欢迎来到千板的世界！！

场景特征#

• 行间狭窄： 固定行距，小车需在行间通过
• 地面复杂： 松软土壤 + 垄沟 + 土块 + 秸秆
• 起伏不平： 存在坑洼、轻微坡度
• 植株遮挡强： 中后期玉米高度高、冠层密集
• GNSS信号不稳定： 遮挡 + 多路径效应
• 泥水/灰尘环境： 对机械结构可靠性要求高

设计响应#

车架设计目标#

1. 承重性： 药箱（有重量）、喷洒装置、电池 + 控制系统
2. 通过性： 适配玉米地作业

结构布局#

• 后部： 电池模块（提供动力，平衡整车重心）
• 中部： 集成控制盒（放置控制电路与电子元件）
• 前部： 功能区（农药箱及喷洒装置）

实物搭建及装配#

车架主体尽量采用3030铝型材与通用连接件，提高通用性、降低加工成本，确保结构可重复装配。针对特殊受力点与非标准接口，自行设计定制连接板并绘制零件图，确保结构适配性与整体稳定性。采用螺栓、T型螺丝及角码进行模块化装配，明确各部件顺序与定位方式，保证车架安装效率与精度。

小车承载能力分析#

本小车基于10寸350W无刷轮毂电机设计，采用0.5的工程安全系数，额定承载能力达150kg，满足农用载物、短途运输的实用需求。

• 额定负载：150kg
• 设计标准：工程安全系数0.5
• 适用场景：平路/缓坡载物运输

车架设计详细参数#

减震器部分实现思路#

1. 对已有成品测量并建模 对现有减震器进行实物测量，获取关键尺寸与结构特征，在SolidWorks中完成精准建模，形成可用于后续设计分析的数字化模型，为参数调整与结构优化提供基础数据支持。

2. 依据需求重新设计与修改参数 根据车辆载荷、行程及安装空间等实际需求，对减震器的弹簧刚度、阻尼特性及结构尺寸进行重新设计与参数优化，使其更符合目标工况，提升整体悬架性能和运行稳定性。

3. 标准件与定制件分别加工制造 将减震器结构拆分为标准件与需特殊适配的定制件。对定制件完成零件图设计并输出加工文件，按要求进行机加工与装配，最终实现与整车完全匹配的专用减震器组件。

减震器参数表#

定制加工零件图与采购项目#

• 10寸48V 500W轮毂电机
• 100×200磅弹簧减震器

实物图展示#

本小车可稳定承载200-300斤重量，能够舒适乘坐一名成年人，行驶平稳可靠。搭配300-500磅专用减震器，有效缓冲震动，提升乘坐体验与行驶安全性。

由作业场景推导的核心需求#

系统架构#

1
① 用户层（软件端）
2
  手机/电脑端操作，三种模式切换（手动/建图/自动），地图与任务状态可视化
3

4
② 云端层（云服务器）
5
  指令中转（下发控制指令），状态回传（位置/任务/运行状态），支持远程访问与管理
6

7
③ 边缘层（Raspberry Pi 5）
8
  核心计算平台（ROS2），模式调度与任务管理，SLAM建图 + 路径规划 + 激光雷达避障，串口通信（与STM32交互）
9

10
④ 执行层（STM32）
11
  实时控制核心，差速解算，PWM驱动电机
12

13
⑤ 硬件与传感器
14
  轮毂电机：驱动与转向，激光雷达：环境感知/避障，IMU + GPS：融合定位

控制系统详细架构#

三种工作模式#

模式一：手动操控 用户远程控制（手机/电脑），云服务器中转指令，Pi5解析指令，STM32执行控制，实现小车实时运动。

模式二：SLAM建图 激光雷达采集环境数据（10Hz），SLAM算法实时建图，生成地图文件（pgm + yaml），上传云端并可视化显示。

模式三：自动任务 + 避障 用户设定目标点，Nav2进行路径规划（全局），激光雷达实时避障，STM32执行运动控制，到达目标完成任务。

激光雷达开发#

• 2.4GHz Pi5 CPU — 基于2.4GHz四核高性能处理器，承担SLAM建图、路径规划与多传感器融合计算，实现小车从感知到决策的实时处理能力。
• 100Hz 雷达扫描频率 — 以100Hz高速扫描实时获取周围环境信息，为SLAM建图与动态避障提供稳定、连续的数据输入，是小车实现自主导航的关键感知基础。

