博客

两块 TT 电机、一块 L298N:把电子差速装进 Arduino 小车 上一篇算的是“内外轮应该差多少”,这一篇讲“怎么让一台几十块钱的小车真的差起来”。硬件不复杂:Arduino Uno、L298N、两个 TT 电机、一个 MG995 舵机、一个红外接收器、两节 18650。真正花时间的是接线、供电和几个旧版库的坑。 硬件与接线 功能 Arduino 引脚 左电机 A / B(L298N IN1 / IN2) 5 / 6 右电机 A / B(L298N IN3 / IN4) 9 / 10 MG995 舵机信号 11 HX1838 红外接收 OUT 3 电源方面,两节 18650 接 L298N 的 12V / GND,Arduino 与 L298N 共地。舵机建议单独 5V 供电——MG995 堵转电流很大,和电机共用一路时,电机一启动舵机就抖,严重时 Arduino 会复位。 L298N 到底在做什么 L298N 是双 H 桥。每一路有 IN1/IN2 两个方向引脚和一个使能端: IN1 = 高,IN2 = 低:正转; IN1 = 低,IN2 = 高:反转; 两路都低:滑行停止; 使能端(或直接对 IN 引脚做 PWM)决定平均电压,也就是转速。 代码里没有用独立的使能引脚,而是直接对 IN1/IN2 做 analogWrite: 2026.11.12 2分钟 转弯时内外轮到底差多少:电子差速的几何、公式与 PWM 映射 机械差速器存在了一百多年,原因很简单:转弯时外侧车轮走的路更长。如果左右轮被刚性轴锁成同一个转速,轮胎只能一边滚一边蹭。电子差速想做的事,是用两个独立电机复现“内外轮各走各的”,只不过把机械结构换成了控制代码。 这篇只回答一个定量问题:给定轴距、轮距和前轮转角,内外轮到底应该差多少?然后把这个结果和模型小车里的 120/180 占空比对上。 先把几何画出来 把车简化成两轮模型:后轴中心到前轴的距离是轴距 L,左右轮中心距是轮距 B,前轮转角 δ。低速、忽略轮胎侧偏时,车辆绕一个瞬时中心转弯,后轴中心的轨迹半径是: R = L / tan(δ) 内侧后轮的半径是 R - B/2,外侧后轮是 R + B/2。同一时间内,车轮走过的弧长与半径成正比,所以轮速也成正比: v_inner = v · (R - B/2) / R v_outer = v · (R + B/2) / R 两式相除,车速 v 被消掉: v_outer / v_inner = (R + B/2) / (R - B/2) 这个比值只由几何决定。轴距越长、轮距越窄、转角越小,比值越接近 1;反过来,大转角 + 宽轮距会让内外轮差得很明显。 代入模型小车的数字 这台小车的轴距约 L = 0.16 m,轮距约 B = 0.12 m。前轮打到 30°: R = 0.16 / tan(30°) = 0.16 / 0.5774 ≈ 0.277 m R - B/2 = 0.217 m R + B/2 = 0.337 m v_outer / v_inner = 0.337 / 0.217 ≈ 1.55 如果车速是 1 m/s,那么内侧轮约 0.78 m/s,外侧轮约 1.22 m/s。这个差异已经足够明显:用同一个 PWM 驱动两侧,转弯时内侧轮胎一定在拖。 2026.11.12 2分钟 关系库里的 JSON 列:什么时候值得把发票和评论塞进数据库 上一篇讲的是 vehicleShare 的关系模型:18 张表,保险、发票、评论各自独立。课程的最后一个交付要求做一版 NoSQL 演进,我们选择保留 PostgreSQL,只把三类“整块读写”的数据改成 JSON 列: Vehicule.contrat_assurance Contrat_location.commentaire Contrat_location.facture 对应的 Contrat_assurance、Commentaire、Facture 三张表被删掉。表少了,查询写法变了,代价也随之出现。这篇把这笔账算清楚。 