树莓派机器人云台摄像头搭建指南：从舵机控制到视觉追踪

1. 项目概述：为树莓派机器人打造一双灵动的“眼睛”

给树莓派机器人装上一个云台摄像头，这听起来像是一个简单的硬件叠加，但实际做下来，你会发现这远不止是把两个模块拧在一起那么简单。这双“眼睛”赋予了机器人主动观察、追踪和与环境交互的能力，是机器人从“能移动的盒子”升级为“有感知的智能体”的关键一步。无论是想做一个能跟着你跑的宠物机器人，一个自动巡逻的安防小车，还是一个能识别物体并做出反应的实验平台，云台摄像头都是核心的感官部件。

我自己在捣鼓机器人项目时，无数次体会到固定视角的局限性——机器人稍微一动，目标就出框了；想观察侧面，就得整个车身转过去，笨重又低效。一个灵活的双轴（Pan-Tilt）云台，水平（Pan）旋转和垂直（Tilt）俯仰的自由度，让摄像头能独立于机器人底盘运动，实现真正的“眼观六路”。这背后涉及硬件选型、机械结构、电机驱动、软件控制以及图像处理算法的整合，是一个典型的机器人学交叉实践项目。今天，我就把自己从零搭建一套稳定、响应快、易编程的树莓派机器人云台摄像头的完整过程、踩过的坑和优化心得，毫无保留地分享出来。

2. 核心硬件选型与设计思路拆解

搭建云台摄像头，第一步不是写代码，而是搞清楚你需要什么，以及为什么这么选。硬件是地基，选错了后面全是坑。

2.1 云台结构：舵机 vs 步进电机 vs 直流电机

云台的动力核心是电机，常见选择有三种：舵机（Servo）、步进电机（Stepper Motor）和带编码器的直流电机（DC Motor with Encoder）。

• 舵机（推荐入门及轻量应用）：这是最常见的选择，尤其是SG90、MG90S这类微型舵机。它们内部集成了控制电路和电位器（用于反馈位置），你只需要发送一个PWM（脉宽调制）信号，就能让它精确地转动到指定角度。优点是开箱即用、控制简单、成本低。树莓派GPIO可以直接生成PWM信号（需注意电流驱动能力），配合像RPi.GPIO或pigpio这样的库，几行代码就能驱动。缺点是存在死区、有抖动、扭矩有限、无法连续旋转（除非改装）。对于负载不重（如一个树莓派官方摄像头或轻量USB摄像头）的云台，两个舵机方案是快速上手的最佳选择。

• 步进电机（推荐精密控制）：如果需要更高的精度、更大的扭矩和连续旋转（多圈无限位），步进电机是更好的选择。它通过按序激励线圈来“步进”转动，可以实现非常精细的角度控制。但控制比舵机复杂，需要专门的驱动板（如A4988、DRV8825），并发送脉冲序列来控制转速和角度。优点是精度高、扭矩大、可连续旋转。缺点是控制系统更复杂、可能存在低速振动、需要额外驱动电路。如果你的摄像头很重，或者需要非常平滑、精确的扫描运动，可以考虑步进电机方案。

• 直流电机+编码器（高性能闭环控制）：这是最灵活也是最高级的方案。直流电机提供动力，编码器实时反馈电机轴的实际位置，形成一个闭环控制系统。你可以实现高速、高精度、高动态响应的运动。但这需要额外的电机驱动板（如TB6612FNG）和编码器读数电路，控制算法上也需实现PID控制等，复杂度最高。

我的选择与理由：对于大多数树莓派机器人爱好者，我强烈推荐从舵机云台套件开始。市面上有大量现成的双舵机云台支架（通常包含两个SG90舵机和亚克力/塑料结构件），价格在30-50元。它极大地降低了机械组装的门槛。我们先追求“动起来”，再优化“动得好”。本文后续也将以舵机方案为基础进行详解。

2.2 摄像头选型：CSI接口 vs USB接口

树莓派支持两种主要摄像头：专用的CSI接口摄像头和通用的USB摄像头。

• 树莓派官方CSI摄像头（推荐）：这是亲儿子，通过排线直接连接到树莓派的CSI接口。优点是功耗低、延迟极低、CPU占用率小、与系统集成度高。使用libcamera库可以获得最好的性能和最新的功能支持。对于需要实时图像处理（如物体追踪）的应用，低延迟是至关重要的。缺点是线缆固定，长度和布线灵活性稍差。