激光雷达 + 边缘计算 自主导航核心系统： COIN-D6提供高频环境感知数据，Raspberry Pi 5进行实时计算与决策，两者协同实现SLAM建图、路径规划与动态避障，支撑小车在复杂玉米地环境中的自主导航能力。

系统运行基础平台为Ubuntu 24.04，机器人软件框架基于ROS2，通过节点通信机制实现激光雷达、定位与控制模块的协同工作。

系统降级与重构#

初始方案受阻：系统与ROS2不兼容 最初在树莓派5上安装默认系统后尝试部署ROS2，但发现系统源与ROS2官方支持版本不匹配，软件包依赖存在冲突，导致无法正常安装与运行。本质原因在于ROS2对操作系统版本有严格适配要求，不同发行版之间的库版本差异会直接影响编译与运行稳定性。

Jazzy与Humble不兼容 转向Ubuntu 24.04 LTS后，系统仅官方支持ROS2 Jazzy版本，而所使用的激光雷达SDK基于Humble开发，导致接口调用、消息类型及驱动API存在差异，部分功能无法直接使用。根本原因在于ROS2不同发行版之间接口演进较快，存在明显的版本不兼容问题。

系统降级尝试失败 尝试通过刷入Ubuntu 22.04 LTS以适配Humble，但树莓派5采用新一代硬件平台（BCM2712），旧版本内核缺乏完整驱动支持；进一步尝试第三方适配系统虽可运行，但频繁出现死机与驱动异常。本质问题在于非官方系统在内核与硬件适配上不完善，稳定性无法满足机器人应用需求。

最终方案：基于新环境重构SDK 最终选择Ubuntu 24.04 LTS + ROS2 Jazzy方案，通过逐步修改SDK源码适配新版本接口，包括通信机制、消息类型及驱动调用逻辑，实现系统重构。该方案在保证系统稳定性的同时，完成了感知、建图与控制功能的统一集成。

多模卫星定位模块（WTGPS+BD）#

支持GPS与北斗双模定位，提供经纬度、速度与时间等基础位置信息，具备稳定的户外定位能力，为小车提供全局坐标参考。

适配ROS2： 原厂仅提供ROS1版本SDK，无法直接在ROS2系统中使用。由于GPS数据结构相对简单（串口输出标准定位信息），基于其通信协议与串口频率，重新编写ROS2驱动节点，实现数据解析与发布，成功接入整体定位系统。

全局定位： 作为系统的全局定位来源，为路径规划与任务执行提供绝对坐标基准，并在长时间运行中抑制累计误差，提升整体导航稳定性。

IMU模块（handsfree_ros_imu）#

在行驶过程中提供连续姿态信息，用于辅助定位系统进行姿态解算与短时位置估计，在GPS信号波动或遮挡时提升系统稳定性。提供加速度、角速度与姿态角数据，实时反映小车运动状态，为系统提供稳定的姿态与短时运动信息。

该IMU提供完整的ROS2功能包，可直接在系统中部署并发布标准传感器消息（如/imu/data）。在实际应用中，将IMU数据接入定位融合模块（如EKF），与GPS及激光雷达数据进行时间同步与状态融合，实现对位姿（位置+姿态）的连续估计。同时，IMU高频输出特性可弥补激光雷达与GPS在动态场景中的延迟与不连续问题，提高系统在复杂环境下的响应速度与鲁棒性。

统一USB通信设计 | 简化连接与系统集成#

为减少底盘内部布线复杂度并提升系统可维护性，整体通信方案统一采用USB接口进行设备接入。相比直接使用多路串口或分散供电方式，USB连接能够同时完成数据通信与供电管理，显著降低线束数量与干扰风险。同时，基于USB虚拟串口机制，各传感器可被系统统一识别与管理，便于驱动部署与调试，提高整体系统的集成度与稳定性。

Type-C直连方案（GPS）： GPS模块采用Type-C接口直接连接至Raspberry Pi 5，通过USB虚拟串口输出定位数据，连接方式简单可靠，适合低带宽、标准协议设备。

转接USB方案（IMU + 激光雷达）： IMU与激光雷达通过杜邦线连接至串口/供电转接模块，再统一转换为USB接口接入系统，实现传统串口设备的标准化接入，增强系统兼容性与扩展能力。

