红外接近传感器实战指南：从三角测量原理到Arduino/树莓派应用

1. 项目概述：从“Grove - 80cm 红外接近传感器”说起

最近在整理工作室的传感器库存，翻出了几片Seeed Studio的Grove - 80cm红外接近传感器。这玩意儿在创客圈子里算是个经典老伙计了，但每次用它做项目，总感觉它的潜力被低估了。很多人拿到手，接上Arduino或者树莓派，跑个官方示例代码，看到串口打印出距离值，就觉得“哦，会用了”，然后可能就把它丢在一边，去玩更酷的摄像头或者激光雷达了。这其实挺可惜的。

这个传感器本质上是一个主动式红外（IR）接近传感器，核心原理是三角测量法。它内部有一个红外LED发射特定波长的红外光，当光线遇到前方物体反射回来，会被一个位置敏感探测器（PSD）接收。物体距离不同，反射光在PSD上成像的位置就不同，通过计算这个位置的变化，就能换算出距离。它的标称探测范围是10cm到80cm，这个距离对于很多非接触式检测、避障、物体存在感知的应用来说，其实刚刚好。比超声波传感器响应快、不受声音干扰，比激光雷达成本低、电路简单，比简单的红外对管能提供连续的距离值而非简单的开关量。

我之所以想专门聊聊它，是因为在实际项目中，我发现用好这个传感器，远不止“读取一个数值”那么简单。它的输出特性、环境干扰、安装方式，乃至供电的稳定性，都会直接影响最终项目的可靠性和精度。比如，用它做一个小型AGV（自动导引车）的前向避障，或者做一个智能垃圾桶的自动开盖感应，甚至是做一个展览馆的互动展项——当观众靠近某个区域时触发灯光或音效。在这些场景里，你需要的不是一个“大概”的距离，而是一个稳定、可靠、可重复的检测信号。

所以，这篇内容，我想从一个资深折腾者的角度，带你重新认识这个看似简单的Grove模块。我们会拆开它的数据手册，看看输出曲线到底长什么样；会聊聊怎么用代码去校准和补偿，让数据更“听话”；会分享几种不同的滤波算法在实际单片机上的实现和取舍；当然，也少不了那些我踩过的坑，比如为什么同样的代码，晚上测和白天测数据会飘，以及怎么解决。无论你是刚接触Arduino的新手，还是正在为某个产品原型寻找合适传感器的工程师，希望这些从实战中抠出来的细节，能帮你把这个80cm的小家伙用出“花”来。

2. 核心原理与硬件接口深度解析

要玩转一个传感器，第一步永远是读懂它。对于Grove - 80cm红外接近传感器（以GP2Y0A21YK0F或其兼容型号为核心），我们不能满足于“它能量距离”这个结论，得搞清楚它是怎么量的，以及这个“量”的过程带来了哪些特性与限制。

2.1 三角测量法：光学的尺子

这个传感器的核心是光学三角测量原理。你可以把它想象成一个微缩版的测距仪。模块上的那个小窗口，里面并排“坐”着两个核心部件：一个是红外发射管（IR LED），另一个是位置敏感探测器（PSD），它们之间有一个固定的、微小的基线距离。

工作流程是这样的：

1. 发射：红外LED发出一束经过调制的红外光（通常频率在几kHz到几十kHz），调制是为了减少环境光（尤其是日光灯）的干扰。
2. 反射：这束光打在前方的物体上，发生漫反射。
3. 接收：一部分反射光会返回到传感器窗口，被那个PSD接收。PSD不是一个简单的光敏二极管，它是一个可以检测光点在其感光面上精确位置的器件。
4. 计算：物体距离不同，反射光返回的角度就不同，导致光点在PSD上成像的位置也不同。距离近，光点位置靠一侧；距离远，光点位置靠另一侧。传感器内部的专用集成电路（ASIC）就是通过测量PSD上光电流的分布，计算出光点的位置，进而通过内置的几何光学模型，换算出物体到传感器的直线距离。

这种方法的优点是成本相对较低，且能输出模拟电压值，与距离成一定的反比关系。但它也有明显的物理限制：探测角度很小（通常只有几度），因此对物体的对齐要求较高；对于黑色或吸光材料，反射信号弱，探测距离会急剧缩短甚至失效；强环境光（特别是含有红外成分的阳光）会直接淹没微弱的调制信号，导致传感器“失明”或数据跳动。

