基于K210的嵌入式视觉追踪系统：从算法选型到工程实践-拓冰建站

1. 项目概述与核心需求拆解

“运动目标控制与自动追踪系统”，这个题目一出来，很多参加过电赛或者做过类似项目的朋友应该会心一笑。它本质上是一个典型的“感知-决策-控制”闭环系统，而视觉部分，就是这个系统的“眼睛”和一部分“大脑”。题目要求系统能够识别特定的运动目标，并控制云台或执行机构（比如小车、机械臂）实现对目标的自动追踪。这听起来像是电影里的场景，但在今天，用一块K210这样的嵌入式AI芯片，加上一些开源算法，完全可以在赛场上实现。

这个题目的难点和魅力在于它的综合性。它绝不仅仅是调通一个图像识别算法那么简单。你需要考虑在资源受限的嵌入式平台上（K210算力有限，内存也小），如何稳定、快速、准确地完成从图像采集、目标检测、到坐标解算、再到与主控（如STM32）通信的完整链路。任何一个环节的延迟或抖动，都会在最终的追踪效果上被放大。所以，做这个题目，你实际上是在搭建一个微型的、实时的机器视觉系统。

视觉部分的核心任务可以拆解为三个层次：“看得见”、“认得准”、“传得快”。

看得见：指的是图像采集的稳定性和预处理的有效性。摄像头选型、安装、图像去畸变、白平衡、曝光调整，这些基础工作决定了后续算法能在一个多“干净”的数据上工作。
认得准：特指运动目标的检测与识别。这里又分两种情况：如果目标是形状、颜色有显著特征的（比如电赛常出的红色小球、特定图案的卡片），那么传统数字图像处理（OpenCV那一套）结合K210的硬件加速可能就够了；如果目标更复杂（比如特定的人、动物），那就需要用到轻量级的神经网络模型，在K210上部署运行。
传得快：指的是将识别结果（通常是目标在图像中的像素坐标、大小、类别等信息）以极低的延迟、稳定的格式发送给主控单片机。这里涉及到通信协议的设计（如串口自定义协议）、数据打包、以及可能的滤波算法（比如卡尔曼滤波预测目标位置，减少抖动）。

适合谁来参考这篇内容呢？首先是备战电赛E题或类似题目的同学，这是最直接的。其次是任何想学习如何在嵌入式设备上实现实时机器视觉的爱好者，无论是做智能小车、追踪云台还是简单的机械臂抓取，这里的思路和踩坑经验都是相通的。即使你只对其中一部分感兴趣，比如K210的模型部署或者OpenMV的用法，也能找到对应的干货。

2. 视觉系统整体方案设计与选型考量

接到题目，第一步不是急着写代码，而是定方案。方案选型直接决定了你后续开发的难度上限和性能天花板。对于电赛这种有时间限制的竞赛，选择一个成熟、稳定、社区支持好的方案至关重要。

2.1 核心硬件平台：为什么是K210？

K210在这类题目中几乎是“标配”，这不是没有道理的。它是一颗双核64位RISC-V CPU，但最核心的是它内置了KPU（神经网络处理器）和APU（音频处理器）。对于视觉任务，KPU是灵魂。它支持卷积、批归一化、激活函数等操作的硬件加速，能让你在极低的功耗下（典型值300mW），实时运行一些轻量级神经网络模型，比如MobileNetV1/YOLOv2的变种，进行人脸检测、物体分类等。

与传统的“STM32+OpenMV”或者“树莓派+摄像头”方案相比，K210的优势非常明显：

性价比与集成度：一颗芯片搞定图像采集、AI推理和基础控制逻辑，无需额外的Linux系统，启动速度快，系统更简单可靠。
功耗与实时性：专为边缘AI设计，功耗远低于树莓派，且推理过程是硬件加速，延迟确定性强，适合对实时性要求高的追踪场景。
开发生态：虽然有嘉楠科技官方SDK、MaixPy（MicroPython）等多种开发方式，但社区围绕MaixPy和诸如“MaixHub”模型平台构建了丰富的资源，很多现成的目标检测模型可以一键部署。

当然，它也有局限。KPU对模型结构有特定要求（需要是KModel格式），内存（8MB）限制了输入图像分辨率和模型复杂度，双核CPU的主频（400MHz）在处理复杂图像算法时也可能成为瓶颈。因此，我们的方案设计必须“量体裁衣”。

