电赛跟随小车openmv

### 使用OpenMV实现电赛跟随小车的方案

#### 选择硬件平台
为了提高巡线精度并增强系统的灵活性，本团队选择了OpenMV作为主要处理单元[^1]。相比其他解决方案，OpenMV提供了更高的图像处理能力和更丰富的编程接口。

#### 图像采集与预处理
通过摄像头获取前方道路图像后，在OpenMV上运行图像处理算法以提取车道线特征。通常情况下，这一步骤涉及灰度化、二值化以及边缘检测等操作：

import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.GRAYSCALE)
sensor.set_framesize(sensor.QQVGA)

while(True):
    img = sensor.snapshot().binary([(0, 70)])  # 调整阈值适应不同光照条件

#### 特征识别与决策逻辑
基于前期训练好的模型或设定的颜色范围，程序能够判断当前车辆相对于目标轨迹的位置偏差，并据此调整方向舵角输出信号给电机控制器完成转向动作:

for blob in img.find_blobs([red_threshold], pixels_threshold=200, area_threshold=200):
    if blob.pixels() > max_pixels:
        max_blob = blob
        
if max_blob.cx() < (img.width()/2)-50: 
    turn_left()
elif max_blob.cx() > (img.width()/2)+50:
    turn_right()
else:
    go_straight()

#### PID调节机制
考虑到实际应用场景中的动态变化因素影响较大，因此引入了PID控制策略用于优化运动过程中的稳定性。相较于传统的L298N驱动芯片而言，TB6612支持PWM输入从而允许实施更加精细的速度闭环调控措施:

from pyb import Timer

def pid_control(error_value):
    global integral_sum
    
    proportional_term = kp * error_value
    derivative_term = kd * ((error_value - last_error)/sample_time)
    
    output_signal = proportional_term + integral_sum + derivative_term
    motor_speed = int(output_signal*speed_ratio)

    tim = Timer(4, freq=1000)
    ch1 = tim.channel(1, Timer.PWM, pin=motor_pinA, pulse_width_percent=(motor_speed))