新闻详情

新闻详情

首页 / 资讯中心 / 详情

【CanMV K210】传感器实验 HC-SR04 超声波测距与状态判断

发布时间:2026/11/15 13:07:56来源:尧图网络
【CanMV K210】传感器实验 HC-SR04 超声波测距与状态判断
在智能硬件项目中,距离检测是一类非常常见的基础能力。自动避障小车需要判断前方是否存在障碍物,智能垃圾桶需要感知物体靠近,仓储设备需要检测物体位置,教学实验中也常用距离数据来演示“传感器如何把真实世界转换成程序变量”。这些场景背后的核心逻辑并不复杂:硬件负责采集环境变化,程序负责读取数据、计算结果并输出判断。本实验使用 CanMV K210 开发板连接 HC-SR04 超声波测距模块,通过 Trig 引脚发送触发脉冲,通过 Echo 引脚接收回波信号,并根据 Echo 高电平持续时间换算距离。程序会持续输出当前距离,并按照距离范围显示“距离过近”“正常检测”“距离较远”“超出常用检测范围”等状态。学习目标说明理解超声波测距原理认识 Trig 触发、Echo 回波和声波往返时间之间的关系掌握 GPIO 输入输出使用 GPIOHS 输出触发脉冲,并读取 Echo 输入电平学会微秒级计时使用ticks_us()记录 Echo 高电平持续时间完成距离换算将回波时间转换成厘米或毫米距离建立传感器处理流程把测距、异常处理、平均滤波和状态判断组合成完整实验这段代码的价值不只是完成一次测距,而是把传感器驱动、GPIO 输入输出、脉冲计时、异常处理、数据平均和状态判断整合成一个完整实验。对于硬件编程入门而言,这类代码可以直观看到 Python 如何读取真实环境数据,并把物理距离转换成可判断、可输出、可扩展的程序状态。文章目录理论基础硬件设施软件代码扩展应用总结理论基础HC-SR04 超声波测距模块的工作过程可以理解成一次“发出声音并等待回声”的过程。程序通过 Trig 引脚给模块一个短暂高电平脉冲,模块开始发射超声波;超声波遇到障碍物后反射回来,Echo 引脚会输出一个高电平脉冲。这个高电平持续时间越长,说明声波往返距离越远;持续时间越短,说明障碍物越近。程序读取到的并不是距离本身,而是 Echo 高电平持续了多少微秒。由于超声波从模块发出后,需要到达障碍物再反射回来,所以 Echo 时间对应的是“往返时间”。计算单程距离时,需要把时间除以 2,再结合声速进行换算。代码中的distance_cm()使用(pulse_time / 2) / 29.1计算厘米距离,表示声波传播约 29.1 微秒对应 1 厘米。超声波测距实验比普通按键实验多了计时过程。按键实验只需要判断某个 GPIO 是高电平还是低电平,而 HC-SR04 需要先输出触发脉冲,再等待 Echo 从低电平变成高电平,接着记录 Echo 高电平持续时间,最后把时间转换成距离。这个过程把 GPIO 输出、GPIO 输入、微秒计时和数学换算连接到了一起。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