AI 迷宫求解机器人：Arduino Nano + 蓝牙 + 左手法则寻径优化

项目背景与核心思想

本项目在「PID 循迹机器人」基础上进阶，赋予机器人「智能」：在未知完美迷宫中自主寻找出口（首次探索），并通过路径优化算法在第二次运行中走出最短路径。作者 Marcelo（MJRoBot.org）详细阐述了从硬件改装、传感器融合、左手法则算法、路径记录与简化，到二次高速跑迷宫的完整工程过程。

硬件平台（总成本约 $85）

• 主控：Arduino Nano R3
• 通信：HC-06 蓝牙模块（配合 MIT App Inventor 2 调试 App）
• 驱动：2× 360°连续旋转舵机（RobotGeek SM-S4303R）
• 传感器阵列：7 路红外循迹模块
  • 5 路数字输出 TCRT5000（PID 循迹 + 全线检测）
  • 2 路模拟输出 ZX03/TCRT5000（远左/远右，专用于岔路口识别）
• 电源：2× 4×AA 电池盒（分供主控与舵机）
• 车身：木板、夹子、万向轮、弹力带等 DIY 结构

关键技术点深度解析

1. 7 传感器融合与状态判断

5 路数字传感器产生 32 种组合，配合 2 路模拟传感器（阈值判断），定义 5 种模式：NO_LINE、CONT_LINE（全线/终点）、LEFT_TURN、RIGHT_TURN、FOLLOWING_LINE。代码中给出完整真值表与 readLFSensors() 实现。

2. 左手法则求解策略

对 8 类岔路口（十字、T、左/右仅转、直左/直右、死胡同、终点）应用左手法则，决策简化为：

• 十字/T/左仅转/直左 → 左转
• 右仅转 → 右转
• 直右 → 直行
• 死胡同 → 掉头（180°）
• 终点 → 停止

关键技巧：「多跑一小段」（runExtraInch()）辨别岔路口真实类型（如十字 vs T）。

3. 路径记录与简化算法

• 用字符数组 path[100] 记录动作序列（L/S/R/B）
• 每次记录岔路口动作后调用 simplifyPath() 实时优化
• 核心规则：LBL→S, LBS→R, RBL→B, SBL→R, SBS→B, LBR→B
• 示例：LBLLLBSBLLBSLL 逐步简化为 RL（右转→左转即最短路径）

4. 两阶段运行流程

void loop() {
  ledBlink(1);           // 指示阶段 1
  mazeSolve();           // 首次探索 + 记录/简化路径
  ledBlink(2);           // 指示等待按键
  waitForButtonPress();
  pathIndex = 0; status = 0;
  mazeOptimization();    // 二阶段：按优化路径高速跑完
  ledBlink(3);
  waitForButtonPress();
  resetForNextRun();
}

5. Android App 辅助调参

复用循迹项目的 App Inventor 调试界面，实时监测传感器读数、PID 参数、转弯时长等关键变量，无需频繁改代码重烧录。关键可调参数：adjTurn、adjGoAndTurn、THRESHOLD、power、extraInch 等。

代码模块结构

• readLFSensors()：传感器读取 + 模式/误差判断
• followingLine() + calculatePID() + motorPIDcontrol()：循迹核心
• runExtraInch() / goAndTurn()：岔路口辨识与转向动作
• mazeSolve()：首次探索主循环
• recIntersection() + simplifyPath()：路径记录与化简
• mazeOptimization() + mazeTurn()：二阶段按优化路径执行

完整代码已拆分为多个 .ino/.h 文件，托管于 GitHub。

原理图与 3D 模型

提供 Fritzing 原理图（.fzz），涵盖 Nano、舵机驱动、7 传感器阵列、蓝牙、电源分配。

总结与启发

项目展示了如何在资源受限的单片机上实现经典 AI 搜索算法（左手法则 + 路径简化），是嵌入式机器人学习的绝佳案例。作者强调：虽非深度学习，但「自主探索 → 经验积累 → 策略优化」的过程本质上体现了 AI 的核心思想。代码开源、文档详尽，强烈推荐进阶学习者复现与扩展（如改用 Dijkstra/A*、加入 SLAM、升级 ESP32 等）。