太低的车一压就凹陷密度太高的又太重不好搬运。我实测下来密度在0.55到0.65之间的5mm厚PVC发泡板是最合适的。太薄的板子3mm在赛道接缝处容易翘边太厚的8mm以上切割困难且成本高。买板子的时候有个细节很多人忽略要看板的平整度。有些便宜的板子出厂时就有轻微弯曲铺到地上中间会鼓起来。验收方法很简单把板子平放在地面上用直尺横跨板面缝隙超过2mm的就别要了。2.2 赛道布局设计先画图再动刀拿到板子之前一定要先把赛道布局图定下来。我见过太多队伍边切边拼最后发现弯道半径不够或者直道太短返工浪费材料。布局设计要考虑三个约束车模的最小转弯半径、摄像头的视野范围、目标板的安装位置。车模的最小转弯半径一般在30到50cm之间取决于舵机响应速度和差速器调校。赛道弯道的内径至少要留出这个半径的1.2倍余量否则车会在弯道处切内线撞护栏。目标板的安装位置更讲究。板子要竖在赛道旁边摄像头在车上以一定角度拍摄所以板子不能离赛道太远否则画面里太小识别不了也不能太近否则车还没调整好姿态就冲过去了。我的经验是目标板中心距离赛道边缘40到60cm比较合适具体取决于摄像头焦距和安装高度。画布局图的时候建议用坐标纸按1:10比例画标出每段直道长度、每个弯道的圆心和半径、每块目标板的位置和朝向。这张图后面切割、拼接、调试都要用别省这个功夫。2.3 切割与拼接精度决定成败切割PVC板用美工刀就行但有几个技巧。第一不要一刀切透先轻划一道引导线再分三到四次加深每次都用直尺压住。一刀切透容易跑偏边缘也会毛糙。第二切割弯道的时候用曲线锯比美工刀更靠谱但曲线锯的锯片要选细齿的否则会把板子边缘打崩。拼接是赛道搭建里最考验耐心的环节。两块板子对接的地方如果高低差超过1mm车高速通过时就会跳一下摄像头画面跟着抖识别直接失败。我的做法是在接缝下方垫一条3cm宽的薄铝条用沉头螺丝从板面固定这样接缝处受力均匀不会因为车反复碾压而错位。接缝的缝隙处理也很关键。缝隙大了车轮会卡缝隙小了热胀冷缩会拱起来。留0.5到1mm的缝隙然后用黑色电工胶带沿接缝贴一条既盖住缝隙又提供视觉引导。注意胶带要贴平不能有气泡否则车压过去会有异响。2.4 赛道表面处理与摩擦一致性PVC板出厂表面是光滑的直接跑车会打滑。但打磨过度又会磨损轮胎。我的方案是用400目砂纸沿赛道行进方向单向打磨一遍不要画圈打磨单向打磨能形成细微的纹理增加纵向抓地力同时不增加横向阻力。打磨之后要清洁。PVC打磨会产生静电吸附的碎屑用湿抹布擦两遍再用气吹吹干。如果有条件涂一层薄薄的轮胎保养剂不是润滑油静置半小时再跑摩擦系数会更稳定。赛道边缘的护栏也要处理。护栏一般用PVC条或者铝型材高度5到8cm。护栏内侧要贴防撞棉否则车撞上去会弹回来姿态全乱。防撞棉选3mm厚的EVA泡棉就行太厚了会侵占赛道宽度。注意赛道搭建完成后一定要用同一辆车、同一套轮胎跑至少50圈让赛道表面和轮胎形成稳定的摩擦匹配。新赛道和旧赛道的抓地力差异足以让调好的PID参数完全失效。3. 目标板识别从摄像头选型到算法落地的全链路3.1 摄像头选型全局快门还是卷帘快门目标板识别第一个要做的决策就是摄像头选型。走马观碑组的车在运动中拍摄如果摄像头是卷帘快门Rolling Shutter高速运动时画面会产生果冻效应目标板的边缘会倾斜严重影响识别。全局快门Global Shutter摄像头是首选。虽然价格贵一些但所有像素同时曝光运动物体不会变形。常见的方案有OV7725、OV5640部分型号支持全局快门、MT9V034等。MT9V034是很多强队的标配黑白全局快门128x64分辨率下能跑到200fps以上足够在高速下捕捉清晰画面。如果预算有限只能用卷帘快门那就必须降低车速或者提高曝光时间来补偿。但这不是长久之计赛场上的对手不会等你。分辨率的选择也有讲究。太高了处理不过来太低了识别距离不够。我的经验是目标板上的关键特征比如数字或图案在画面中至少占20x20像素才能稳定识别。根据这个反推如果目标板距离摄像头1.5米特征实际大小5cm那么需要的水平分辨率大约是5cm / 1.5m × 焦距 × 像素密度。具体算起来麻烦直接实测最快——把板子放在最远识别距离上看画面里特征占多少像素。3.2 光照处理赛场和实验室的最大差异实验室里灯光稳定赛场上的光照条件完全是另一回事。