2.2 接口与电气特性：不仅仅是Grove四针

这个模块采用了标准的Grove 4针接口（VCC， GND， NC， SIG）。但请注意，那个标着“NC”（Not Connected）的引脚，在某些版本的模块或不同的传感器芯片上，可能并非真正悬空。对于GP2Y0A21，它可能连接着芯片的开关控制脚。但在标准的Grove封装里，我们通常只使用VCC（5V）、GND和SIG（信号线）这三根线。

关键电气参数：

• 工作电压：典型值为4.5V至5.5V。这里有个大坑：虽然很多开发板（如Arduino Uno）的“5V”引脚输出接近5V，但如果你使用一些廉价的USB电源或者电量不足的移动电源，这个电压可能掉到4.7V甚至更低。红外LED的发射功率和内部运放的参考电压都会随供电电压波动，导致输出距离值发生系统性偏移。我的经验是，务必确保供电稳定在5.0V±0.1V以内，这是获得可重复数据的基础。
• 输出信号：模拟电压输出。这是重点中的重点。它的输出不是与距离成线性正比或反比，而是一条复杂的曲线。大致规律是：距离越近，电压越高；距离越远，电压越低。但在整个10cm-80cm量程内，电压变化并非均匀。
• 输出曲线与数据处理：官方数据手册会提供一张“距离-输出电压”的特性曲线图。这张图告诉我们，在中间段（比如20cm-60cm），电压变化相对线性，斜率较陡，分辨率较高。而在非常近（<10cm）和非常远（>70cm）的区域，曲线变得平缓，电压变化很小，这意味着在这些区域传感器的分辨率和精度会下降。直接使用电压 = k / 距离这种简单公式是极不准确的。正确的做法是：要么根据曲线图进行分段线性拟合，要么使用查表法，要么用多项式来拟合整个曲线。我会在下一章给出具体的代码实现。

2.3 与常见传感器的对比

为什么在很多场景下选它，而不是别的？我们快速对比一下：

选择Grove - 80cm红外传感器的理由很明确：当你需要一段中短距离的、连续的距离信息，且项目预算有限、对绝对精度要求不是极端苛刻（厘米级即可），同时工作环境是室内或光线可控时，它是一个非常平衡和实用的选择。

3. 从基础读取到高级滤波：Arduino实战代码全解

理论懂了，接下来就是动手。我们以最普及的Arduino平台为例，从最简单的读数开始，一步步构建一个稳健可靠的红外测距系统。

3.1 基础连接与原始数据读取

硬件连接简单到不能再简单：用一根Grove连接线，将传感器模块连接到Arduino的任意一个模拟输入端口（例如A0）。如果没有Grove扩展板，你也可以用杜邦线直接连接：红线接5V，黑线接GND，黄线（或白线，即SIG）接A0。

第一段代码，我们的目标是看到最原始的数据：

// 示例1: 读取原始模拟值 const int sensorPin = A0; // 传感器连接在A0引脚 void setup() { Serial.begin(9600); // 初始化串口通信 } void loop() { int rawValue = analogRead(sensorPin); // 读取原始值 (0-1023) float voltage = rawValue * (5.0 / 1023.0); // 转换为电压值 (0-5V) Serial.print("Raw: "); Serial.print(rawValue); Serial.print(" | Voltage: "); Serial.print(voltage); Serial.println(" V"); delay(100); // 延时100毫秒，避免串口数据刷屏 }

上传代码，打开串口监视器，你就能看到不断刷新的数值。用手或白纸在传感器前移动，观察数值变化。这时你会发现几个问题：

1. 数值即使在物体静止时也在小范围跳动（噪声）。
2. 数值和距离的关系不明显，需要转换。
3. 靠近传感器最近端（<10cm）时，数值可能变化混乱，因为超出了有效量程。

3.2 电压到距离的转换：拟合才是王道

如前所述，直接套用简单公式误差很大。我们需要根据数据手册的曲线进行拟合。以GP2Y0A21YK0F的典型曲线为例，在20-150cm范围内（注意，Grove模块标称80cm，但芯片潜力不止于此），一个经验公式是：

距离 (cm) = 10650.08 * pow(电压, -0.935) - 10

但这个公式在近端和远端误差较大。更通用的方法是分段线性拟合或多项式拟合。这里我提供一个经过实测调整、在10-80cm内相对准确的多项式拟合方法（适用于输出电压在0.4V-2.5V之间）：