原来的三张表长什么样 关系版里,保险合同、发票、评论都是独立实体: CREATE TABLE Contrat_assurance ( id_assurance SERIAL PRIMARY KEY, nom_assurance VARCHAR(255) NOT NULL, type VARCHAR(255) NOT NULL, vehicule VARCHAR(255) NOT NULL, FOREIGN KEY (vehicule) REFERENCES Vehicule(immatriculation) ); CREATE TABLE Facture ( id_facture SERIAL PRIMARY KEY, date DATE NOT NULL, kilometrage INT NOT NULL, carburant FLOAT NOT NULL, moyen_paiement VARCHAR(255) NOT NULL, montant FLOAT NOT NULL, contrat_location INT NOT NULL, FOREIGN KEY (contrat_location) REFERENCES Contrat_location(id_contrat) ); 它们的共同点:和父记录是一对一或“一合同一份”的关系,读取时几乎总是整块取出,很少单独按发票字段做连接。 这正是 JSON 列的适用场景。 改完之后 保险变成车辆行里的一列: 2026.11.12 2分钟 从 UML 到 BCNF:车辆共享数据库的 18 张表是怎么定下来的 车辆共享平台 vehicleShare 的业务听起来不复杂:车主发布车辆,租客预订,取车还车,最后开票。但真正落到关系模型里,会冒出一连串问题:个人、企业、企业司机算不算同一种用户?一次租赁要存几份车况检查?保险、发票、评论应该独立成表还是跟着合同走?被举报三次的公告由谁保证下架? 这是 UTC NF18 的课程项目。我们最终得到 18 张表:1 张用户母表、3 张用户子表、1 张司机表、1 张车辆表、1 张公告表、1 张合同表、2 张车况检查/发票表、1 张评论表,以及保险、国家、选项、时段和 3 张多对多关联表。下面按设计顺序拆一遍。 先处理“人”的继承 平台上有三类主体:车主、个人租客、企业。它们共享登录名、密码、账号状态,但属性不同: 车主有电话、邮箱、姓名、年龄; 租客还多一个驾照和有效期; 企业有地址、城市、邮编,下面还挂多个司机。 最直接的写法是一张 Utilisateur 表,把所有字段都放进去,再用可空列区分类型。那样查询简单,但会出现大量 NULL,而且数据库无法阻止“企业填了驾照”或“个人填了邮编”这种组合。 我们采用母表 + 子表的继承建模: CREATE TABLE Utilisateur ( pseudo VARCHAR(255) PRIMARY KEY, mot_de_passe VARCHAR(255) NOT NULL, type VARCHAR(255) NOT NULL, actif BOOLEAN, CHECK (type = 'proprietaire' OR type = 'locataire' OR type = 'entreprise') ); CREATE TABLE Proprietaire ( pseudo VARCHAR(255) PRIMARY KEY, telephone VARCHAR(10) CHECK (telephone LIKE '__________') NOT NULL, age INT CHECK (age >= 18) NOT NULL, -- ... FOREIGN KEY (pseudo) REFERENCES Utilisateur(pseudo) ); 子表的主键同时是外键,保证一个账号只能有一种身份。企业司机 Conducteur 则单独一张表,通过 entreprise 外键挂在企业下,因为司机不是平台账号,不需要登录。 2026.11.12 2分钟 用轮廓几何认靶环:一个无量纲判据就够 赛题里 A 区是一个 500 mm 的靶环,B、C 区印着不同图案。飞机只有一台 Jetson Nano 和一架下视相机,要在三米左右的高度把靶心找出来,再把落点偏差换算成米发给飞控。 我们最后没有用模板匹配,也没训练任何模型,判据只有一个数:周长的平方除以面积。 为什么是这个判据 对正圆,周长 C 与面积 S 满足 C² = 4πS,所以 C²/(4S) 恒等于 π;对正方形,C²/S 恒等于 16。