顶灯位置、窗户自然光、其他队伍的车灯都会干扰识别。我吃过最大的亏就是在实验室调好的阈值到赛场全废了。解决光照问题有三个层次第一层是硬件。给摄像头加遮光罩挡住侧面来的杂光。遮光罩用黑色亚光材料内壁贴植绒布减少反射。如果规则允许可以在目标板旁边加主动补光但要注意补光不能影响其他队伍。第二层是曝光策略。不要用自动曝光自动曝光在画面亮度变化时会来回调整导致帧间差异大。手动锁定曝光值在赛场调试时根据实际光照设定。如果赛场光照变化大可以用自适应阈值但自适应阈值在目标板占画面比例小时容易失效。第三层是算法鲁棒性。二值化阈值不要用固定值用大津法Otsu或者局部自适应阈值。但大津法在画面中有大面积高光或阴影时会算错所以最好先做ROI裁剪只对目标板可能出现的区域做阈值计算。3.3 识别算法模板匹配、特征点还是深度学习目标板识别算法大致分三类各有适用场景。模板匹配是最简单的把目标板的图案存成模板在画面里滑窗匹配。优点是实现快缺点是旋转和尺度变化不鲁棒。走马观碑组的车在行驶中视角变化大模板匹配很容易失效。如果要用必须配合透视变换把画面校正到正视角再匹配。特征点匹配如ORB、SIFT对旋转和尺度更鲁棒但计算量大在嵌入式平台上跑不动。而且目标板图案如果纹理少比如纯数字特征点提取效果很差。轻量级深度学习是这两年的趋势。用MobileNet或者自己搭一个小CNN输入是目标板ROI输出是类别。在K210、OpenMV等平台上都能跑。但深度学习的坑在于训练数据——你需要采集大量不同光照、不同角度、不同距离的目标板图像否则模型过拟合严重。我的建议是如果目标板图案简单且固定用透视变换模板匹配就够了如果图案复杂或者有多个类别上轻量级CNN。不要为了用深度学习而用深度学习嵌入式平台上每一点算力都很宝贵。3.4 从识别到决策帧率、延迟与控制的配合识别出目标板只是第一步关键是识别结果怎么和车的控制配合。这里有个容易被忽略的问题识别延迟。假设摄像头30fps处理一帧要20ms那么从曝光到输出结果至少33ms。车以2m/s行驶33ms就是6.6cm。如果目标板在车前方1米处这个延迟可以接受但如果车已经到板子旁边了才识别出来那就来不及做动作了。所以识别必须提前触发。我的做法是在赛道特定位置埋触发标记比如赛道上的黑色横线车经过时触发摄像头开始连续识别这样在到达目标板之前已经有若干帧结果可以投票。投票机制能大幅降低误识别率——连续5帧里至少3帧识别为同一类别才确认。帧率也不是越高越好。高帧率意味着每帧曝光时间短画面暗噪声大。要在帧率和画质之间找平衡。MT9V034在128x64分辨率下100fps时曝光时间还有10ms足够在室内灯光下获得清晰画面。4. 赛场避坑实录那些让我损失预赛资格的细节4.1 赛道接缝在高温下拱起这件事发生在第二十届比赛的预赛现场。我们前一天下午铺好的赛道过了一夜第二天早上发现三段接缝处全部拱起来了最高处离地有5mm。车一过就跳识别率从90%掉到40%。原因是PVC板的热膨胀系数虽然不大但接缝处留的缝隙太小只有0.3mm夜里场馆温度从28度降到22度板子收缩接缝被拉紧白天温度回升后板子膨胀没有空间释放应力就往上拱。修复方案把接缝处的固定螺丝松开重新留1mm缝隙然后用铝条从下方加固。铝条的热膨胀系数比PVC小能起到约束作用。另外赛道铺好后不要马上固定死让它静置24小时适应环境温度再最终锁紧。4.2 目标板反光导致识别全白赛场的目标板是组委会统一提供的表面有一层覆膜在顶灯直射下会产生镜面反射。我们的摄像头刚好在某个角度上画面里目标板变成一片白什么也识别不出来。这个问题在实验室完全没遇到过因为实验室的灯是漫射的。赛场上那种工矿灯直射下来反光角度很窄但很致命。应急处理临时用黑色卡纸给摄像头做了个加长遮光罩改变拍摄角度避开反射角。同时把曝光时间缩短一半虽然画面整体变暗但反光区域不再过曝。这个教训让我后来每次比赛都带一块偏振片装在镜头前能大幅削弱镜面反射。4.3 电池电压下降导致摄像头帧率不稳预赛跑到后半程车突然在目标板前停住了不是识别错误是摄像头直接掉线了。查了半天发现是电池电压从8.4V掉到7.2V摄像头模块的LDO稳压芯片发热严重输出不稳。