树莓派激光雷达机器人狗：从硬件搭建到SLAM避障的完整实践

1. 项目概述：当树莓派遇见激光雷达，一只机器人狗的诞生

几年前，当我第一次把树莓派和几个舵机拼凑在一起，试图让一个简陋的“铁架子”动起来时，我就在想，如果能给它装上“眼睛”，让它自己看清世界该多好。如今，这个想法已经变成了触手可及的现实。今天要聊的，就是这样一个将树莓派的计算核心与激光雷达的“视觉”能力相结合的产物——一只可以编程、能自主避障、甚至能听懂你说话的机器人狗。这不仅仅是极客的玩具，更是理解现代机器人技术，特别是环境感知与智能决策的绝佳切入点。

以Yahboom的DOGZILLA S2为例，它完美诠释了如何用一套相对亲民的开源硬件体系，构建一个功能完整的四足机器人平台。对于开发者、机器人爱好者，甚至是教育领域的师生而言，这类项目提供了一个从理论到实践的完整闭环。你不仅能学习到如何用Python或C++控制12个舵机协调运动，实现复杂的步态，更能深入理解激光雷达点云数据的处理、SLAM（即时定位与地图构建）的基础概念，以及如何将语音指令转化为具体的动作指令。接下来，我将从设计思路、核心部件解析、实操编程，到避坑经验，为你完整拆解这只“机器狗”的内核，让你不仅能玩转它，更能理解其背后的技术逻辑，甚至激发你自己的改造灵感。

2. 核心硬件与设计思路拆解

构建一个能走、能看、能听的机器人狗，硬件选型和整体架构设计是地基。这不像拼装静态模型，每一个部件的选择都直接影响到最终的稳定性、扩展性和可玩性。

2.1 主控大脑：为什么是树莓派？

在这个项目中，树莓派扮演着绝对的核心角色。它不仅仅是一个“接收指令-转发指令”的中间件，而是承担了传感器数据处理、决策制定、运动控制协调等所有高级任务。

• 性能与接口的平衡：以树莓派4B或更新的型号为例，其四核ARM处理器足以流畅运行ROS（机器人操作系统）的轻量级节点，处理来自激光雷达的每秒数千个点的数据流。同时，它提供了丰富的GPIO、USB、CSI/DSI接口，能轻松连接激光雷达（通常通过USB或UART）、语音模块（USB或I2C）、多个舵机控制器（I2C或UART）以及Wi-Fi/蓝牙模块，实现真正的“一体式”控制。
• 开源的生态优势：这是选择树莓派而非其他嵌入式主控板（如STM32）的关键。庞大的Linux社区和ROS生态意味着，从激光雷达驱动、点云处理库（如PCL的Python绑定）、语音识别引擎（如Vosk、Snowboy）到舵机控制库（如PiGPIO），你几乎都能找到现成的、经过验证的开源方案。这极大降低了开发门槛，让你能专注于功能逻辑，而非底层驱动。
• 灵活的可编程性：你可以用Python快速进行算法原型验证和上层应用开发，也可以用C++编写对性能要求更高的核心处理节点。这种灵活性对于教育、研究和创意原型开发至关重要。

注意：树莓派的实时性并非其强项。对于要求极高、毫秒级精度的舵机控制（如动态平衡调整），通常需要搭配一个专用的、实时性好的单片机（如Arduino或STM32）作为“协处理器”，由树莓派下发高层指令（如“前进”），由协处理器负责底层的、高频率的PWM信号生成和反馈控制。DOGZILLA S2的设计就考虑了这一点，其舵机控制板承担了这部分工作。

2.2 机器之眼：激光雷达技术选型与原理浅析

激光雷达是赋予机器人狗环境感知能力的灵魂。市面上常见的用于机器人项目的二维激光雷达，如RPLIDAR A1或YDLIDAR系列，其工作原理可以通俗地理解为一个高速旋转的“激光尺子”。

• 工作原理（飞行时间法）：

  1. 雷达内部的激光发射器朝某个方向发射一束极短的红外激光脉冲。
  2. 激光遇到障碍物后反射回来，被接收器捕获。
  3. 雷达芯片精确测量激光从发射到接收的时间差 (\Delta t)。
  4. 根据光速 (c)，即可计算出到障碍物的距离 (d = c \times \Delta t / 2)。
  5. 雷达头持续旋转（例如每秒5-10圈），同时不断进行测距，从而在极坐标下获得周围360度范围内一系列的角度-距离数据对 ((\theta, d))。这些点集合起来，就形成了一帧“点云”，相当于机器人周围环境的一个瞬时二维剖面图。