• USB摄像头（通用灵活）：即插即用，选择众多，从普通的720p到高性能的4K网络摄像头都有。优点是即插即用、选择多样、易于更换、线缆更长更灵活。通常使用OpenCV的VideoCapture接口调用，兼容性好。缺点是延迟相对较高、USB带宽和供电可能成为瓶颈（尤其多个USB设备时）、CPU占用率通常比CSI摄像头高。

我的选择与理由：如果你追求最低延迟和最高效率，用于快速移动的机器人视觉，请选择树莓派官方CSI摄像头模块（如Camera Module 3，它还有自动对焦和HDR功能）。如果你的应用对实时性要求不是极端苛刻，或者手头已有USB摄像头想快速验证，USB方案是完全可行的。我自己的追踪机器人用的是Camera Module 3，延迟感知明显优于我测试过的几款USB摄像头。

2.3 供电与驱动：别让小细节毁了系统

这是最容易忽视却最容易出问题的地方。

1. 舵机供电隔离：舵机，尤其是MG90S这类金属齿轮舵机，在启动和堵转时瞬间电流很大（可达1A以上）。绝对不要直接从树莓派的GPIO的5V或3.3V引脚取电！这会导致树莓派电压不稳，引发系统重启或损坏。正确做法是使用独立的外接电源（如一块5V的锂电池组或稳压模块）为舵机供电。只需将外接电源的“地”（GND）与树莓派的GND连接，实现“共地”，然后用外接电源的“正极”（VCC）给舵机供电，树莓派GPIO只提供控制信号（PWM）。
2. PWM信号质量：树莓派GPIO产生的软件PWM（如用RPi.GPIO）可能因系统负载而产生抖动，导致舵机轻微震颤。对于要求高的应用，建议使用硬件PWM（树莓派只有特定引脚支持，如GPIO12、13、18、19）或使用像pigpio这样的库，它利用DMA（直接内存访问）产生更稳定的PWM，效果显著改善。
3. 机械结构加固：云台在快速启停时会有惯性。如果摄像头重心偏离转轴较远，或者支架刚性不足，会产生晃动，影响图像稳定。可以在设计3D打印结构时增加加强筋，或选择更结实的舵机（如MG996R，扭矩更大）。