2.2 软件框架选择：MicroPython vs C SDK

这是第二个关键抉择。主流有两种路径：

MaixPy（MicroPython）：上手极快，语法简单，交互式开发调试方便。官方和社区提供了大量高层API，例如image.find_blobs（找色块）、kpu.load（加载模型）等，让你用十几行代码就能跑起一个视觉程序。对于电赛这种追求快速原型的场景，MaixPy往往是首选。
官方C SDK（Kendryte IDE）：性能更高，对硬件底层控制更精细，内存管理更自主。如果你需要榨干K210的每一分性能，或者要实现非常定制化的图像预处理流水线，C语言是更优选择。但开发调试周期长，对参赛者的C语言和嵌入式功底要求高。

我的建议是：对于绝大多数电赛队伍，优先选择MaixPy。它的开发效率优势在紧张的比赛周期中是决定性的。我们完全可以通过优化代码结构、合理使用硬件加速模块（如FFT、AI）来弥补解释型语言的速度损失。本文后续的实操也将基于MaixPy展开。

2.3 目标检测算法选型：传统图像处理 vs 神经网络

这是技术路线的核心分岔口，需要根据题目给出的具体目标来决定。

方案A：传统数字图像处理（OpenCV算法思想）

适用场景：目标具有鲜明的、可与背景分离的颜色特征（如红色小球、绿色激光点）或形状特征（如黑色矩形框、圆形图案）。
实现方法：
1. 颜色阈值化：将RGB图像转换到HSV颜色空间，针对目标的颜色范围（如红色的H值范围）设置阈值，得到二值图像。
2. 形态学操作：对二值图像进行腐蚀、膨胀，消除噪点，连接断裂区域。
3. 轮廓查找与筛选：找出所有轮廓，根据面积、周长、宽高比、圆形度等几何特征，筛选出最可能是目标的轮廓。
4. 位置计算：计算选中轮廓的最小外接矩形或中心点，得到像素坐标。
优点：算法简单，计算量极小，在K210上可以跑到很高的帧率（>50fps），稳定性好，可预测性强。
缺点：对环境光线变化敏感，如果背景中出现颜色相近的干扰物，容易误判。

方案B：轻量级神经网络（基于KPU）

适用场景：目标特征复杂，颜色形状不唯一（如特定的人、动物、交通标志），或者需要同时识别多个不同类别的目标。
实现方法：
1. 模型准备：使用YOLO、MobileNet-SSD等框架，在自己的数据集或公开数据集上训练一个轻量级目标检测模型，然后通过NNCase等工具转换为K210支持的.kmodel格式。
2. 模型部署：在MaixPy中使用kpu模块加载kmodel，设置输入分辨率（通常是224x224或320x240），进行前向推理。
3. 结果解析：解析KPU输出的检测结果，通常包括类别ID、置信度、边界框坐标。需要将这些坐标从模型输入尺度映射回原始图像尺度。
优点：识别能力强，抗干扰能力好，对光线变化相对鲁棒，能处理复杂目标。
缺点：开发周期长（需要数据采集、标注、训练、转换），模型会占用大量内存，帧率相对较低（可能只有5-15fps），对芯片发热有一定影响。

实操心得：在电赛环境中，除非题目明确要求识别复杂物体，否则优先考虑传统方案。它的稳定性和高帧率对于需要快速响应的追踪系统来说是无价的。你可以用神经网络作为备选或辅助方案，比如先用颜色筛选出候选区域，再用一个微型的分类网络确认是不是目标，这样可以平衡速度和精度。

3. 核心模块实现与代码级详解

方案定好，我们就进入具体的实现环节。这里我以一个典型的“追踪色块（比如红色小球）”场景为例，用MaixPy进行分步拆解。假设我们的硬件是Sipeed Maix Dock（K210开发板）搭配一颗OV2640摄像头。