这两个数都无量纲——与大小无关、与旋转无关、与相机距离无关。 这意味着不用为每种图案准备模板,不用管飞机飞多高,阈值也只有一个容差,而且物理意义清楚。 代码里就是这样一行: auto area = cv::contourArea(contours[idx]); auto circumference = cv::arcLength(contours[idx], true); if (area > 512 && fabs(circumference * circumference / (4 * area) - M_PI) < 0.4) { // 这是一个圆 } 靶心怎么找:取半径最小的那个圆 靶环是多圈同心圆。判据会把每一圈都筛出来,所以还需要一步“选哪个”:用 r = 2S/C 反推每个圆的等效半径,取半径最小的那一个。 这一手很关键——靶环最内圈就是靶心,半径最小,天然不会有歧义。不需要知道靶环有几圈,也不需要知道它有多大。 auto radius = 2 * area / circumference; // 等效半径 if (radius < min_radius) { cv::Moments M = cv::moments(contours[idx]); min_radius_center = { M.m10 / M.m00, M.m01 / M.m00 }; // 轮廓矩求质心 min_radius = radius; } 质心用轮廓矩而不是外接框中心,是因为稍微斜视一点,外接框中心就会偏,而矩心几乎不动。 2026.11.11 2分钟 20 Hz 的设定点:PX4 OFFBOARD 的五个坑 2022 年那台配送无人机,飞控是 PX4,上层是 Jetson Nano 上的 ROS。所有“自主”最终都落成一件事:以 20 Hz 的频率,把一个位置设定点发给飞控。这篇把当时踩过的五个坑按顺序写下来,每一个都来自“明明代码没错,但飞机不听话”。 坑一:先切模式,再解锁 OFFBOARD(外部控制)模式要求飞控持续收到来自机载计算机的设定点。如果解锁之后迟迟没有设定点进来,PX4 会认为外部链路不可靠,自动上锁——现象就是“解锁了,但螺旋桨没转起来”,或者刚离地就掉下来。 所以现场流程是固定的: 地面站先发 set_mode 切到 OFFBOARD; send_info_node 立刻开始以 20 Hz 发设定点; 再调用 mavros/cmd/arming 解锁。 官方文档里还有一条:解锁后 5 秒内必须进入 OFFBOARD。我们的流程天然满足,但这条规则决定了顺序不能反。 坑二:设定点一停,模式就掉 OFFBOARD 不是“设一次就一直有效”的状态,而是一个必须持续喂数据的模式。任何一次 1 秒的停顿——cin 等你输入航点、打印日志卡住、SSH 断流——都可能让飞控退出 OFFBOARD,飞机随即进入失控保护。 我们为此专门写了一个 send_info_node:只要飞机不是“已解锁且处于 OFFBOARD”这个状态,就以 20 Hz 持续发布速度设定点。它是一张安全网,代价很低(一个只发消息的节点),但没有它,有一次调试就因为在地面站里多敲了一行命令,飞机在半空掉出了 OFFBOARD。 坑三:设定点不能跳 这是整个项目里最影响观感的一条。向飞控发布一个距离 3 米的目标点,和让设定点每 50 ms 挪 5 厘米,飞控接收到的都是“位置”,但响应完全不同:前者是阶跃输入,姿态会猛冲、过冲、再修正;后者是一条平滑轨迹。 void add_target(int i) { for (int j = 0; j < 3; j++) { if (abs(next_point[j] - fly_point[i + 1][j]) > 0.3) { if (next_point[j] > fly_point[i + 1][j]) { next_point[j] -= change; } else { next_point[j] += change; } } else { next_point[j] = fly_point[i + 1][j]; } } } change 取 0.02~0.05 m。剩下的距离小于 0.3 m 时直接吸附到目标点,否则永远差最后一点点。