3. 软件架构与控制逻辑实现

硬件连接好后，软件就是大脑。我们需要一个清晰、高效且易于扩展的控制架构。

3.1 控制层：PWM信号生成与舵机驱动

首先，我们需要一个可靠的舵机驱动模块。这里我使用pigpio库，因为它提供了稳定、精准的PWM。

# servo_controller.py import pigpio import time class PanTiltController: def __init__(self, pan_pin=17, tilt_pin=27, min_pulse=500, max_pulse=2500): """ 初始化云台控制器 :param pan_pin: 水平舵机连接的GPIO引脚 (BCM编号) :param tilt_pin: 垂直舵机连接的GPIO引脚 :param min_pulse: 舵机最小脉宽 (微秒) :param max_pulse: 舵机最大脉宽 (微秒) """ self.pi = pigpio.pi() # 连接到本地pigpio守护进程 if not self.pi.connected: raise Exception("无法连接到pigpio守护进程，请先运行 'sudo pigpiod'") self.pan_pin = pan_pin self.tilt_pin = tilt_pin self.min_pulse = min_pulse self.max_pulse = max_pulse # 设置引脚为输出模式 self.pi.set_mode(pan_pin, pigpio.OUTPUT) self.pi.set_mode(tilt_pin, pigpio.OUTPUT) # 初始位置设为中间 (通常对应1500us脉宽) self.pan_angle = 90 self.tilt_angle = 90 self._update_servo_position() def _angle_to_pulse(self, angle): """将角度(0-180)转换为PWM脉宽(微秒)""" # 限制角度范围 angle = max(0, min(180, angle)) # 线性映射 pulse = self.min_pulse + (angle / 180.0) * (self.max_pulse - self.min_pulse) return int(pulse) def _update_servo_position(self): """根据当前角度更新舵机PWM信号""" pan_pulse = self._angle_to_pulse(self.pan_angle) tilt_pulse = self._angle_to_pulse(self.tilt_angle) self.pi.set_servo_pulsewidth(self.pan_pin, pan_pulse) self.pi.set_servo_pulsewidth(self.tilt_pin, tilt_pulse) def set_angle(self, pan=None, tilt=None): """ 设置云台角度 :param pan: 水平角度 (0-180) :param tilt: 垂直角度 (0-180) """ if pan is not None: self.pan_angle = pan if tilt is not None: self.tilt_angle = tilt self._update_servo_position() def smooth_move(self, target_pan, target_tilt, duration=1.0, steps=50): """ 平滑移动到目标位置 :param target_pan: 目标水平角 :param target_tilt: 目标垂直角 :param duration: 移动总时间(秒) :param steps: 移动步数 """ start_pan, start_tilt = self.pan_angle, self.tilt_angle step_delay = duration / steps for i in range(steps+1): ratio = i / steps current_pan = start_pan + (target_pan - start_pan) * ratio current_tilt = start_tilt + (target_tilt - start_tilt) * ratio self.set_angle(current_pan, current_tilt) time.sleep(step_delay) def cleanup(self): """清理资源，关闭PWM信号""" self.pi.set_servo_pulsewidth(self.pan_pin, 0) # 发送0脉宽停止信号 self.pi.set_servo_pulsewidth(self.tilt_pin, 0) self.pi.stop() # 使用示例 if __name__ == "__main__": controller = PanTiltController() try: # 移动到预设位置 controller.set_angle(pan=90, tilt=90) # 归中 time.sleep(1) controller.smooth_move(pan=45, tilt=135, duration=2.0) # 平滑移动到左上 time.sleep(1) controller.smooth_move(pan=135, tilt=45, duration=2.0) # 平滑移动到右下 finally: controller.cleanup()

关键点解析：

• pigpio库需要先运行守护进程：sudo pigpiod。它比RPi.GPIO的软件PWM稳定得多。
• set_servo_pulsewidth函数直接设置脉宽，省去了自己计算占空比的麻烦。
• smooth_move函数实现了简单的点位插值，让运动看起来更平滑，而不是突兀地跳转，这对于视频流观感很重要。
• cleanup方法至关重要，它会在程序退出时停止发送PWM信号，防止舵机因接收不到信号而“吱吱”叫并发热。