3.1 硬件连接与环境初始化

首先确保硬件连接正确。摄像头通常通过DVP接口与K210连接，在Maix Dock上一般是插接好的。串口用于调试和与STM32通信，注意TX、RX要交叉连接。

import sensor, image, time, lcd from machine import UART from fpioa_manager import fm # 1. 初始化LCD（如果有的话，用于实时预览） lcd.init() # 2. 初始化摄像头 sensor.reset() # 复位摄像头 sensor.set_pixformat(sensor.RGB565) # 设置像素格式，RGB565是彩色，处理速度快 sensor.set_framesize(sensor.QVGA) # 设置分辨率：320x240。更高的分辨率如VGA(640x480)会降低帧率。 sensor.skip_frames(time = 2000) # 跳过开始几帧，等待摄像头稳定 sensor.set_auto_gain(False) # 关闭自动增益（重要！） sensor.set_auto_whitebal(False) # 关闭自动白平衡（重要！） # 可以手动设置增益和白平衡，确保颜色稳定 # sensor.set_auto_exposure(False, exposure_us=5000) # 手动曝光在某些光照下有用 # 3. 初始化串口，用于与STM32通信 fm.register(6, fm.fpioa.UART1_RX, force=True) # 根据板子实际引脚映射 fm.register(7, fm.fpioa.UART1_TX, force=True) uart = UART(UART.UART1, 115200, 8, 0, 1, timeout=1000, read_buf_len=4096) clock = time.clock() # 创建一个时钟对象来跟踪FPS

关键参数解析：

sensor.set_framesize(sensor.QVGA)：选择QVGA(320x240)是平衡帧率和识别精度的常见选择。分辨率越高，处理耗时越长。对于追踪一个色块，QVGA足够。
sensor.set_auto_gain(False)和sensor.set_auto_whitebal(False)：这是颜色追踪稳定的关键！自动功能会让摄像头根据环境光动态调整，导致你设定的颜色阈值失效。必须关闭，并可能在比赛现场根据光线微调。
UART初始化：波特率115200是常用值。timeout和read_buf_len根据通信数据量调整。

3.2 图像采集与颜色阈值化

接下来是核心的图像处理循环。

# 定义红色的阈值。HSV颜色空间比RGB更接近人眼对颜色的感知。 # 在HSV中，Hue(色调)范围是0-180（OpenCV中），Saturation(饱和度)和Value(明度)是0-255。 # 红色在HSV环的两端，所以通常需要两个区间。 red_thresholds = [(30, 80, 15, 80, 15, 80)] # 这是一个示例，需要实际调试！ # 格式通常是 (L_H, L_S, L_V, H_H, H_S, H_V) 即低值和高值。 while(True): clock.tick() # 开始计时 img = sensor.snapshot() # 抓取一帧图像 # 方法1：使用 find_blobs 直接找色块（最常用） blobs = img.find_blobs([red_thresholds], pixels_threshold=50, area_threshold=50, merge=True) # pixels_threshold: 像素点数阈值，过滤噪点 # area_threshold: 面积阈值 # merge: 合并相邻的色块 if blobs: # 假设我们找面积最大的那个色块 max_blob = max(blobs, key=lambda b: b.area()) # 在图像上画框，可视化（调试用） img.draw_rectangle(max_blob.rect(), color=(0, 255, 0)) img.draw_cross(max_blob.cx(), max_blob.cy(), color=(0, 255, 0)) # 计算目标在图像中的归一化坐标（-1到1之间），方便发送给云台控制器 img_width = img.width() img_height = img.height() target_x = (max_blob.cx() - img_width / 2) / (img_width / 2) # 范围[-1, 1]，中心为0 target_y = (max_blob.cy() - img_height / 2) / (img_height / 2) # 范围[-1, 1]，中心为0 # 打包数据，准备发送。例如，发送“X0.75Y-0.12\n” data_to_send = "X{:.2f}Y{:.2f}\n".format(target_x, target_y) uart.write(data_to_send) else: # 没有找到目标，可以发送一个特定指令，比如让云台停止或缓慢扫描 uart.write("X0.00Y0.00\n") # 或者发送一个搜索指令 # 在LCD上显示图像和FPS（调试用） img.draw_string(0, 0, "FPS:%.1f" % clock.fps(), color=(255,0,0)) lcd.display(img)

调试技巧：如何确定颜色阈值？MaixPy IDE通常有一个“阈值编辑器”工具。你可以先运行一个简单的脚本实时显示摄像头画面，然后用取色工具框选目标区域，它会自动给出HSV的阈值范围。在现场，务必在比赛场地实际的光照条件下重新校准阈值。

3.3 与STM32的通信协议设计

通信的稳定性和解析效率直接影响系统响应。设计一个简单高效的协议很重要。

协议示例（自定义ASCII协议）：

数据帧格式：[帧头][数据X][分隔符][数据Y][帧尾]
例如：“X0.75Y-0.12\n”
- 帧头：X
- 数据X：0.75（浮点数，字符串形式）
- 分隔符：Y
- 数据Y：-0.12
- 帧尾：\n（换行符，作为帧结束标志）