• 关键参数选择：

  • 测距范围与精度：对于室内桌面或地面机器人，4-6米的测距范围通常足够。精度一般在厘米级，这直接决定了避障和建图的精细程度。
  • 扫描频率：指每秒完成多少次360度扫描。频率越高，对环境变化的感知越及时，对快速运动的控制越有利，通常5-10Hz是常见选择。
  • 采样率：指每秒测量多少个点。采样率越高，点云越密集，对细小障碍物的分辨能力越强。
  • 接口：USB接口即插即用，最为方便；UART接口需要连接树莓派的串口，稍显复杂但可能更稳定。

• 在项目中的角色：在这只机器人狗身上，激光雷达的数据主要用于两个核心功能：实时避障和简易建图与导航。避障算法相对简单，实时分析当前帧的点云，找出机器人行进方向上的最近点，如果距离小于安全阈值，则触发停止或转向。而建图则需要更复杂的算法（如Gmapping），让狗在移动中逐步拼接点云，形成一张环境地图，进而实现从A点到B点的路径规划。

2.3 身体与关节：机械结构及驱动方案

一个灵活运动的四足机器人，其机械设计和驱动系统是物理基础。

• 结构设计：DOGZILLA S2采用了经典的12自由度（DOF）设计，即每条腿有3个关节（髋关节侧摆、髋关节前后摆、膝关节），共12个舵机。这种设计提供了在二维平面上运动的完备自由度，可以实现前进、后退、侧移、转弯、起身、趴下等多种步态。
• 驱动核心——数字舵机与总线控制器：
  • 舵机选型：必须使用数字舵机，而非廉价的模拟舵机。数字舵机响应更快、精度更高、位置保持力更强，且支持通过总线指令进行精确的位置、速度、扭矩控制。常见的如MG90S、DS3225等金属齿舵机，在扭矩、速度和价格间取得了良好平衡。
  • 控制方式：直接使用树莓派的GPIO产生PWM信号控制12个舵机是灾难性的，会耗尽GPIO资源且软件控制复杂。标准的做法是使用一个舵机控制板（如PCA9685），它通过I2C总线与树莓派通信。树莓派只需发送目标角度指令到控制板的某个通道，控制板就会自动生成稳定的PWM信号。一块PCA9685可以控制多达16路舵机，完美契合需求。
  • 电源管理：12个舵机同时运动时，电流峰值可能高达数安培。绝对不能使用树莓派的USB口供电！必须为舵机控制板配备独立的大功率电源（如3S锂电池），并通过稳压模块为树莓派和雷达提供稳定的5V电压。电源布线要粗，且最好在舵机电源入口处加装大容量电容（如1000μF）以缓冲瞬间电流冲击，防止电压骤降导致树莓派重启。

2.4 交互接口：语音模块的集成

语音交互为机器人狗增添了“拟人化”的趣味性和实用性。实现方式主要有两种：

• 离线语音识别模块：如LD3320、SYN7318等国产芯片模块。它们内置了固定的词条库（几十到上百条），识别特定口令（如“前进”、“跳舞”）后通过串口输出对应的指令码。优点是响应快、无需网络、隐私好；缺点是词条固定，不灵活。
• 基于树莓派的在线/离线识别：
  • 在线方案：利用树莓派的网络连接，调用百度、科大讯飞等云的语音识别API。功能强大，识别率高，但依赖网络，有延迟。
  • 离线方案：在树莓派上部署开源的离线识别引擎，如Vosk。它支持多种语言的中小型模型，识别准确度可观，且完全离线。这是目前兼顾灵活性和实用性的主流选择。你需要一个USB麦克风阵列模块来采集声音，Vosk处理音频后输出文字，你再编写程序将文字解析为控制指令。