扩展卡尔曼滤波（EKF）| 多传感器融合核心算法#

EKF是一种用于非线性系统状态估计的递归滤波方法，通过对系统模型进行一阶线性化，将多源传感器数据（如GPS、IMU、激光雷达）进行融合，得到更准确、连续的位姿估计结果。

核心原理 EKF通过”预测—更新”两步循环工作：首先根据系统运动模型（如速度、角速度）对当前状态进行预测；随后利用传感器观测值对预测结果进行修正，从而不断逼近真实状态，在多源数据不确定条件下实现最优估计。

在本系统中的作用 在玉米地遮挡环境下，GPS信号存在不稳定问题，IMU存在累计误差，而激光雷达受环境结构影响。EKF通过融合三者数据，利用IMU提供高频短时稳定性，GPS提供全局参考，激光雷达提供局部约束，实现小车位置与姿态的稳定估计，显著提升导航鲁棒性。

无GPS情况下的补偿能力 当GPS信号丢失或不可用时，系统仍可依赖IMU数据进行短时间的状态预测与位置推算（惯性计），保证小车运动连续性；待GPS或其他传感器恢复后，再通过EKF进行误差修正。

SLAM建图 | 环境感知与地图构建核心技术#

SLAM（同步定位与建图）通过传感器数据在未知环境中一边估计自身位置，一边构建环境地图，实现”边走边建图”的能力，为后续路径规划与自主导航提供基础。

原理说明（激光SLAM） 系统基于激光雷达获取周围环境的距离信息，通过连续帧点云/激光扫描进行匹配（如扫描匹配），估计小车的位姿变化，同时将数据累积生成栅格地图。在此过程中结合里程计或IMU信息进行辅助约束，以提高建图精度与稳定性。

已完成激光雷达在ROS2中的驱动接入与数据发布，搭建基础SLAM框架（如基于激光的建图算法）。通过手动控制小车在玉米地环境中运动，实现实时建图，并成功生成地图文件（pgm + yaml），可用于后续导航模块调用。

自动寻路功能 | 当前进展与问题#

在完成SLAM建图后，系统可基于已有地图进行路径规划与自主导航，实现从起点到目标点的自动行驶。

然而，目前尚未实现自动寻路功能，主要原因在于底层里程计数据尚未稳定接入系统。缺乏连续、可靠的位姿信息，导致定位与地图无法形成闭环一致性，建图精度不足，无法满足导航算法（如Nav2）对位姿输入的要求。

自动导航依赖”地图 + 实时定位”两者协同，而当前系统中定位链路不完整（里程计缺失），仅依赖激光与IMU难以提供长期稳定的位置估计，因此无法支撑路径规划与路径跟踪功能的实现。

拟定方案与测试方案#

小车运动测试#

1. 测试电机 — 单独给L298N供电并输入逻辑信号，记录四个电机的正反转接线对应关系，确保方向一致。

2. 连线，装配 — 电池接入L298N，完成L298N到STM32的8根编码器信号引脚的接入，并给STM32主控和编码器供电。

3. 小车运动测试 — 测试小车执行”前进、后退、左/右转”等动作，验证运动学解算逻辑。利用编码器反馈，调参实现单轮的速度闭环，确保电机在受阻时能自动增加PWM补偿动力。

4. 与树莓派通信 — 通过UART（串口）树莓派（上位机）与STM32（下位机）连接，统一通信波特率。

云端通信方案 | 远程控制与数据中转#

系统采用”上位机—云服务器—小车”通信架构，通过WiFi热点建立网络连接，在测试阶段实现远程控制与数据交互。用户通过网页端发送控制指令，经云服务器转发至小车端，实现跨设备、跨平台的统一控制。

通信实现说明： 在具体实现中，首先在局域网内部署服务器并完成服务环境配置；随后设计通信接口用于指令下发与数据回传；Pi5作为客户端与服务器保持连接，接收控制指令并上传运行状态；网页端通过访问局域网服务器实现实时控制与信息展示。

关键技术要点： 局域网通信重点关注连接稳定性与低延迟优势，同时需设计设备标识、指令协议与数据解析机制，并实现异常断连后的快速重连。在该模式下通信路径更短，可有效提升控制响应速度，适合系统开发与调试阶段使用。