3.2 视觉层：图像采集与处理

控制层让云台“能动”，视觉层则告诉它“该往哪动”。这里我们用OpenCV实现一个简单的颜色追踪例子。

# object_tracker.py import cv2 import numpy as np from servo_controller import PanTiltController # 导入我们刚才写的控制器 class ColorObjectTracker: def __init__(self, camera_index=0, target_color='red'): """ 初始化颜色追踪器 :param camera_index: 摄像头索引，CSI摄像头可能是0，USB摄像头可能是0或1 :param target_color: 要追踪的颜色 ('red', 'green', 'blue') """ # 初始化摄像头 self.cap = cv2.VideoCapture(camera_index) # 对于CSI摄像头，可能需要特殊设置，这里以通用USB为例 # 如果是Picamera2 (用于CSI摄像头)，代码结构会不同 self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 初始化云台控制器 self.controller = PanTiltController() # 设置目标颜色的HSV范围阈值 (Hue, Saturation, Value) self.color_ranges = { 'red': ([0, 120, 70], [10, 255, 255]), # 红色范围1 (低Hue) 'red2': ([170, 120, 70], [180, 255, 255]), # 红色范围2 (高Hue，因为HSV中红色在0和180附近) 'green': ([40, 40, 40], [80, 255, 255]), 'blue': ([100, 150, 0], [140, 255, 255]) } self.target_color = target_color # PID控制器参数 (简单比例控制) self.pan_kp = 0.5 # 水平比例系数 self.tilt_kp = 0.5 # 垂直比例系数 self.frame_center_x = 320 # 假设图像宽度640 self.frame_center_y = 240 # 假设图像高度480 def get_color_mask(self, hsv_frame): """根据目标颜色获取掩膜""" if self.target_color == 'red': # 红色需要合并两个范围 lower1, upper1 = self.color_ranges['red'] lower2, upper2 = self.color_ranges['red2'] mask1 = cv2.inRange(hsv_frame, np.array(lower1), np.array(upper1)) mask2 = cv2.inRange(hsv_frame, np.array(lower2), np.array(upper2)) mask = cv2.bitwise_or(mask1, mask2) else: lower, upper = self.color_ranges[self.target_color] mask = cv2.inRange(hsv_frame, np.array(lower), np.array(upper)) # 形态学操作，去除噪声 kernel = np.ones((5,5), np.uint8) mask = cv2.erode(mask, kernel, iterations=1) mask = cv2.dilate(mask, kernel, iterations=2) return mask def find_object_center(self, mask): """在掩膜中找到最大轮廓，并返回其中心点坐标""" contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if contours: # 找到面积最大的轮廓 largest_contour = max(contours, key=cv2.contourArea) if cv2.contourArea(largest_contour) > 500: # 忽略太小的噪点 # 计算轮廓的矩 M = cv2.moments(largest_contour) if M['m00'] != 0: cx = int(M['m10'] / M['m00']) cy = int(M['m01'] / M['m00']) return (cx, cy), largest_contour return None, None def update_pan_tilt(self, obj_center): """根据目标中心点位置，更新云台角度 (简单的P控制)""" if obj_center: cx, cy = obj_center # 计算目标中心与图像中心的偏差 error_x = cx - self.frame_center_x error_y = cy - self.frame_center_y # 获取当前角度 current_pan = self.controller.pan_angle current_tilt = self.controller.tilt_angle # 计算新的角度 (比例控制) # 注意：误差符号与角度增减方向相关，可能需要根据你的舵机安装方向调整 new_pan = current_pan - error_x * self.pan_kp / 100.0 new_tilt = current_tilt + error_y * self.tilt_kp / 100.0 # 通常Y轴误差与Tilt角度变化方向相反 # 限制角度范围 (0-180) new_pan = max(0, min(180, new_pan)) new_tilt = max(0, min(180, new_tilt)) # 更新云台位置 self.controller.set_angle(pan=new_pan, tilt=new_tilt) return error_x, error_y return None, None def run(self): """主循环：捕获图像、处理、追踪""" print("开始颜色追踪，按 'q' 键退出...") while True: ret, frame = self.cap.read() if not ret: print("无法从摄像头读取帧") break # 水平翻转图像，这样移动看起来更直观（像镜子） frame = cv2.flip(frame, 1) # 转换为HSV颜色空间，更容易进行颜色分割 hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 获取颜色掩膜 mask = self.get_color_mask(hsv) # 找到目标物体中心 obj_center, contour = self.find_object_center(mask) # 更新云台追踪 errors = self.update_pan_tilt(obj_center) # 在图像上绘制 if obj_center and contour: cx, cy = obj_center # 绘制轮廓和中心点 cv2.drawContours(frame, [contour], -1, (0, 255, 0), 2) cv2.circle(frame, (cx, cy), 7, (0, 0, 255), -1) cv2.putText(frame, f"Target ({cx}, {cy})", (cx-20, cy-20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2) # 绘制从中心到目标的线 cv2.line(frame, (self.frame_center_x, self.frame_center_y), (cx, cy), (255, 0, 0), 2) if errors: err_x, err_y = errors cv2.putText(frame, f"Error X: {err_x:.1f}, Y: {err_y:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 0), 2) # 显示图像 cv2.imshow('Pan-Tilt Tracking', frame) cv2.imshow('Color Mask', mask) # 按'q'退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 清理 self.cap.release() cv2.destroyAllWindows() self.controller.cleanup() if __name__ == "__main__": # 追踪红色物体 tracker = ColorObjectTracker(camera_index=0, target_color='red') tracker.run()

关键点解析：

1. 颜色空间转换：OpenCV默认使用BGR格式，但HSV（色相、饱和度、明度）颜色空间对颜色变化更鲁棒，更适合做颜色追踪。
2. 双范围红色：在HSV中，红色位于色相环的起点（0°）和终点（180°）附近，因此需要两个阈值范围来完整捕捉红色。
3. 形态学操作：erode（腐蚀）和dilate（膨胀）用于去除掩膜中的小噪点并填充空洞，让目标区域更完整。
4. 轮廓分析：cv2.findContours找到掩膜中的白色区域边界，我们选取面积最大的那个作为目标。
5. 比例（P）控制：这是最简单的反馈控制。误差（目标位置与画面中心的距离）乘以一个系数（kp），得到角度的调整量。kp值需要调试：太小则追踪慢，反应迟钝；太大则容易振荡，云台来回抖动。
6. 图像显示：实时显示原画面和掩膜画面，对于调试阈值参数和理解算法行为至关重要。