在STM32端（以HAL库为例）的解析代码逻辑：

// 假设使用串口中断接收 uint8_t rx_buffer[32]; uint8_t rx_index = 0; float target_x = 0, target_y = 0; void HAL_UART_RxCpltCallback(UART_HandleTypeDef *huart) { if(huart->Instance == USART1) { uint8_t rx_char = rx_buffer[rx_index]; if(rx_char == '\n') { // 检测到帧尾 rx_buffer[rx_index] = '\0'; // 字符串结束符 // 解析数据，例如使用sscanf if(sscanf((char*)rx_buffer, "X%fY%f", &target_x, &target_y) == 2) { // 成功解析，更新控制器的目标值 // PID_Update(target_x, target_y); } rx_index = 0; // 重置索引 } else if(rx_index < sizeof(rx_buffer)-1) { rx_index++; } else { rx_index = 0; // 防止溢出 } HAL_UART_Receive_IT(huart, &rx_buffer[rx_index], 1); // 重新开启中断接收下一个字符 } }

为什么用\n作帧尾？因为它是一个不可见的控制字符，在正常数据中几乎不会出现，可以可靠地标识一帧结束。比用特定数据字节更简单。

3.4 进阶处理：滤波与预测

直接发送原始的检测坐标会导致云台控制抖动严重，因为视觉检测存在噪声。我们需要引入滤波算法。

最简单的移动平均滤波：

# 在循环外初始化 filter_window_size = 5 x_history = [0] * filter_window_size y_history = [0] * filter_window_size history_index = 0 # 在找到目标后，更新历史记录并计算平均值 x_history[history_index] = target_x y_history[history_index] = target_y history_index = (history_index + 1) % filter_window_size filtered_x = sum(x_history) / filter_window_size filtered_y = sum(y_history) / filter_window_size # 发送 filtered_x, filtered_y

更优的选择——卡尔曼滤波：对于匀速或匀加速运动的物体，卡尔曼滤波能很好地预测下一时刻的位置，从而补偿处理延迟，让追踪更平滑。虽然MaixPy上实现完整的卡尔曼滤波稍复杂，但对于有能力的队伍，这是一个巨大的加分项。其核心思想是利用运动模型预测位置，再与视觉测量值进行加权融合，得到最优估计。

4. 神经网络模型部署流程详解（备选方案）

当传统方法不适用时，就需要上神经网络。这里简述从训练到部署的完整流程。

4.1 模型训练与转换

数据采集与标注：使用摄像头拍摄目标在不同角度、距离、光照下的图片，至少几百张。使用LabelImg等工具标注出目标边界框，生成PASCAL VOC格式的XML文件或YOLO格式的txt文件。
选择与训练模型：由于K210的KPU支持有限，通常选择：
- YOLOv2 Tiny：检测精度和速度平衡较好，社区转换教程多。
- MobileNetV1-SSD：轻量化，适合小目标检测。使用PyTorch或TensorFlow（Keras）框架在PC上进行训练。重点在于模型要足够小，输入尺寸常用224x224或320x240。
模型转换：使用NNCase工具链。这是一个将训练好的模型（如ONNX、TFLite）转换为KModel的命令行工具。转换过程可能会遇到算子不支持、量化精度损失等问题，需要仔细查阅NNCase文档和社区案例。

4.2 MaixPy加载与推理

import KPU as kpu import gc # 加载模型 task = kpu.load("/sd/your_model.kmodel") # 模型放在SD卡中 # 设置模型输入形状 anchor = (1.08, 1.19, 3.42, 4.41, 6.63, 11.38, 9.42, 5.11, 16.62, 10.52) # YOLO的anchor，需要根据训练时配置 kpu.init_yolo2(task, 0.5, 0.3, 5, anchor) # 阈值0.5，NMS阈值0.3，5个anchor while(True): img = sensor.snapshot() # 运行推理 objects = kpu.run_yolo2(task, img) if objects: for obj in objects: # 绘制检测框 img.draw_rectangle(obj.rect()) # 获取坐标信息 x, y, w, h = obj.rect() target_x = (x + w//2 - img.width()/2) / (img.width()/2) target_y = (y + h//2 - img.height()/2) / (img.height()/2) # ... 发送数据 ... else: # 未检测到目标 pass gc.collect() # K210内存小，定期垃圾回收很重要