这个“阈值内吸附”的写法很土,但解决了“逐步逼近永远到不了”的问题。 2026.11.11 2分钟 仿真 90%、实地 80%:一次足球机器人赛的落差清单 技术报告里有一张自评表,是整份文档里最诚实的一页: 指标 通用数据 最好数据 软件仿真进球 50% 90% 软硬件联调 40% 80% 仿真 90%,实地 80%。看起来只差 10 个点,但换个说法就是:每十个点位会有一个踢不进,而比赛只有五个点位、每个 15 秒。这篇文章是把那个 10% 拆开看看。 落差是从哪儿来的 位置是估的,不是量的。 仿真里球有一个确定坐标;实地上只有一个带噪声的估计值,由场地上方摄像头、标定矩阵和球模板共同给出。所有阈值——“球到 5 号 30 以内”“3 号到点 5 以内”——在仿真里是精确判断,在实地是在噪声上做判断。 地毯不吃力学那一套。 仿真里球的减速可以算出来,实地上取决于地毯的毛向、接缝、机器人的吸球口高度。同一脚传球,在地毯这一头能到,挪两米就到不了。 守门员是会动的。 规则写得很清楚:“守门员状态未定、可移动”。也就是说球门后面不是空的,而我们的脚本基本假设了固定球门。7 月 26 日专门为这件事改过一轮。 反馈有延迟。 Lua 每帧跑一次,但“踢出去了”这个事实要等 C++ 侧或视觉侧确认。在这中间的几帧里,状态机看到的是旧世界。 四副补丁,各治一种病 帧确认(Cbuf_cnt(条件, 120))。 治“抖动”——一次错误判定不该让流程往前走。代价是反应变慢:120 帧的确认窗口意味着每次状态切换至少要等两秒(按 60 帧/秒估)。 传接之间的保障环节。 治“踢空”——传完球不立刻进入射门,而是先确认接球方真的拿到了。这一层里接球方还能继续跑位,时间可调。这是技术报告里评为“效果很好、符合预期”的两项之一。 按球的左右位置镜像跑位。 治“撞车”——一开始把两台机器人的位置写死,结果经常挤在同一个点。后期重写的版本按 CGetBallY() 的正负把接球点镜像到 ±35 / ±148。 传球力度分段。 治“近传过猛、远传不到位”——把固定力度换成按目标距离分档的函数。这是 6 月 27 日改的,也是我认为单点收益最高的一次修改。 四副补丁都有效,但没有一副解决根本问题:它们都是在用代码补偿一个没有被标定的环境。 数据说明了什么 2022 年 9 月 18 日全国预选赛,2 号场地第 1 场,两轮取最优: 2026.11.11 1分钟 把 15 秒的比赛规则写成状态机:Lua 战术层与 C++ 技能层 2022 年那场足球机器人赛,规则里最关键的一句话是:每个固定点位 15 秒内完成,射门前至少一次传接配合。它把“让机器人踢球”这道开放题,压成了一道可以被脚本穷举的流程题——两个演员、五个起点、三个状态。 这篇拆一下当时的代码是怎么组织的:Lua 战术层、C++ 技能层,以及一个我到现在还觉得有意思的 bug。 平台只给两层接口 赛项平台 SOM 3.4.2 的扩展方式很克制,只有两层: Team/lua_scripts/play/Package/<场景>/ 下的 Lua 战术脚本,由 Play.lua 调度; Team/user_skills/<名字>.dll 下的 C++ 技能动态库,Lua 通过 task.KickerTask("名字") 直接调用。 Play.lua 本身就是一个状态机调度器。每个战术脚本用一张表注册进去: gPlayTable.CreatePlay{ name = "P_Back", firstState = "GetBall", ["GetBall"] = { switch = ..., Kicker = ..., Receiver = ... }, } 每帧做三件事:换了 play 就重置到 firstState;调当前状态的 switch() 拿到下一个状态名(或 "finish");对状态里列出的每个角色执行对应的 task()。task 是闭包,最终落到 C++ 侧的 CKicker_Skill(name, posX, posY, dir, kickflat, kp, cp)——name 就是 DLL 的文件名,kp 和 cp 是平射与挑射的力度,不写就是 kp=127、cp=6。 