// 示例2: 使用多项式拟合将电压转换为距离 const int sensorPin = A0; // 多项式拟合系数，根据实际传感器校准微调 const float A = 69.172; const float B = -1.0; // 注意是负号 const float C = 0.005; void setup() { Serial.begin(9600); } void loop() { int raw = analogRead(sensorPin); float voltage = raw * (5.0 / 1023.0); // 假设供电为精确5.0V // 确保电压在有效范围内，避免计算异常 if (voltage < 0.4 || voltage > 2.5) { Serial.println("Out of range!"); delay(500); return; } // 使用公式: Distance = A * voltage^B + C // 注意：这是其中一种拟合形式，B为负指数表示距离与电压成反比 // 更常见的是一次或二次多项式拟合，例如： // float distance_cm = 60.0 * pow(voltage, -1.0); // 简单反比 // 下面是一个二次多项式拟合示例（系数需自行校准）： // float distance_cm = p2 * voltage * voltage + p1 * voltage + p0; // 这里提供一个我校准过的、在15-70cm效果较好的公式： // 距离 = 26.549 * V^(-1.2091) （其中V是电压） float distance_cm = 26.549 * pow(voltage, -1.2091); Serial.print("Voltage: "); Serial.print(voltage, 3); // 显示3位小数 Serial.print(" V | Distance: "); Serial.print(distance_cm, 1); // 显示1位小数 Serial.println(" cm"); delay(200); }

重要提示：没有任何一个公式是普适的。不同批次的传感器、不同的供电电压、甚至不同的环境温度，都会导致特性曲线发生微小偏移。因此，校准是必须的。最靠谱的方法是：在目标工作环境下，用尺子实际测量几个已知距离点（如20cm， 40cm， 60cm），记录下对应的电压值，然后用Excel或在线工具进行曲线拟合，得到属于你自己这个传感器的拟合系数。这才是工程实践。

3.3 软件滤波：让数据“沉稳”下来

原始数据的跳动会严重影响判断。我们需要滤波。对于嵌入式系统，以下几种滤波算法实用且高效：

1. 滑动平均滤波：最简单，能有效抑制随机噪声，但会引入滞后（响应变慢）。

// 示例3: 滑动平均滤波 const int sensorPin = A0; const int numReadings = 10; // 平均窗口大小 float readings[numReadings]; // 存储读数的数组 int readIndex = 0; float total = 0; float average = 0; void setup() { Serial.begin(9600); for (int i = 0; i < numReadings; i++) { readings[i] = 0; // 初始化数组 } } void loop() { // 减去最早的读数，加上最新的读数 total = total - readings[readIndex]; int raw = analogRead(sensorPin); readings[readIndex] = raw * (5.0 / 1023.0); // 存储电压值 total = total + readings[readIndex]; readIndex = (readIndex + 1) % numReadings; // 循环索引 average = total / numReadings; // 使用average进行距离换算... Serial.println(average, 3); delay(50); // 采样间隔 }

2. 中值滤波：对脉冲噪声（偶尔出现的跳变极大/极小值）有奇效。原理是连续采样N次，排序后取中间值。

// 示例4: 中值滤波（简易版，取3次采样） float medianFilter(float newVal) { static float buf[3] = {0}; static byte index = 0; float temp[3]; buf[index] = newVal; index = (index + 1) % 3; // 复制到临时数组排序 temp[0] = buf[0]; temp[1] = buf[1]; temp[2] = buf[2]; // 简单的冒泡排序找中值 if (temp[0] > temp[1]) swap(temp[0], temp[1]); if (temp[1] > temp[2]) swap(temp[1], temp[2]); if (temp[0] > temp[1]) swap(temp[0], temp[1]); return temp[1]; // 返回中值 }

3. 一阶低通滤波（指数加权平均）：在响应速度和平滑度之间取得很好的平衡，计算量小，非常适合单片机。

// 示例5: 一阶低通滤波 float lowPassFilter(float newVal) { static float filteredVal = 0; const float alpha = 0.2; // 滤波系数 (0~1)，越小越平滑，滞后越大 filteredVal = alpha * newVal + (1 - alpha) * filteredVal; return filteredVal; }

我的实战建议：对于红外接近传感器，我通常采用“中值滤波” + “一阶低通滤波”的组合拳。先用中值滤波（窗口为3或5）干掉那些偶尔出现的尖峰毛刺，再将结果送入一阶低通滤波（alpha取0.3~0.5），这样得到的数据既平滑又及时。滑动平均在需要非常平稳的数据且对实时性要求不高的场合可以用。