3. 软件架构与核心算法实现

硬件搭建完毕，软件才是让机器狗“活”起来的灵魂。一个清晰、模块化的软件架构至关重要。

3.1 操作系统与开发框架：ROS vs 裸机编程

• 裸机编程（单一脚本）：对于初学者或功能简单的场景，可以编写一个Python脚本，循环执行：读取雷达数据 -> 避障判断 -> 读取语音指令 -> 综合决策 -> 发送舵机指令。这种方法直观，但各功能模块耦合紧密，扩展和维护困难。
• 推荐方案：ROS (Robot Operating System)：对于此类多传感器、多任务的项目，强烈建议使用ROS，哪怕是ROS最轻量的版本（如ROS Noetic）。ROS的核心思想是“节点”通信。你可以为每个功能创建独立的节点：
  • /lidar_node：发布激光雷达的/scan话题。
  • /voice_node：订阅音频流，发布识别出的/voice_cmd话题。
  • /navigation_node：订阅/scan和/voice_cmd，进行决策，发布目标速度/cmd_vel。
  • /gait_controller_node：订阅/cmd_vel，将其解算为12个舵机的关节角度，并通过I2C发送给PCA9685。 这种松耦合的设计让每个模块可以独立开发、测试和调试，系统健壮性大大增强。社区中已有大量关于激光雷达驱动、SLAM、语音识别的ROS功能包，可以直接复用。

3.2 运动控制核心：步态生成与逆运动学

让四足机器人走起来，是最大的挑战之一。这涉及到步态规划和逆运动学解算。

• 步态规划：最简单的步态是“三角步态”（Trot），即对角的两条腿（左前-右后，右前-左后）同时抬起、摆动、落下，像马小跑。我们需要定义一个周期性的脚步轨迹。通常用一个参数方程来描述脚掌末端在身体坐标系下的运动轨迹（如一个椭圆或一段抛物线），这个轨迹决定了抬腿的高度和步幅。
  PYTHON 复制

  1

  # 一个简化的前进步态中，单条腿摆动相轨迹生成的伪代码示例

  2

  def swing_foot_trajectory(step_length, step_height, current_phase):

  3

  # current_phase 从0到1，表示摆动相周期进度

  4

  # 水平方向（X轴）匀速运动

  5

  x = -step_length / 2 + step_length * current_phase

  6

  # 垂直方向（Z轴）用一个正弦或抛物线函数模拟抬腿和落地

  7

  if current_phase < 0.5:

  8

  z = step_height * math.sin(current_phase * math.pi) # 抬腿阶段

  9

  else:

  10

  z = step_height * math.sin(current_phase * math.pi) # 落腿阶段

  11

  return (x, 0, z) # 返回脚掌末端相对于髋关节的位置 (x, y, z)
• 逆运动学：步态规划给出的是“脚掌末端”应该到达的位置。但我们需要控制的是三个舵机的角度。逆运动学就是根据脚掌末端目标位置((x, y, z))，反算出髋关节侧摆角(\theta_1)、髋关节前后摆角(\theta_2)、膝关节角(\theta_3)的过程。对于这种串联连杆结构，可以通过几何法求解。
  PYTHON 复制

  1

  # 简化版逆运动学解算（假设腿部结构为平面二连杆）

  2

  def inverse_kinematics(x, z, thigh_length, calf_length):

  3

  # 计算到目标点的直线距离

  4

  distance = math.sqrt(x**2 + z**2)

  5

  # 使用余弦定理计算膝关节角度

  6

  cos_theta3 = (thigh_length**2 + calf_length**2 - distance**2) / (2 * thigh_length * calf_length)

  7

  theta3 = math.acos(max(-1, min(1, cos_theta3))) # 约束范围

  8

  # 计算髋关节前后摆角

  9

  alpha = math.atan2(z, x)

  10

  beta = math.acos((thigh_length**2 + distance**2 - calf_length**2) / (2 * thigh_length * distance))

  11

  theta2 = alpha - beta

  12

  # 髋关节侧摆角（本例中y=0，故为0。若需侧移，则需计算）

  13

  theta1 = math.atan2(y, math.sqrt(x**2 + z**2))

  14

  return theta1, theta2, theta3
  计算出角度后，再将其转换为PCA9685所需的PWM脉宽值，发送给舵机控制板。

3.3 感知与决策：激光雷达数据处理与避障逻辑

激光雷达数据是一系列距离和角度的数组。在ROS中，它通常以sensor_msgs/LaserScan消息格式发布。

• 数据预处理：原始数据可能存在噪点（异常远或近的点）。简单的处理方法是进行距离滤波，剔除超出有效范围（如0.1m到3.5m）的数据点。
• 避障算法实现：
  1. 扇形区域划分：将机器人前方的区域划分为几个扇形区，例如：左前、正前、右前。
  2. 寻找最近点：对每个扇形区内的所有数据点，找出距离最小的值。
  3. 决策逻辑：
     PYTHON 复制

