第1章 课程导入：学习目标、项目总览、K210平台与小车硬件组成、课程成果展示
欢迎进入《K210机器人视觉项目：目标识别和小车导航联动》课程。本章作为整个课程的起点，将帮助你建立对项目的整体认知框架。我们将从学习目标出发，明确课程的技术边界与能力培养方向；随后展开项目总览，理解视觉识别与运动控制之间的数据流关系；接着深入剖析K210芯片的硬件架构与小车平台的组成模块；最后通过课程成果展示，让你对最终交付物有直观预期。本章的核心价值在于：在你动手编写第一行代码之前，先建立完整的系统观——知道每一个模块为什么存在、彼此如何协作、以及调试时从哪里入手。
1.1 学习目标：从视觉识别到运动控制的完整链路
本课程的学习目标不是孤立的“学会调用某个API”或“跑通一个Demo”，而是培养你在嵌入式AI机器人领域的系统设计与调试能力。具体而言，完成本课程后，你将具备以下核心能力：
- 硬件认知能力：理解K210芯片的内部架构（双核RISC-V CPU、KPU神经网络加速器、FPIOA灵活引脚映射、DVP摄像头接口），能够独立查阅数据手册并完成引脚分配。
- 视觉模型部署能力：掌握从训练（PC端）到转换（KModel格式）再到部署（K210端）的完整流程，能够针对特定目标（如颜色块、数字卡片、ArUco码）训练并优化模型。
- 实时推理与决策能力：理解KPU的推理机制，能够编写高效的图像预处理代码，并将识别结果（目标类别、坐标、置信度）转化为导航控制指令。
- 运动控制与联动能力：掌握PWM电机控制、差速转向模型、PID闭环调速，能够根据视觉反馈实现“看到什么就做什么”的联动逻辑。
- 系统调试与排障能力：熟练使用串口日志、摄像头画面回传、引脚电平测量等手段，快速定位硬件或软件故障。
课程能力模型：本课程强调“端到端”思维——从摄像头采集的一帧图像开始，到电机转动产生位移结束，中间每一个环节都要求你理解其原理并能独立调试。我们不满足于“代码能跑”，而是追求“你知道它为什么能跑，以及什么情况下它会跑偏”。
1.2 项目总览：视觉识别与导航联动的数据流
整个项目的本质是一个感知-决策-执行的闭环系统。K210作为主控芯片，承担了感知（摄像头采集与KPU推理）和决策（导航逻辑）两大核心任务；小车底盘则负责执行（电机驱动）。理解这个数据流是后续所有开发的基础。
系统运行时，数据流遵循以下路径：
- 图像采集：OV2640摄像头通过DVP接口将RGB565格式的图像帧送入K210的DVP控制器，图像分辨率通常设置为QVGA（320×240）以平衡速度与精度。
- 预处理：CPU将RGB565图像转换为KPU所需的输入格式（如RGB888或灰度图），并可能进行缩放、归一化等操作。此过程耗时约5-15ms。
- KPU推理：将预处理后的图像数据送入KPU，执行已部署的KModel神经网络推理。对于YOLOv2-tiny模型，推理时间约为30-80ms（取决于模型复杂度和输入尺寸）。
- 结果解析：CPU从KPU的输出内存中解析出检测框坐标、类别和置信度，过滤低置信度结果，得到最终的目标列表。
- 导航决策：根据目标在图像中的位置（如x坐标偏移量），通过PID控制器或状态机逻辑计算出左右电机的PWM占空比差值。
- 电机执行：PWM信号通过GPIO输出至TB6612电机驱动模块，驱动直流减速电机转动，实现前进、后退、转向等动作。
| 环节 | 耗时预算 | 关键硬件/模块 | 调试手段 |
|---|---|---|---|
| 图像采集 | 10-20ms | OV2640 + DVP | 摄像头画面回传 |
| 预处理 | 5-15ms | CPU + SRAM | 计时函数 |
| KPU推理 | 30-80ms | KPU + KModel | 日志打印推理耗时 |
| 导航决策 | <5ms | CPU + PID | 串口打印目标坐标 |
| 电机执行 | 实时 | TB6612 + 电机 | 观察车轮转速 |
性能瓶颈提示：整个链路的帧率上限由最慢环节决定。如果KPU推理需要80ms，那么即使图像采集只需10ms，整体帧率也只能达到约12FPS。在后续课程中，我们将学习如何通过模型压缩、图像缩放、双核并行等手段优化帧率。
1.3 K210平台与小车硬件组成
K210是嘉楠科技推出的一款RISC-V架构SoC，专为边缘视觉应用设计。其核心亮点在于集成了KPU（Knowledge Processing Unit）神经网络加速器，可以在低功耗下运行轻量级CNN模型。对于机器人项目而言，K210的以下特性至关重要：