注意事项：神经网络模型推理会消耗大量内存。务必在代码中定期调用gc.collect()进行垃圾回收，否则很快会内存溢出导致程序崩溃。同时，模型加载后，会常驻内存，不要再进行动态加载/卸载。

5. 系统联调与性能优化实战

当视觉模块单独工作稳定后，就要和STM32主控联调，并优化整个系统的性能。

5.1 帧率与延迟优化

追踪系统的实时性至关重要。你需要测量并优化两个关键指标：视觉处理帧率（FPS）和端到端延迟（从目标移动，到云台开始响应的时间）。

测量FPS：上面的代码中已经用clock.fps()在计算。确保在最终比赛代码中移除或禁用LCD显示，因为显示操作非常耗时，可能使FPS下降一半以上。
优化FPS：
1. 降低分辨率：从QVGA降到QQVGA(160x120)，处理速度会成倍提升。对于不远的目标，可能够用。
2. 减少处理区域（ROI）：如果目标大致出现在画面某个区域，可以只对那一部分图像进行处理。img.crop()出一个区域再处理。
3. 简化算法：在保证识别率的前提下，减少形态学操作次数，简化轮廓分析的逻辑。
4. 关闭调试功能：移除所有draw_rectangle,draw_string,lcd.display等函数。
5. 使用硬件加速：K210的FPIOA、FFT等模块可以加速特定运算，但MaixPy高层API可能封装了，底层优化需要深入C层。
测量与降低延迟：
1. 通信延迟：提高串口波特率（如921600），确保数据帧尽可能短。
2. 处理流水线：尝试使用双缓冲或多线程（虽然MaixPy对多线程支持有限）。一个核心用于图像采集和预处理，另一个核心用于算法处理和通信。
3. 预测算法：如前所述，使用卡尔曼滤波预测下一帧位置，可以抵消一部分处理延迟的影响。

5.2 稳定性与鲁棒性提升

系统在现场必须稳定运行数小时。以下措施能极大提升稳定性：

防丢帧与异常处理：在while循环中加入异常捕获，防止某次图像处理异常导致整个程序崩溃。
```
try: img = sensor.snapshot() # ... 处理过程 ... except Exception as e: print("Error:", e) continue
```
看门狗：如果使用MaixPy的C模块或自己写C代码，可以启用硬件看门狗，在程序卡死时自动复位。
电源管理：K210全速运行时会发热。确保供电充足（5V/2A以上），必要时加装小型散热片。电压不稳会导致摄像头采集花屏或芯片复位。
环境光适应性：如果比赛场地光照可能变化，可以考虑：
- 自动曝光/增益算法：虽然我们关闭了自动模式，但可以自己写一个简单的算法，定期根据图像整体亮度调整sensor.set_auto_exposure的参数。
- 动态阈值：根据图像统计信息（如平均亮度、颜色直方图）动态微调颜色阈值。
- 多阈值切换：准备几套针对不同光照条件的阈值参数，通过一个光敏电阻或摄像头图像平均亮度来判断并切换。

5.3 与STM32的协同调试

约定握手协议：上电后，K210和STM32可以互相发送一个就绪信号（如READY\n），确保双方通信链路正常后再开始传输数据。
增加心跳包：除了目标数据，定期（如每秒一次）发送一个心跳包（如HEART\n）。STM32如果一段时间收不到心跳，可以判断视觉模块异常，进入安全模式（如云台回中）。
数据校验：在自定义协议中加入简单的校验和，例如将数据X和Y的字节相加取低8位，附在帧尾。STM32解析后验算，校验失败则丢弃该帧。
联合调试：最好能实时观察K210发送的数据和STM32解析后的数据。可以让STM32将收到的坐标通过另一个串口打印到电脑，或者用无线模块发回电脑，与K210的原始数据对比。

6. 现场调试清单与常见问题排坑指南

到了比赛现场，时间紧迫，心态容易慌。按照一个清晰的清单来调试，可以事半功倍。

6.1 上电前检查清单

[ ]硬件连接：摄像头排线是否插紧？串口线TX/RX是否接反？电源线是否牢固？
[ ]电源：使用万用表测量供电电压是否稳定在5V左右？电流能力是否足够（建议2A以上）？
[ ]SD卡：如果模型放在SD卡，卡是否格式化为FAT32？模型文件路径在代码中是否正确？

