LEGO 循跡避障機器人

專案概述

2018 年我參加了全能機器人國際邀請賽的循跡競賽，最後拿下第一名。

循跡競賽的規則很直觀：機器人要沿著場地上的黑色軌道從起點跑到終點，比的是完 成度與速度。難的地方在於軌道上會擺放寶特瓶障礙物——機器人不能撞倒它，必 須自己偵測、繞開，再回到軌道上繼續前進。也就是說，這不只是「跟著線走」，而 是要讓機器人在「循線」與「避障」兩種模式之間可靠地切換。

我的機器人以 LEGO 打造，設計上有三個關鍵：

• 左右兩顆顏色感測器夾著軌道，用兩邊的反射光差值判斷偏移方向與幅度
• 前方一顆超音波感測器，負責提早發現寶特瓶障礙物
• 四顆全向輪（萬向輪），讓機器人可以不轉彎、直接橫向平移閃避障礙，這 是整台車在避障時又快又穩的關鍵

比賽至今已經好幾年，當時的機器人實體與程式都已經沒有保留下來，只剩下獎狀。 這篇是依照我記得的設計重新整理，圖與程式碼皆為重新繪製、改寫的示意。

機構設計：感測器配置與 X 型全向輪

• 顏色感測器（左、右）：裝在車頭下方、貼近地面，間距略大於軌道寬度。正常 行駛時黑線剛好落在兩顆感測器中間，兩邊都讀到白色；一旦車子偏移，其中一邊就 會先讀到黑線
• 超音波感測器（前方）：朝向行進方向，持續量測前方距離，距離小於門檻就代表 寶特瓶出現在軌道上
• 四顆全向輪，X 型配置：四顆輪子各自由一顆馬達驅動，以 45 度斜放在車身四 角。全向輪的輪框上有一圈可以自由滾動的小滾輪，所以每顆輪子只在自己的方向上 「出力」，側向不會產生阻力；四顆輪子的出力向量疊加起來，就能組合出前後、 左右、旋轉三種動作

選擇全向輪是整台車最重要的設計決策。一般兩輪差速車遇到障礙物時，必須「轉 彎 → 前進 → 轉回來 → 再轉彎找線」，每一次轉彎都會累積角度誤差，回到軌道時車頭 方向常常是歪的，很容易一找到線就又衝出去。全向輪可以保持車頭方向不變、直接 側移，繞完障礙物後車身仍然和軌道平行，回到線上馬上就能繼續循跡。

循跡控制：兩顆顏色感測器的差值控制

最直覺的寫法是「左邊看到黑就左轉、右邊看到黑就右轉」，但這種**開關式（Bang- Bang）**控制只有兩種動作，車子會在線上不停左右擺盪，速度一快就甩出軌道。

改善的方式是使用顏色感測器的反射光強度（0–100 的連續數值），而不是只判斷黑 白：

1. 計算誤差：error = 左反射值 − 右反射值。線在正中間時兩邊差不多，誤差接近 0；線越偏向某一邊，那一邊越暗，誤差的絕對值就越大
2. 比例修正（P）：轉向量與誤差成正比——偏一點就修一點、偏很多就修很多，車子 的行進軌跡會平滑很多
3. 微分修正（D）：再加上「誤差的變化量」，在車子快速擺回中線時提前減少修 正，抑制過衝造成的來回擺盪

當時程式是用 EV3 的圖形化積木撰寫，以下用虛擬碼表達核心邏輯：

Kp = 0.8           // 比例增益，依實測調整
Kd = 4.0           // 微分增益
BASE_SPEED = 45    // 直線時的基礎速度
lastError = 0

loop:
    error = leftSensor.reflected - rightSensor.reflected
    turn  = Kp * error + Kd * (error - lastError)
    lastError = error

    // X 型全向輪：前進分量 + 旋轉分量
    drive(forward = BASE_SPEED, strafe = 0, rotate = turn)

Kp、Kd 和基礎速度沒有標準答案，只能在場地上反覆實測：先只調 Kp 到車子剛 好開始擺盪，再慢慢加上 Kd 把擺盪壓下來，最後才把速度往上拉。另外每次換場地 都會先校正感測器——讀一次白底、一次黑線的反射值，因為比賽場地的燈光和練習 時不同，數值會跟著偏移。

避障：狀態機 + 橫向平移

避障的流程用一個簡單的狀態機實作，每個狀態只做一件事，結束條件明確，不容 易在比賽中「卡在中間」：

幾個在練習時踩過、後來特別處理的細節：

• 距離門檻要留緩衝：超音波量測有延遲，車速越快煞停距離越長。門檻設得太近會 直接撞上瓶子，太遠又可能誤判場邊的物體，最後依實際車速調出一個剛好的距離
• 用馬達角度量距離，而不是用時間：平移與前進的距離都以馬達編碼器的旋轉角度 判斷，不會因為電池電量下降、馬達變慢而走不夠遠
• 回線時用「找到線」當結束條件：STEP_IN 不是平移固定距離，而是一直平移到顏 色感測器重新看到黑線為止，即使前面幾步有誤差也能自我修正
• 回線後先降速：剛回到軌道時車身位置還不穩定，先以較低速度循跡一小段，再恢 復正常速度

競賽成果

• 在 2018 全能機器人國際邀請賽 循跡競賽 中拿下 第一名
• 機器人能穩定完成循線，遇到寶特瓶障礙物時自動繞開、回到軌道，全程不需人工介 入

收穫

• 先把問題拆成狀態，再處理每個狀態：循跡和避障如果寫在同一個大迴圈裡，條件 會互相干擾；拆成狀態機後，每個狀態只要關心自己的動作與結束條件，除錯時也能很 快知道車子卡在哪一步。這和我後來設計後端流程、事件驅動系統時的思考方式是一樣 的
• 回饋控制的直覺：從開關式控制改成比例 + 微分控制，是我第一次實際感受到 「依誤差大小調整反應」的威力。後來在 Kubernetes 上設定 HPA、調整告警門檻 時，背後其實是同一套回饋迴路的觀念
• 硬體選型決定了軟體的難度：選擇全向輪讓避障邏輯簡化成「平移出去、平移回 來」，省掉大量轉彎角度的修正程式。好的架構選擇，往往能讓後面的程式寫得更簡 單

使用技術

• 平台：LEGO MINDSTORMS EV3（主控制器、四顆大型伺服馬達）
• 感測器：顏色感測器 × 2（反射光強度模式）、超音波感測器 × 1
• 機構：X 型配置四顆全向輪（萬向輪），支援全向移動
• 控制：PD 循跡控制、避障狀態機、馬達編碼器距離控制、感測器校正
• 開發工具：EV3 圖形化程式（積木式）