- 双核RV64GC处理器：主频400MHz，支持硬件浮点运算，可运行裸机程序或轻量级RTOS（如FreeRTOS）。
- KPU神经网络加速器：支持卷积、池化、全连接等常用算子，峰值算力达0.8TOPS，功耗仅0.3W。
- FPIOA（灵活引脚映射）：允许将任意内部功能映射到任意物理引脚，极大简化了PCB布线，但也要求开发者在代码中明确配置引脚复用关系。
- DVP摄像头接口：支持8位并行数据输入，兼容OV2640、OV5640等常见摄像头模组。
- 丰富的外设：包括UART、SPI、I2C、PWM、Timer等，满足与电机驱动、传感器、显示屏等外设的通信需求。
小车硬件平台通常由以下模块组成，各模块的选型与连接方式直接影响系统稳定性：
| 模块 | 推荐型号 | 关键参数 | 与K210连接方式 |
|---|---|---|---|
| 主控 | Sipeed Maix Bit / Dock | K210 @ 400MHz，8MB SRAM | 核心板，引出所有GPIO |
| 摄像头 | OV2640 | 200万像素，DVP接口 | 24-pin FPC排线 |
| 电机驱动 | TB6612FNG | 双路H桥，峰值电流1.2A | PWM + GPIO方向控制 |
| 电机 | N20微型减速电机 | 减速比1:30，额定电压6V | 驱动模块输出端 |
| 电源 | 2×18650锂电池 | 7.4V，2000mAh | 经降压模块供5V/3.3V |
| 显示屏（可选） | ST7789 LCD | 1.3寸，240×240 | SPI接口 |
选型经验：对于初学者，建议直接购买Sipeed Maix系列开发板，它们已经将K210核心电路、摄像头接口、LCD接口等集成完毕，并提供了完善的MicroPython固件支持。这样你可以先专注于视觉算法和导航逻辑，待熟悉后再考虑自行设计底板。
1.4 课程成果展示：从单目标追踪到多目标导航
为了让你对课程终点有清晰认知，这里展示三个递进式的项目成果。这些成果将在后续章节中逐步实现，每个成果都对应一组核心技能。
成果一：单色块追踪小车（第4-8章）
小车能够识别画面中指定颜色的色块（如红色小球），并自动调整方向使色块始终位于画面中央。当色块距离过近时，小车后退；距离过远时，小车前进。此阶段主要训练颜色识别、坐标提取和基础PID控制。
成果二：数字卡片识别与响应（第9-15章）
在画面中放置写有数字1-5的卡片，小车识别数字后执行对应动作：数字1前进，数字2后退，数字3左转，数字4右转，数字5停止。此阶段引入CNN模型训练与部署，要求你独立完成数据采集、模型训练、KModel转换和KPU推理。
成果三：ArUco码定位与路径导航（第16-24章）
在场地中布置多个ArUco码作为路标，小车通过识别ArUco码的ID和位置，实现“从A点出发，经过B点，到达C点”的路径导航。此阶段综合运用视觉定位、坐标变换、状态机设计和多目标决策，是课程的综合性大作业。
成果验收标准：每个成果都有明确的量化指标。例如，成果一要求追踪成功率≥90%（色块不丢失超过2秒），成果二要求识别准确率≥95%（50次测试），成果三要求导航成功率≥80%（10次完整路径测试）。这些指标将作为你自我评估和课程考核的依据。
1.5 常见误区与学习建议
根据过往教学经验，初学者在课程初期容易陷入以下误区，需要特别警惕：
- 误区一：重代码轻硬件。很多同学拿到开发板后急于写代码，却不阅读原理图，导致引脚接错、电压不匹配等问题。建议先花2小时通读开发板原理图，标注出电源、地、关键信号线的位置。
- 误区二：忽视FPIOA配置。K210的引脚功能不是固定的，必须通过代码配置。如果摄像头无图像或电机不转，首先检查FPIOA映射是否正确。
- 误区三：模型越大越好。在K210上部署模型时，参数量与推理速度、内存占用直接相关。一个YOLOv2-tiny模型（约3MB）已经占用K210大部分可用内存，盲目增加层数会导致OOM（内存溢出）。
- 误区四：忽略电源稳定性。电机启动瞬间电流可达1A以上，如果电源模块压降过大，会导致K210复位。务必使用独立的5V稳压模块为电机驱动供电，并与逻辑电源隔离。
安全提醒：在调试电机时，务必先将小车架空（轮子离地），避免意外移动造成伤害或损坏。同时，锂电池充电时需有人看管，避免过充。
学习建议：建议为每个章节准备一个独立的工程文件夹，记录代码版本和调试日志。遇到问题时，先复现现象，再通过串口日志和硬件测量缩小范围，最后查阅数据手册或社区资料。本课程的核心不是“记住答案”，而是“掌握排查路径”。