根因摄像头模块的供电没有独立稳压直接接了电池。电池电压下降时LDO的压差不够输出跟着掉。而且LDO发热后效率更低形成恶性循环。修复给摄像头单独加了一片低压差稳压芯片比如TPS7333输入范围宽输出稳定3.3V。同时把摄像头的电源线加粗到22AWG减少线损。这个问题在实验室用稳压电源时永远不会出现只有用电池才会暴露。4.4 目标板顺序识别错误投票机制救了我决赛时目标板有5块要求按顺序记录。我们的识别算法单帧准确率有92%但5块板全部正确的概率只有0.92^5≈66%。也就是说三分之一的概率会错至少一块。解决方案每块板连续识别10帧取众数作为结果。这样单块板的准确率提升到99%以上5块全对的概率超过95%。代价是需要提前触发识别给投票留出时间。我们在赛道直道段提前2米开始识别车以1.5m/s行驶2米有1.3秒30fps下能采到39帧足够投票。这个投票机制后来成了我们队的标配不管识别算法怎么换投票层始终保留。5. 调参与验证让识别率从80%到99%的实操路径5.1 建立可复现的测试环境调参最大的敌人是感觉。今天调完觉得好了明天一跑又不行因为光照变了、电池电压变了、赛道温度变了。所以第一步是建立可复现的测试环境。我的做法是用稳压电源给车供电固定电压8.0V用遮光布把测试区域围起来只留一盏可调亮度的LED灯赛道和目标板的位置用记号笔在地面标死每次测试前用激光水平仪校准。这样每次测试的条件基本一致调参才有意义。测试集要覆盖各种情况不同距离0.5m、1m、1.5m、2m、不同角度正对、左偏30度、右偏30度、不同光照亮、中、暗。每个组合拍100张图人工标注正确类别作为验证集。调参时只看验证集准确率不要看训练集。5.2 阈值调参从固定值到自适应二值化阈值是最关键的参数。固定阈值在光照变化时必然失效所以要用自适应方法。但自适应方法也有参数——窗口大小、偏移量。窗口大小决定了局部阈值的计算范围。窗口太小目标板内部纹理会被当成背景窗口太大光照渐变会被忽略。我的经验是窗口大小取目标板在画面中宽度的1.5到2倍。比如目标板在画面里宽40像素窗口就取60到80像素。偏移量是自适应阈值的一个补偿值用来控制二值化后的黑白比例。偏移量太大目标板全黑太小全白。调这个参数的方法在验证集上跑看二值化后目标板区域的黑色像素占比目标是在40%到60%之间。5.3 透视变换的参数整定如果用了透视变换校正视角变换矩阵的参数直接影响识别效果。变换矩阵一般通过四个对应点计算目标板的四个角在画面中的坐标和目标板的标准矩形坐标。四个角点的检测精度决定了变换质量。角点检测用Harris或者Shi-Tomasi都行但要在二值化后的图像上做而且要先做形态学闭运算把断裂的边缘连起来。变换后的图像分辨率也要选好。太高了计算量大太低了特征模糊。我的经验是变换后目标板宽度保持在80到120像素比较合适。这个分辨率下数字和简单图案都能看清计算量也可控。5.4 现场快速标定的流程比赛现场留给调试的时间通常只有半小时到一小时必须有一套快速标定流程。我的流程是把车放在赛道起点摄像头对准最远处的目标板拍一张图检查画面是否清晰、曝光是否合适。不合适就调镜头焦距和曝光时间。把车推到每块目标板前1米处各拍一张图存到SD卡。用笔记本电脑快速跑一遍识别算法看每块板的识别结果。错了就调阈值或者模板。上车实测跑三圈记录识别成功率。如果低于90%回到第3步继续调。这套流程的关键是把标定和测试分离不要在车上边跑边调效率太低。拍图、离线调、再实测循环两到三次就能把识别率拉到可用水平。提示现场标定时一定要用比赛当天实际的光照条件。如果比赛是下午就下午去调如果场馆开灯就开着灯调。不要用手机闪光灯补光来调那和实际光照完全不同。6. 硬件选型与成本控制把钱花在刀刃上6.1 摄像头模块的性价比分析走马观碑组常用的摄像头模块就那么几种我列个表对比一下。型号快门类型分辨率帧率接口价格区间适用场景OV7725卷帘640x48060fpsDVP30-50元低速、预算极低OV5640卷帘2592x194430fpsDVP/MIPI60-100元需要高分辨率静态识别MT9V034全局752x480100fpsDVP150-250元高速运动、强队标配K210自带卷帘640x48030fps内置50-80元带AI加速适合CNN如果预算允许MT9V034是最稳妥的选择。