4. 系统集成与机器人平台结合

云台摄像头本身是一个子系统，最终需要集成到更大的树莓派机器人平台上。这里涉及到通信、协同和资源管理。

4.1 通信架构设计

你的机器人可能还有其他部分，比如电机驱动、传感器、主控逻辑。一个清晰的通信架构能避免代码变成一团乱麻。

• 方案一：单进程多线程：在一个Python主程序中，创建多个线程：一个线程负责图像处理和追踪计算（视觉线程），一个线程负责云台控制（执行线程），一个线程负责底盘运动控制，一个主线程协调。使用线程安全的队列（queue.Queue）在线程间传递数据（如“目标在画面左侧”这个指令）。这种方法简单直接，但需要小心处理全局变量和线程同步。
• 方案二：多进程与进程间通信（IPC）：由于Python的全局解释器锁（GIL），计算密集型的视觉处理可能会阻塞其他线程。可以将视觉处理放在一个独立的进程中，通过Socket、Pipe或Redis等消息队列与其他进程通信。这样能更好地利用多核CPU，提高系统响应性。
• 方案三：发布/订阅模型（ROS/ROS2思想）：这是最机器人专业化的方式。你可以使用ROS（Robot Operating System）或更现代的ROS2。云台摄像头作为一个独立的“节点”（Node），发布（Publish）图像话题（Topic）和摄像头状态，同时订阅（Subscribe）控制指令话题。底盘控制是另一个节点。它们通过ROS Master进行发现和通信。这种方式模块化程度最高，易于扩展和复用，但学习曲线较陡。

我的建议：对于初学者或中等复杂度的项目，方案一（多线程）配合良好的设计就足够了。可以定义一个共享的RobotState类，用线程锁保护关键数据。对于更复杂的、需要集成激光雷达、SLAM等模块的项目，方案三（ROS）是行业标准，值得投入时间学习。

4.2 与底盘运动的协同

当机器人底盘也在运动时，云台的追踪会变得复杂。例如，机器人向右转，即使目标静止，在摄像头画面中目标也会向左移动。这会导致云台向左转以补偿，产生错误运动。

解决方案：传感器融合。如果机器人底盘装有编码器或惯性测量单元（IMU），可以估算出机器人自身的旋转速度。将这个信息反馈给云台控制器，让云台进行反向补偿。例如，检测到机器人正在以每秒10度的速度右转，那么云台控制器就在其计算出的目标角度上，额外增加一个每秒10度的左转速度。这需要更高级的状态估计和控制算法，如扩展卡尔曼滤波。

一个简化的实现思路是：在update_pan_tilt函数中，除了视觉误差，再加入一个由底盘运动引起的补偿角速度。

def update_pan_tilt(self, obj_center, chassis_rotation_speed=0): """更新云台角度，加入底盘旋转补偿""" if obj_center: # ... 原有视觉误差计算 ... # 假设chassis_rotation_speed单位是 度/秒， dt是自上次调用以来的时间 compensation = chassis_rotation_speed * self.dt # dt需要实际计算或估计 # 补偿方向与底盘旋转方向相反 new_pan = current_pan - error_x * self.pan_kp / 100.0 + compensation # ...

4.3 性能优化与实战技巧

在树莓派上跑OpenCV和实时控制，优化是必须的。

1. 降低图像分辨率：这是最有效的提速方法。从1080p降到640x480甚至320x240，处理速度会成倍提升。对于追踪来说，往往不需要太高分辨率。

   self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 320) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 240)

2. 跳帧处理：如果不需要极高的帧率，可以每处理2帧或3帧图像，就跳过后面的。这能显著降低CPU负载。

   frame_skip = 2 frame_count = 0 while True: ret, frame = self.cap.read() frame_count += 1 if frame_count % frame_skip != 0: continue # 跳过这帧，只读取不处理 # ... 处理逻辑 ...