     1

     # 伪代码示例

     2

     def obstacle_avoidance(scan_data):

     3

     left_min = min(scan_data[left_indices])

     4

     front_min = min(scan_data[front_indices])

     5

     right_min = min(scan_data[right_indices])

     6

     7

     safety_distance = 0.3 # 安全距离，单位：米

     8

     9

     if front_min < safety_distance:

     10

     # 前方有障碍

     11

     if left_min > right_min: # 左边空间比右边大

     12

     return "turn_right"

     13

     else:

     14

     return "turn_left"

     15

     elif left_min < safety_distance * 0.8: # 左侧太近

     16

     return "adjust_right"

     17

     elif right_min < safety_distance * 0.8: # 右侧太近

     18

     return "adjust_left"

     19

     else:

     20

     return "move_forward"
  4. 输出控制：将决策结果（如turn_right）转换为机器人狗的身体速度指令（线速度和角速度），发布给运动控制节点。

3.4 语音控制集成

以离线引擎Vosk为例，集成步骤大致如下：

1. 在树莓派上安装Vosk的Python库：pip install vosk。
2. 下载合适大小的中文模型文件（如vosk-model-small-cn-0.22）。
3. 编写一个节点，使用pyaudio库捕获麦克风音频流。
4. 将音频流送入Vosk识别器，获取识别文本。
5. 设计一个简单的命令映射表，将文本（如“小狗狗前进”）映射为ROS指令（如发布一个/cmd_vel消息，线速度x=0.2）。
   PYTHON 复制

   1

   # 简化的命令映射

   2

   command_map = {

   3

   "前进": (0.2, 0.0),

   4

   "后退": (-0.15, 0.0),

   5

   "左转": (0.0, 0.5),

   6

   "右转": (0.0, -0.5),

   7

   "停止": (0.0, 0.0),

   8

   }

4. 系统搭建与调试全流程实录

有了理论准备，我们进入实战环节。这里以从零开始搭建一个简化版系统为例。

4.1 硬件组装与电气连接

1. 机械组装：严格按照说明书或模型文件，将机身框架、12个舵机、腿部件组装好。确保所有螺丝紧固，关节转动顺滑无卡顿。关键点：在安装舵机前，最好用测试程序将所有舵机置于中位（通常为1500us脉宽），再进行物理安装，这能避免初始位置偏差导致的机械应力。
2. 电气连接：
   • 舵机：将12个舵机的信号线（通常是白线或黄线）按顺序连接到PCA9685控制板的PWM输出通道0-11。将所有舵机的电源正极（红线）和负极（棕线或黑线）分别并联，连接到控制板的V+和GND端子。注意：舵机电源（V+）必须接独立电源（如锂电池输出），切勿与树莓派共电。
   • PCA9685控制板：将其SDA、SCL引脚分别连接到树莓派的SDA（GPIO2）、SCL（GPIO3）引脚，VCC接树莓派5V，GND接树莓派GND。注意：树莓派的I2C电压是3.3V，而PCA9685逻辑电压是5V，但通常PCA9685的I2C接口是兼容3.3V的，直接连接一般没问题。若不稳定，需使用电平转换模块。
   • 激光雷达：如果是USB雷达（如RPLIDAR A1），直接插入树莓派USB口。如果是UART雷达，连接其TX、RX、GND、5V到树莓派的对应串口引脚（如GPIO14/TXD, GPIO15/RXD）。注意：树莓派串口默认是调试终端，需要禁用后才能用于通信：sudo raspi-config -> Interface Options -> Serial Port -> 登录shell选NO，串口硬件选YES。
   • 电源系统：独立锂电池通过一个降压模块（如LM2596）降压至5V，为树莓派、雷达、PCA9685逻辑部分供电。舵机电源直接来自锂电池（需匹配舵机电压，常见为6-8.4V）。在舵机电源总线上并联一个470-1000μF的电解电容。

4.2 软件环境部署与基础测试

1. 树莓派系统：安装Raspberry Pi OS Lite（无桌面版）以节省资源。启用SSH和I2C、串口接口。
2. 安装ROS：按照ROS官网指南安装ROS Noetic。然后创建你的工作空间。
   BASH 复制

   1

   mkdir -p ~/dog_ws/src

   2

   cd ~/dog_ws/src

   3

   catkin_init_workspace

   4

   cd ..