全局快门在运动场景下的优势太明显了而且黑白传感器对光照变化的鲁棒性比彩色好。K210方案适合想尝试深度学习的队伍但要注意K210的卷帘快门在高速下仍有果冻效应需要控制车速。6.2 主控平台的选择逻辑主控平台决定了算法复杂度上限。常见的有STM32系列、K210、树莓派、Jetson Nano等。STM32F4/F7/H7是传统方案实时性好功耗低但算力有限只能跑传统视觉算法。K210带KPU能跑轻量级CNN但内存小8MB大模型跑不动。树莓派算力强但实时性差Linux系统调度延迟不可控。Jetson Nano算力最强但功耗大车模供电压力大。我的建议如果目标板识别用传统算法STM32H7足够如果用CNNK210是性价比之选如果要做复杂的多目标检测才考虑树莓派或Jetson。不要盲目上高算力平台功耗和重量都是车模的负担。6.3 电源系统的冗余设计电源是赛场上最容易被忽视的环节。摄像头、主控、舵机、电机每个模块的电压需求不同如果共用一路稳压相互干扰严重。我的方案是三级稳压电池出来先经过一级DC-DC降到6V给舵机和电机驱动再从6V经过二级LDO降到5V给主控和摄像头最后从5V经过三级LDO降到3.3V给传感器和IO。每级之间加LC滤波减少纹波。电池选型也要留余量。标称8.4V的2S锂电满电8.4V放到7.0V就要报警。但摄像头和主控在7.0V时可能已经工作不稳定了。所以要么用3S电池加DC-DC要么用2S但把报警阈值设到7.4V牺牲一点容量换稳定性。7. 从实验室到赛场差异清单与应对策略7.1 光照差异的量化与补偿实验室光照一般在300到500lux赛场工矿灯下可能到1000lux以上而且有方向性。这个差异对摄像头的影响是系统性的。补偿方法在实验室用可调光LED灯模拟赛场亮度从300lux到1500lux分五档每档都跑一遍识别测试记录准确率。找出准确率开始下降的亮度阈值然后针对性地调曝光参数。如果赛场亮度超出实验室模拟范围就要准备中性密度滤光片ND滤镜装在镜头前降低进光量。7.2 温度对传感器和赛道的影响CMOS传感器有暗电流温度越高暗电流越大画面噪声越多。赛场如果空调不足传感器温度可能到50度以上噪声显著增加。应对给摄像头加散热片或者至少贴一块铝箔。如果规则允许可以用半导体制冷片但功耗大要算好电源余量。赛道方面PVC板在高温下会变软车压过去容易留下凹痕。凹痕处的摩擦系数和别处不同车会跑偏。所以赛道铺好后要避免阳光直射如果赛场是玻璃顶要用遮阳布盖住。7.3 电磁干扰的排查与屏蔽赛场上有几十支队伍同时跑车电机火花、无线模块、开关电源电磁环境极其恶劣。我们的车有一次在特定位置就会复位查了很久发现是旁边队伍的电机驱动器辐射干扰了我们的复位电路。排查方法用示波器看复位引脚的波形如果有毛刺就是干扰。解决复位引脚加0.1uF电容到地走线尽量短远离电机线。电机线用双绞线并且套磁环。主控板下面铺一层铜箔胶带做屏蔽单点接地。7.4 赛场调试的时间分配建议假设赛前有一小时调试时间我的分配是前15分钟检查硬件电池充电摄像头清洁螺丝紧固。中间30分钟按5.4节的流程做快速标定拍图、离线调、实测。最后15分钟留作缓冲处理突发问题或者再跑两圈确认稳定性。千万不要把时间全花在调算法上硬件问题往往更致命。我见过队伍调了一小时算法最后发现是摄像头镜头没撕保护膜。8. 写在最后一些不成体系的个人经验走马观碑组这个赛项说到底比的是系统稳定性不是单点算法的先进性。我见过用模板匹配拿国一的队伍也见过用深度学习连预赛都没过的队伍。差别不在算法在于对细节的把控。几个我反复验证过的经验赛道接缝的铝条加固成本不到十块钱但能避免至少三次现场翻车摄像头的独立稳压多花二十分钟焊接但能保证全程不掉线识别结果的投票机制增加不到10ms延迟但能把误识别率降低一个数量级。还有一点多拍视频。每次跑车都用手机架在旁边录跑完回放看车在哪个位置识别失败、姿态怎么变化的。很多问题肉眼看不出来视频慢放一目了然。我们队后来养成了习惯每次调试必录视频赛后复盘效率提高了一倍不止。最后规则每年在变但底层能力不变——稳定的赛道、可靠的硬件、鲁棒的识别、充分的测试。把这四件事做好成绩不会差。