4. 树莓派上的Python驱动与系统集成

在树莓派上使用这个传感器，逻辑是相通的，但环境变成了Linux和Python。我们不再读取模拟电压（树莓派GPIO没有原生ADC），而是需要借助一个模数转换器（ADC），比如最常见的PCF8591（I2C接口）或ADS1115（精度更高，也是I2C）。这里以PCF8591为例，因为它价格低廉且足够用于此类应用。

4.1 硬件连接与I2C启用

首先，将Grove传感器连接到PCF8591的模拟输入通道（例如AIN0）。PCF8591的VCC接树莓派3.3V或5V（注意电平兼容，PCF8591是5V器件，但其I2C总线是3.3V电平，需确认模块是否有电平转换，通常Grove模块已处理），SDA接GPIO2， SCL接GPIO3。

在树莓派上，需要先启用I2C接口：

sudo raspi-config # 选择 Interfacing Options -> I2C -> Yes

重启后，安装必要的工具和库：

sudo apt update sudo apt install i2c-tools python3-smbus sudo i2cdetect -y 1 # 查看I2C设备地址，PCF8591通常是0x48

4.2 Python驱动代码实现

下面是一个完整的Python示例，包含读取、滤波和距离转换：

# 示例6: 树莓派通过PCF8591读取红外传感器 (Python) import smbus2 import time import math # 初始化I2C总线 bus = smbus2.SMBus(1) # 树莓派版本2及以后使用总线1 PCF8591_ADDR = 0x48 # PCF8591的默认地址 AIN_CHANNEL = 0 # 模拟输入通道0 # 滤波参数 ALPHA = 0.3 filtered_voltage = 0.0 def read_analog(channel): """从PCF8591指定通道读取模拟值 (0-255)""" # PCF8591控制字：启用模拟输出，选择输入通道 control_byte = 0x40 | (channel & 0x03) bus.write_byte(PCF8591_ADDR, control_byte) # 第一次读是上一次的转换结果，丢弃 bus.read_byte(PCF8591_ADDR) # 第二次读才是当前通道的值 value = bus.read_byte(PCF8591_ADDR) return value def voltage_to_distance(voltage): """将电压值转换为距离 (cm)，使用校准后的公式""" if voltage < 0.4 or voltage > 2.5: return None # 超出有效范围 # 使用一个经验公式，需要根据实际校准 # distance = k / (voltage - b) 或多项式 # 这里使用一个近似公式，假设供电5V，ADC参考电压5V distance_cm = 26.549 * (voltage ** -1.2091) return distance_cm try: while True: # 1. 读取原始值 raw = read_analog(AIN_CHANNEL) # 0-255 # 2. 转换为电压 (假设PCF8591参考电压为5V) voltage = raw * (5.0 / 255.0) # 3. 应用一阶低通滤波 filtered_voltage = ALPHA * voltage + (1 - ALPHA) * filtered_voltage # 4. 转换为距离 distance = voltage_to_distance(filtered_voltage) if distance: print(f"Raw: {raw:3d} | Voltage: {filtered_voltage:.3f} V | Distance: {distance:.1f} cm") else: print("Out of valid range") time.sleep(0.1) # 采样间隔 except KeyboardInterrupt: print("\nProgram stopped.") finally: bus.close()

4.3 集成到更复杂的系统中

在树莓派上，你可以轻松地将这个测距功能集成到更大的应用中。例如，结合Flask或FastAPI创建一个简单的Web API，实时返回距离数据；或者使用PyGame创建一个视觉化的距离监控界面；再或者，当检测到距离小于某个阈值时，触发一个系统命令（如播放声音、发送网络请求、控制GPIO引脚点亮LED或驱动继电器）。

# 示例7: 简单的阈值触发示例 import RPi.GPIO as GPIO LED_PIN = 17 THRESHOLD_CM = 30.0 GPIO.setmode(GPIO.BCM) GPIO.setup(LED_PIN, GPIO.OUT) # ... 在之前的循环中加入 ... current_distance = voltage_to_distance(filtered_voltage) if current_distance and current_distance < THRESHOLD_CM: GPIO.output(LED_PIN, GPIO.HIGH) # 物体靠近，点亮LED else: GPIO.output(LED_PIN, GPIO.LOW) # 物体远离，熄灭LED

树莓派的强大之处在于其丰富的软件生态，你可以用几行代码就将一个硬件传感器数据接入到数据库（如InfluxDB）、消息队列（如MQTT）或图形化仪表盘（如Grafana）中，构建出真正可用的物联网原型。