2026.11.11 2分钟 报告丢了之后:如何从工程文件重建一份可复现的研究 UR06 的原始报告在课程结束后丢了。留下来的只有 ArcMap 工程、shapefile、栅格、一份题目和几段当时的对话。这个仓库里的 20 页报告是重建出来的。 这篇不讨论热岛,讨论一个更常见的问题:当文档没了,只剩数据和工程文件,怎么把研究过程还原出来,并且诚实地标注哪些是猜的。 先盘库存 重建的第一步不是写,而是列清单: .mxd 里有哪些图层、顺序如何; shapefile 的字段名(Aire、Densité_conso 这种字段会暴露“做过面积计算和 Excel 连接”); 有没有派生图层(VegetationPoint 说明做过 Feature To Point); 栅格的 .aux.xml 里有像元大小、最大值、平均值; 题目要求禁用了哪些数据(这决定了方法边界); 当时的对话记录(能补上“为什么选这三个准则”)。 这些物证比回忆可靠。比如“两次核密度”不是我记得,而是图层名、栅格形态和报告残片共同指向的。 用统计反推方法 aux.xml 里的统计量非常有用: 像元大小 35.5 / 33.5 / 44.4 m → 三幅栅格不是同一网格,合成时必然发生重采样; 最大值和平均值 → 可以判断量纲和归一化方式; 图层计数(43,912 栋建筑、1,131 块绿地、626 处水面)→ 能和 BD TOPO 的属性表对上,确认没有重复计数。 把这些数字写进文档,比写“对建筑做了核密度”更有说服力,也方便别人复核。 给每个结论标可信度 重建文本里,每个要素都带一个标签: [C] 已确认:能从文件、字段、统计或题目直接验证; [D] 推断:从多个物证推出来,但没有原始记录; [待补]:完全丢失,不能编。 比如: “使用 EPSG:2154” → [C],工程里有; “做了两次核密度” → [D],图层形态和栅格梯度支持,但没有原始工具参数; “权重是 0.50 / 0.33 / 0.17” → [D],是重建值,不是原始值; “谁负责哪部分” → [待补],原报告的分工表彻底丢了。 这样做的好处是:读者不会把重建值当成原始值,自己以后也不会记混。 2026.11.09 1分钟 把「城市为什么热」拆成三个连续场:核密度与多准则加权 城市热岛不是一个可以直接测量的图层。UR06 这个项目的做法,是把它拆成三个可以计算的连续场——建筑致热、植被降温、水体降温——再合成一张敏感性地图。这篇记录方法链,以及几个容易做错的地方。 先把投影统一 所有数据先落到 RGF93 / Lambert 93(EPSG:2154)。这一步不是形式主义:如果图层混着经纬度和投影坐标,面积、距离、缓冲半径都会算错,后面的核密度也没有意义。 让每个对象只贡献一次 建筑和植被都是面。直接对面做核密度,大建筑会因为“面积大、像元多”被重复计数。所以先: Union → Feature To Point → 以自身面积作为权重 每栋建筑、每块绿地只变成一个点,权重是它的面积。这样“一栋 200 m² 的房”和“一栋 20,000 m² 的厂房”贡献不同,但都只贡献一次。 为什么要做两次核密度 核密度本质上是一个“钟形”:中心强、四周衰减。但真实的降温/致热不是钟形: 贴着绿地的位置效果最强; 往远处走,效果应该持续衰减,而不是很快归零; 单一搜索半径要么太尖,要么太糊。 项目用了两次核密度(小半径 + 大半径)再组合:小半径负责“贴身处强”,大半径负责“远处弱但仍在”,叠加后才得到随距离衰减的梯度。 这也是我在报告里标注的一个不确定点:搜索半径和核函数参数没有被保存下来,现在文档里的数值是重建的,不是原始值。 掩膜、归一化、取反 三幅梯度图先裁剪到市镇边界,再各自归一化到 0–1。然后是最关键的一步——取反: S = 0.50 · B* + 0.33 · (1 - V*) + 0.17 · (1 - E*) B* 是建筑致热,越高越敏感,直接用; V* 是植被降温,越高越不敏感,所以用 1 - V*; E* 是水体降温,同理用 1 - E*。 如果忘了取反,植被越多算出的敏感性反而越高——这是多准则分析里最经典的符号错误,而且结果看起来“有图有数”,很容易蒙混过去。 结果说明了什么 三幅栅格的统计(读自 .aux.xml): 2026.11.09 1分钟 按价格分段建模:四个模型、两套预处理与 log10 指标 同一个数据集,为什么要把价格拆成“低于 100 €”和“高于 100 €”两段?