TinyML实战项目：机器人避障与导航从一次深夜调试说起凌晨两点，示波器上那个本该平滑的PWM波形像得了帕金森一样抖动。我盯着STM32F4的串口输出，超声波传感器的读数在30cm和300cm之间疯狂跳变——明明前面就是一面墙。更诡异的是，当我把手放在传感器前面，读数反而稳定了。后来才发现，是电机驱动产生的电磁干扰耦合进了超声波接收电路，而我的TinyML模型恰好把这种噪声模式当成了“前方有障碍物”的特征。这个坑让我意识到：在嵌入式机器学习里，数据质量从来不是“采集-标注-训练”这么简单。传感器在真实物理世界里的表现，远比数据集里的干净样本要复杂得多。硬件选型：别被参数表骗了很多人做避障机器人第一反应就是上激光雷达。但TinyML讲究的是低成本、低功耗、实时性。我最终选的是VL53L1X ToF传感器（测距范围4m，精度±5mm）配合MPU6050六轴陀螺仪。为什么不用超声波？因为超声波在室内多径反射严重，而且对机器人自身电机噪声极其敏感——上面那个坑就是血的教训。电机驱动用的DRV8833，比L298N效率高30%以上，而且自带电流检测。别小看这个电流检测，后面做碰撞检测时能省掉一个限位开关。主控是STM32G474，Cortex-M4内核带FPU，跑TinyML模型刚好够用。如果你预算更紧，用ESP32-S3也行，但要注意它的浮点运算能力比STM32弱不少。数据采集：最容易被忽视的环节我见过太多人直接拿公开数据集训练避障模型，然后抱怨部署到机器人上效果差。真实场景的数据分布和