5. 避坑指南与性能优化实战经验

纸上得来终觉浅，绝知此事要踩坑。下面这些经验，都是我在多个项目里真金白银（和时间）换来的。

5.1 环境光干扰：最大的敌人

红外传感器最怕强环境光，尤其是含有红外成分的光源（太阳光、白炽灯）。对策：

• 物理遮挡：给传感器做一个遮光罩，就像相机镜头遮光罩一样，只允许正前方的光进入。可以用热缩管、黑色电工胶带或者3D打印一个小筒。
• 软件判断：在代码中加入“环境光基准”测量。先关闭传感器的红外发射（如果硬件支持），或者在一个已知无物体的距离下读取一个“环境光本底”电压值。在实际测量时，如果读数非常接近甚至低于这个本底值，说明环境光太强，当前数据不可信，应丢弃或标记为无效。
• 选择调制频率：有些高级的红外测距芯片允许选择调制频率，以避开环境中常见的干扰源（如50/60Hz的工频干扰）。但Grove模块通常固定了频率。
• 终极方案：如果必须在阳光直射下使用，建议换用超声波或激光方案。红外方案更适合室内或光线稳定的环境。

5.2 被测物体特性：不是所有东西都能测

• 颜色与材质：黑色物体吸收红外光，反射极少，探测距离会大幅缩短甚至为零。光滑的镜面可能会将光线反射到其他方向，导致测距失败。解决方法是在项目设计阶段就明确检测对象，并进行实测。如果必须检测黑色物体，可以尝试在物体上贴一小块白色漫反射贴纸。
• 大小与形状：传感器的小探测角意味着它需要一个“足够大”的物体来反射回足够的光线。检测细线或非常小的物体时，信号会很弱。对于不规则物体，距离读数可能会因为反射面角度不同而波动。

5.3 供电与接地：稳定是一切的基础

• 电源噪声：电机、舵机、继电器等感性负载在开关时会产生巨大的电压尖峰，通过电源线干扰传感器的模拟输出。务必为传感器模块使用独立的、经过滤波的5V供电，或者至少在传感器电源引脚就近并联一个10uF和0.1uF的电容进行去耦。
• 共地问题：确保单片机（Arduino/树莓派）和传感器模块的GND是连接在一起的，并且连接线要粗短，避免地线噪声。

5.4 安装与机械结构

• 避免振动：传感器本身应牢固安装。任何微小的振动都可能导致其与目标物体的相对距离发生变化，或者内部元件产生微音效应，引入噪声。
• 镜头清洁：传感器前面的透明窗口要保持清洁，灰尘和污渍会严重影响透光率。
• 避免相互干扰：如果系统中有多个红外传感器，不要让它们的发射光束直接交叉照射到对方的接收器上，否则会产生串扰。可以错开安装位置，或者分时工作（一个发射时，其他的关闭）。

5.5 校准：没有校准，就没有精度

再次强调校准的重要性。建立一个简单的校准工装：将传感器固定，前方放置一个可精确移动的平板（最好是白色的）。从20cm开始，每5cm或10cm记录一次稳定的电压读数。将“距离-电压”数据录入Excel，用散点图画出，然后添加趋势线，选择“幂函数”或“多项式”，并显示公式。将这个公式的系数直接用到你的代码里。这个过程只需做一次，但能极大提升你整个项目的可靠性。

6. 创意项目应用实例：从想法到实现

掌握了原理、代码和避坑技巧，这个传感器能做什么？它的应用远超简单的“测距”。下面分享两个我做过或指导过的有趣项目，希望能激发你的灵感。

6.1 项目一：非接触式智能手势开关

目标：在传感器前方一段距离内（如15-30cm），用手掌左右挥动来控制开关（如台灯）。

实现思路：

1. 状态机设计：这不是简单的阈值判断。我们需要检测一个“挥手”的动态过程。可以设计一个简单的状态机：
   • 状态0（空闲）：距离 > 30cm。
   • 状态1（手进入）：距离进入15-30cm区间，记录进入时间。
   • 状态2（挥手判断）：持续监测距离变化。如果距离在短时间内（如300ms）先减小后增大（或先增大后减小），形成一个“V”形或“^”形波形，则判定为一次挥手。
   • 状态3（触发动作）：根据挥手方向（先近后远，或先远后近），触发不同的动作（开灯/关灯）。
2. 关键代码片段：