为什么随机森林赢了线性模型?RMSE = 0.09 到底是准还是不准?这篇把 BA08 项目的建模部分拆开讲。 先看价格分布 波尔多 8,162 条有价格的房源:中位数 82 €、均值 115 €、最高 5,300 €。直方图明显右偏,而且能看到两个“峰”——低价段和高价段的行为不太一样。 所以做了两件事: 价格和计数类特征取 log10,压掉长尾; 以 100 € 为界分成两段,分别建模: low = data[data['price'] < 100] # 2,630 套 high = data[data['price'] > 100] # 1,629 套 不是“拍脑袋 100”,而是分布上的自然断点。分段之后,每段内部的方差更小,模型不用同时拟合两种完全不同的定价逻辑。 两套预处理 同一批特征,做了两种处理: Model 1 Model 2 数值特征 log10 变换 按分位数 qcut 分箱(2–3 档) 类别特征 one-hot(drop_first=True) one-hot(drop_first=True) 特征数 88 57 Model 2 的想法是“分箱能抗噪、能捕捉非线性”。听起来有道理,但结果并不支持。 四个模型 每个价格段都训练: 多元线性回归; 随机森林(max_depth=8,n_estimators=100,random_state=0); Ridge(alpha 用 GridSearchCV 在 [0.001, 0.01, 0.1, 1, 10, 100] 里选); Lasso(alpha 在 [1e-4, 5e-3, 1e-3, 5e-2, 1e-2, 0.1] 里选)。 验证用 KFold(n_splits=8/10, shuffle=True),另做 70/30 的 train/test 划分。指标是 log10 空间的 RMSE 和 R²。 2026.11.09 2分钟 从房源标题里挖特征:正则、缺失值与信息量 Inside Airbnb 的 listings.csv 看着字段很多,真正能直接用的却没几个:面积没有、装修没有、景观没有。但有一列被大多数人当成文本丢掉——name,房源标题。 波尔多的标题长这样: Rental unit in Bordeaux · ★New · 2 bedrooms · 1 bath 卧室数、床位数、浴室数、评分,全在里面。这篇讲怎么把它们抽出来,以及抽错/抽漏的代价。 先看数据长什么样 数据集是 11,854 行 × 18 列,latin-1 编码。标题里的分隔符和星号在 UTF-8 下会变成乱码(¡¤、¡ï),所以读文件时要按实际编码来: for encoding in ['utf-8', 'latin1', 'gbk']: try: data = pd.read_csv(path, encoding=encoding) break except UnicodeDecodeError: continue 这不是“保险起见”,而是因为文件确实不是 UTF-8。先打印几行原始标题,比直接写正则更重要。 五个新特征 从 name 里抽 5 列: note:评分,New 记为 −1; number_of_bedrooms; number_of_beds; number_of_baths; type_of_baths:独立还是共用。 卧室的抽取逻辑是“数字 + bedroom”,外加两个边界情况: match = re.search(r'([\d\.]+)\s*bedroom', row['name']) if match: data.at[index, 'number_of_bedrooms'] = match.group(1) elif 'Studio' in row['name']: data.at[index, 'number_of_bedrooms'] = 1 else: data.at[index, 'number_of_bedrooms'] = float('nan') Studio 没有写卧室数,但按常识记 1 间;抽不到就置 NaN,后面统一删行,而不是猜一个值。 2026.11.09 1分钟