3. 区域兴趣（ROI）：如果目标通常出现在画面中央区域，可以只对图像的一部分进行处理，而不是全图。

   height, width = frame.shape[:2] roi = frame[int(height*0.25):int(height*0.75), int(width*0.25):int(width*0.75)] # 只处理中间50%的区域

4. 使用硬件加速：对于树莓派4B或更新型号，确保OpenCV编译时启用了NEON和VFPv3优化。对于CSI摄像头，使用picamera2库（替代旧的picamera）能获得最佳的硬件编码和解码性能。
5. 调整OpenCV函数：有些OpenCV函数有更快的替代品。例如，对于简单的颜色阈值分割，直接使用NumPy的数组操作可能比cv2.inRange更快，但可读性会下降。

5. 常见问题排查与进阶调试

在实际搭建中，你几乎一定会遇到下面这些问题。

5.1 舵机问题排查表

5.2 视觉追踪问题与调优

• 追踪不稳定，目标丢失：

  • 检查HSV阈值：这是最常见的问题。光线变化会极大影响HSV值。在程序运行时，创建一个滑条动态调整HSV上下限，找到当前环境下最稳定的值。OpenCV的cv2.createTrackbar可以很方便地实现。
  • 增加形态学操作强度：增大腐蚀和膨胀的核大小或迭代次数，可以更好地过滤噪点，但可能会让目标区域变小。
  • 加入追踪预测：在简单P控制的基础上，加入微分（D）项可以抑制振荡，加入积分（I）项可以消除静态误差。实现一个完整的PID控制器。或者使用更高级的追踪算法，如OpenCV内置的cv2.TrackerKCF或cv2.TrackerCSRT，它们对遮挡和形变更鲁棒。

• 延迟太大，云台反应慢：

  • 降低图像处理频率：如上文所述，降低分辨率或跳帧。
  • 优化代码：避免在循环中进行不必要的计算或内存分配。例如，提前创建好核（kernel）和HSV转换用的空数组。
  • 检查控制周期：确保你的主循环（读图、处理、控制）频率足够高。用time.time()测量循环一次的时间，如果远低于摄像头帧率（如30fps对应33ms），说明处理是瓶颈。

• 如何追踪非颜色特征？

  • 形状匹配：使用cv2.matchTemplate或轮廓特征（如宽高比、面积、Hu矩）来匹配特定形状。
  • 特征点检测：使用SIFT、SURF、ORB等算法检测和匹配特征点，适合追踪有纹理的物体。
  • 深度学习模型：在树莓派上运行轻量级模型，如MobileNet-SSD、YOLO-Tiny，进行通用物体检测和追踪。这需要一定的模型部署知识，但效果最好，能追踪“人”、“杯子”、“狗”等语义对象。

5.3 系统集成与稳定性

• 树莓派重启或舵机乱动：一定是电源问题。确保使用足额电流（建议5V/3A以上）的电源适配器为树莓派供电，并且舵机使用独立电源。电机引起的电压骤降是树莓派不稳定的头号杀手。
• 多线程/多进程数据不同步：使用threading.Lock保护共享数据，或者使用multiprocessing.Manager管理的共享变量。最简单的安全方法是使用queue.Queue传递消息，它是线程安全的。
• 开机自启动：你需要让机器人上电后自动运行你的程序。可以编写一个systemd服务文件。例如，创建/etc/systemd/system/pan_tilt_robot.service：

  [Unit] Description=Pan Tilt Robot Service After=network.target [Service] Type=simple User=pi WorkingDirectory=/home/pi/robot_project ExecStartPre=/usr/bin/sudo /usr/bin/pigpiod # 先启动pigpio守护进程 ExecStart=/usr/bin/python3 /home/pi/robot_project/main.py Restart=on-failure RestartSec=5 [Install] WantedBy=multi-user.target

  然后运行sudo systemctl enable pan_tilt_robot.service启用即可。

从选择零件、组装硬件，到编写驱动、实现视觉算法，再到集成调试、优化性能，打造一个可用的树莓派机器人云台摄像头系统，是一个充满挑战也极具成就感的工程实践。它几乎涵盖了嵌入式机器人开发的各个方面。最关键的是动手去做，从最简单的舵机摆动开始，逐步增加颜色追踪、人脸识别甚至深度学习目标检测。每解决一个实际问题，你对机器人系统的理解就会加深一层。这个项目最大的魅力在于，它是一个完美的起点，可以由此扩展到更广阔的机器人技术世界。