   enum GestureState { IDLE, ENTERED, MONITORING }; GestureState state = IDLE; unsigned long enterTime = 0; float prevDistance = 0; const int ENTER_ZONE_MAX = 30; const int ENTER_ZONE_MIN = 15; const unsigned long GESTURE_TIMEOUT = 500; // ms void loop() { float currentDistance = getFilteredDistance(); // 你的滤波后距离函数 switch(state) { case IDLE: if (currentDistance > ENTER_ZONE_MIN && currentDistance < ENTER_ZONE_MAX) { state = ENTERED; enterTime = millis(); prevDistance = currentDistance; } break; case ENTERED: if (millis() - enterTime > 100) { // 短暂稳定后进入监控 state = MONITORING; } break; case MONITORING: if (millis() - enterTime > GESTURE_TIMEOUT) { // 超时，重置 state = IDLE; } else { float delta = currentDistance - prevDistance; // 简单的趋势判断：连续两个采样点变化方向相反？ // 这里需要更复杂的逻辑，例如记录一个小的距离数组来判断峰值 if (/* 检测到先近后远的波形 */) { triggerGesture(GESTURE_LEFT_TO_RIGHT); state = IDLE; } else if (/* 检测到先远后近的波形 */) { triggerGesture(GESTURE_RIGHT_TO_LEFT); state = IDLE; } prevDistance = currentDistance; } break; } delay(50); }

3. 优化：为了更可靠，可以引入一个包含4-5个最近距离值的循环数组，通过分析这个数组的局部极值来判断手势方向，而不是仅仅依赖前后两个点。

6.2 项目二：桌面物品存在检测与自动化

目标：在办公桌上，检测水杯是否放在指定位置，如果离开超过一定时间，则自动锁屏（提醒你离开）；或者检测手机是否放在无线充电座上。

实现思路：

1. 安装：将传感器朝上安装在桌面下方或侧面，使其光束垂直或倾斜照射到待检测区域。
2. 基线学习：系统启动后，先学习“空置”状态的距离值（baselineDistance）。这个值应该是桌面或充电座表面的距离。
3. 物体检测：当有物体（水杯、手机）放入时，距离会显著缩短。设置一个阈值DETECTION_THRESHOLD（如比基线小3cm）。
4. 状态保持与超时：一旦检测到物体，开启一个计时器。如果物体被取走（距离恢复到基线附近），计时器停止。如果物体一直存在，计时器持续累加。当计时器超过预设的“超时时间”（如10分钟），则触发动作（通过串口发送锁屏命令到电脑，或点亮一个提醒LED）。
5. 防误触发：加入去抖逻辑。只有当距离持续低于阈值超过1秒钟，才判定为“物体放入”；同样，持续高于阈值超过1秒，才判定为“物体取走”。

// 示例8: 物品存在检测与超时提醒（简化逻辑） float baselineDist = 0.0; bool objectPresent = false; unsigned long presentStartTime = 0; const unsigned long TIMEOUT_MS = 10 * 60 * 1000; // 10分钟 const float DETECT_THRESHOLD_CM = 3.0; // 检测阈值 void setup() { // ... 初始化 ... learnBaseline(); // 学习基线距离 } void loop() { float dist = getFilteredDistance(); if (!objectPresent) { if (dist < (baselineDist - DETECT_THRESHOLD_CM)) { // 可能检测到物体，启动去抖计时 delay(1000); // 简单去抖，实际应用应用状态机 dist = getFilteredDistance(); // 再次确认 if (dist < (baselineDist - DETECT_THRESHOLD_CM)) { objectPresent = true; presentStartTime = millis(); Serial.println("Object placed."); } } } else { if (dist > (baselineDist - DETECT_THRESHOLD_CM/2)) { // 物体可能被取走 delay(1000); dist = getFilteredDistance(); if (dist > (baselineDist - DETECT_THRESHOLD_CM/2)) { objectPresent = false; Serial.println("Object removed."); } } else { // 物体仍在，检查超时 if (millis() - presentStartTime > TIMEOUT_MS) { triggerTimeoutAction(); // 例如，锁屏 presentStartTime = millis(); // 重置计时器，避免连续触发 } } } delay(500); }

这两个项目展示了如何将简单的距离读数，通过逻辑和状态设计，转化为有实际意义的交互和自动化功能。关键在于理解传感器的特性，并用恰当的软件算法来弥补其物理上的局限性，同时充分发挥其低成本、易集成的优势。