6.2 上电后调试步骤

基础功能测试：先运行一个最简单的摄像头预览程序，确认LCD或通过IDE能正常看到图像。
颜色阈值校准：在比赛场地实际光照下，使用阈值编辑器重新标定颜色阈值。注意不同距离下颜色可能会有变化，最好在追踪范围内多取几个点求平均。
单独测试视觉：断开与STM32的通信，让视觉程序只识别并在图像上画框，同时打印坐标到串口终端。观察识别是否稳定，帧率是否达标。
单独测试控制：让STM32程序运行，通过电脑串口手动发送模拟的坐标数据（如X0.5Y0.0\n），观察云台是否能正确运动到相应位置。
系统联调：连接两者，进行慢速追踪测试。观察是否有抖动、延迟、丢失目标的情况。

6.3 常见问题与解决方案速查表

问题现象	可能原因	排查步骤与解决方案
摄像头无图像/花屏	1. 摄像头排线接触不良。 2. 电源功率不足。 3. 传感器初始化代码错误。	1. 重新插拔排线。 2. 更换更大功率电源（5V2A以上）。 3. 检查`sensor.reset()`和`set_pixformat`等参数，尝试降低分辨率。
颜色识别不稳定，时有时无	1. 自动白平衡/增益未关闭。 2. 环境光变化。 3. 阈值设置不合理。	1. 确认代码中已设置`sensor.set_auto_gain(False)`和`sensor.set_auto_whitebal(False)`。 2. 固定光源，或实现动态阈值/多阈值。 3. 在现场重新校准阈值，适当放宽阈值范围。
帧率（FPS）过低	1. LCD显示未关闭。 2. 图像分辨率过高。 3. 算法过于复杂。 4. 内存不足频繁GC。	1. 注释掉`lcd.display(img)`和所有`draw`函数。 2. 降低`set_framesize`。 3. 简化图像处理流程。 4. 减少全局变量，及时释放大对象，手动`gc.collect()`。
串口通信数据乱码或丢失	1. 波特率不匹配。 2. 接线错误（TX/RX反）。 3. 未处理接收缓冲区溢出。 4. 地线未共地。	1. 检查K210和STM32代码中的波特率设置是否一致。 2. 交换TX和RX线序。 3. 在STM32端增加接收超时和缓冲区清空机制。 4. 确保K210和STM32的GND连接在一起。
追踪时云台抖动严重	1. 视觉坐标噪声大。 2. 通信延迟或丢包。 3. STM32端PID参数不合适。	1. 在K210端增加移动平均或卡尔曼滤波。 2. 提高波特率，优化通信协议，增加校验。 3. 调整STM32的PID控制器的P、I、D参数，降低P值，增加微分项D来抑制振荡。
目标快速移动时丢失	1. 视觉处理帧率太低。 2. 无预测算法。 3. 云台响应速度慢。	1. 全力优化视觉帧率（见5.1节）。 2. 实现简单的线性预测或卡尔曼滤波。 3. 检查云台电机驱动能力，提高控制频率。
程序运行一段时间后死机	1. 内存泄漏。 2. 芯片过热。 3. 看门狗未启用。	1. 检查代码中是否有循环内不断创建大对象（如列表、图像），使用`gc.mem_free()`监控内存。 2. 加强散热，降低主频（`kpu.set_clocks`）。 3. 考虑使用C SDK并启用硬件看门狗。
神经网络模型检测不到目标	1. 模型转换错误。 2. 输入图像预处理不一致。 3. 置信度阈值过高。	1. 用PC端工具验证原始模型和转换后模型在相同输入下的输出是否一致。 2. 确保训练和部署时，图像的归一化、缩放方式完全一致。 3. 降低`kpu.init_yolo2`中的阈值参数。

最后，再分享一个临场经验：比赛时，准备一个“应急模式”的代码版本。这个版本可以牺牲一些精度和功能，但绝对稳定。比如，当主算法因为光线突变失效时，可以一键切换到仅追踪最大亮斑或最简单色块的模式，先让系统动起来，保住基础分。把复杂的自适应算法作为加分项，而不是赌注。硬件上，多带几根排线、备用摄像头和电源模块，这些小东西往往是救命稻草。视觉部分调试时，耐心比什么都重要，一遍遍微调参数，观察现象，理解数据流，当你看到云台稳稳锁住运动目标的那一刻，所有的折腾都值了。