   5

   catkin_make

   6

   source devel/setup.bash
3. 安装驱动与功能包：
   • 激光雷达驱动：例如，对于RPLIDAR，sudo apt install ros-noetic-rplidar-ros。
   • PCA9685驱动：可以安装ros-noetic-ros-i2cpwmboard或使用Python库adafruit-circuitpython-pca9685。
   • Vosk语音识别：pip install vosk，并下载模型。
4. 基础测试：
   • I2C测试：sudo i2cdetect -y 1，应能看到PCA9685的地址（通常为0x40）。
   • 舵机测试：编写一个简单的Python脚本，通过smbus库或Adafruit_PCA9685库，逐个通道发送中位脉冲，观察舵机是否转动到中间位置。
   • 雷达测试：启动雷达驱动节点roslaunch rplidar_ros rplidar.launch，然后用rosrun rviz rviz添加LaserScan显示，应该能看到周围的点云。
   • 语音测试：运行Vosk示例脚本，测试麦克风录音和识别是否正常。

4.3 核心功能节点开发与联调

1. 创建ROS功能包：catkin_create_pkg dog_bringup rospy std_msgs sensor_msgs geometry_msgs
2. 编写运动控制节点 (gait_controller.py)：
   • 订阅/cmd_vel（geometry_msgs/Twist类型）。
   • 实现步态生成器，将速度指令转换为周期性的脚步轨迹。
   • 实现逆运动学，将脚掌轨迹转换为12个关节角度。
   • 将关节角度通过I2C发送给PCA9685。
3. 编写避障导航节点 (nav_node.py)：
   • 订阅/scan（激光雷达数据）。
   • 实现前述的扇形区域避障算法。
   • 根据算法结果，发布/cmd_vel指令。
4. 编写语音控制节点 (voice_node.py)：
   • 捕获音频，调用Vosk识别。
   • 将识别文本映射为速度指令，发布到/cmd_vel。
5. 编写启动文件 (bringup.launch)：将雷达驱动、运动控制、避障导航、语音节点一次性启动。
6. 分步联调：
   • 先单独测试运动控制，用手动发布/cmd_vel消息看狗能否正确行走。
   • 再测试避障，用手推着狗移动，看雷达数据能否触发正确的转向指令。
   • 最后测试语音，看口令能否控制狗的动作。
   • 全部成功后，用启动文件整体启动。

5. 实战中遇到的典型问题与深度排查

在实际搭建和调试过程中，你几乎一定会遇到下面这些问题。这里记录了我的排查思路和解决方案。

5.1 运动控制类问题

• 问题一：舵机抖动、啸叫或无法到达指定位置
  • 排查：这是最常见的问题。首先，用万用表测量舵机电源电压在负载（所有舵机运动）时是否大幅跌落。如果低于额定电压（如6V），会导致舵机无力、抖动。其次，检查PCA9685输出的PWM频率。舵机通常要求50Hz（周期20ms）。最后，检查机械结构是否卡死，或舵机扭矩是否不足。
  • 解决：① 加强电源：使用更粗的电源线，电池选用更高C放电倍率的，在电源入口处并联更大电容（如2200μF）。② 确认频率：设置PCA9685频率为50Hz。③ 软件消抖：在控制代码中，不要将目标角度一次性设置到位，而是采用平滑插值的方式，让角度在几十毫秒内渐变过去。
• 问题二：步态不稳，机器人狗走路摇晃或摔倒
  • 排查：重心是否过高？步幅和抬腿高度参数是否过大？逆运动学计算中，连杆长度参数是否与实物匹配？身体质心投影是否始终落在支撑三角形内？
  • 解决：① 参数调优：减小步幅和抬腿高度，降低重心。② 校准运动学：精确测量大腿和小腿的长度，代入逆运动学公式。可以编写一个校准程序，手动控制脚掌移动到几个已知位置，观察实际位置与计算位置是否一致。③ 引入姿态反馈（进阶）：加入IMU（惯性测量单元），检测身体倾斜，在步态中实时微调脚步落点以补偿姿态，实现动态平衡。

5.2 传感器与感知类问题

• 问题三：激光雷达数据不稳定或有大量噪点
  • 排查：雷达安装位置是否稳固？是否有剧烈振动？雷达镜片是否洁净？周围是否有强光（特别是阳光）直射？雷达与地面或深色物体的距离是否在其最小测距范围内？
  • 解决：① 减震安装：用海绵或橡胶垫隔离雷达与机器人机身。② 环境适应：避免强光环境。对于地面机器人，雷达安装高度要合适，避免以极浅角度扫描深色地毯（吸收激光）或光滑地面（镜面反射）。③ 软件滤波：在代码中加入更强大的滤波算法，如统计滤波器（移除距离均值过远的点）或范围滤波器。
• 问题四：语音识别率低，反应慢
  • 排查：麦克风质量差？环境噪音大？Vosk模型太小或不适合当前场景？树莓派CPU占用率过高？
  • 解决：① 更换麦克风：使用USB麦克风阵列，它有更好的降噪和指向性。② 优化环境：在相对安静的环境使用，或增加语音激活检测（VAD），只在有声音时识别。③ 升级模型：使用更大的Vosk中文模型，但会消耗更多内存和CPU。④ 性能隔离：将语音识别节点运行在单独的核心上，或使用更轻量的识别方案（如固定词条的离线模块）。

5.3 系统集成与软件类问题

• 问题五：ROS节点通信延迟大或丢失数据
  • 排查：使用rostopic hz /cmd_vel查看话题发布频率是否稳定。使用top命令查看树莓派CPU和内存占用。是否在回调函数中执行了耗时操作（如复杂的数学计算）？
  • 解决：① 优化代码：确保ROS节点的回调函数执行速度要快，如果需要进行大量计算（如点云处理），应开辟单独的线程或使用异步方式。② 调整参数：在发布者中设置合适的队列大小queue_size，防止消息堆积。③ 网络优化：如果使用多机ROS，确保网络通畅。
• 问题六：整体系统运行时树莓派意外重启
  • 排查：几乎可以肯定是电源问题。舵机运动瞬间拉低了整个系统的电压，导致树莓派欠压重启。
  • 解决：这是硬件设计的核心。必须为舵机提供完全独立的、功率充裕的电源路径。使用高质量的动力锂电池，电源线径至少18AWG，并在舵机电源入口处并联一个大容量低ESR的电解电容（如35V 1000μF）和一个小容量陶瓷电容（如0.1μF）以滤除高频噪声。可以使用带有电压显示的降压模块，实时监控树莓派供电电压是否稳定在5V。

5.4 进阶功能与性能优化

当基础功能稳定后，你可以尝试以下进阶方向：

• 实现SLAM建图与自主导航：使用ROS中的gmapping或cartographer功能包，让机器人狗在未知环境中一边移动一边构建地图。然后使用move_base等导航包，实现从A点到B点的自动路径规划和避障。这需要更强的算力，可能需要在PC上运行SLAM，树莓派只负责控制与感知数据采集，通过ROS网络通信。
• 增加视觉传感器：加装一个树莓派摄像头或USB摄像头，利用OpenCV进行颜色跟踪、人脸识别、手势识别等，与激光雷达数据融合，实现更丰富的交互。
• 开发上层应用：例如，开发一个手机APP，通过Wi-Fi传输ROS消息，实现更直观的遥控和状态监控。或者编写一个行为树，让狗根据环境（雷达、视觉）和指令（语音）自主切换不同的行为模式（巡逻、跟随、玩耍）。

这个项目就像一把钥匙，打开了一扇通往机器人技术世界的大门。从硬件焊接、软件调试，到算法调参、问题排查，每一个环节都是对耐心和工程能力的考验。我自己的体会是，最大的成就感往往不是来自最终成功的奔跑，而是来自深夜调试时，终于找到那个导致舵机抖动的电源干扰源，或是亲手调出一个稳定流畅的步态瞬间。它不完美，可能会摔跤，识别会出错，但每一个缺陷都指向一个可以学习和改进的方向。如果你也正准备开始，我的建议是：从读懂每一行代码、理解每一个电路连接开始，耐心做好基础测试，记录下每一个问题和解决方案。这个过程本身，就是智能技术与个人创意最完美的融合。