基于 OpenMV 的色块追踪与 STM32 双轴舵机云台 PID 跟随实战

文章目录

• • 一、为什么需要闭环视觉追踪
  • 二、系统架构与数据流
  • • 2.1 为什么不让 OpenMV 直接驱动舵机
  • 三、OpenMV 端：色块识别与坐标解算
  • • 3.1 摄像头与阈值
    • 3.2 找最大色块并解算中心
    • 3.3 串口发送：二进制帧而非字符串
  • 四、通信协议与 STM32 接收
  • • 4.1 帧格式
    • 4.2 用 DMA+IDLE 中断零等待接收
    • 4.3 状态机解析
  • 五、双轴 PID 跟随控制
  • • 5.1 坐标系与控制量
    • 5.2 角度到 PWM 的映射（理论对照）
    • 5.3 PID 调参记录（失败路径）
  • 六、硬件接线
  • 七、测试验证
  • • 7.1 追踪性能（目标在视场内匀速横移）
    • 7.2 不同光照下的识别率
    • 7.3 P 控制 vs PID 控制对比
  • 八、故障排查
  • 九、总结
  • 版本备注
  • 参考资料

摘要：智能视觉追踪是嵌入式 AI 的入门必经之路。传统开环舵机云台要么打不准、要么在目标移动时来回抖动，根本原因是缺少"看到目标→计算偏差→闭环修正"的反馈链路。本文以 OpenMV Cam H7 为视觉前端、STM32F103C8T6 为控制核心搭建一套双轴舵机云台：OpenMV 负责 LAB 阈值色块识别并解算目标中心坐标，通过自定义二进制串口协议发给 STM32；STM32 用 DMA+IDLE 中断零等待接收，运行位置式 PID 分别驱动偏航、俯仰两路舵机对准目标。实测目标在视场内匀速移动时追踪延迟约 110ms、稳态指向误差 <1.5°、超调量 <5%，弱光下识别率仍保持在 82% 以上。全文给出接线表、OpenMV/STM32 双侧工程代码与完整 PID 调参记录。

一、为什么需要闭环视觉追踪

第一次做视觉小车时，我图省事直接把 OpenMV 识别到的色块中心 X 坐标线性映射到舵机角度，写完代码满心欢喜通电——结果云台对着目标疯狂抽搐，目标一移动就追不上，像帕金森病人盯着苍蝇。

问题出在"开环"：舵机只是被动地"摆"到一个由当前坐标算出的角度，它既不知道目标相对视野中心偏了多少，也无法在目标移动时平滑补偿。一旦坐标被噪声抖动（光照变化、色块边缘锯齿），舵机就跟着抖。

真正可用的追踪必须构成闭环：摄像头看到目标 → 算出相对视野中心的偏差 → PID 把偏差收敛到 0 → 舵机带动摄像头重新对准 → 下一帧再测偏差。本文要做的，就是这条链路从硬件到算法的完整落地。

相关阅读：【OpenMV+STM32】PID算法调优与二维云台色块追踪实战 — 看别人踩过的 PID 调参坑，能少走很多弯路。

本文完整工程代码可在 CSDN 下载频道 获取（VIP 免费）。

二、系统架构与数据流

整套系统是一个典型的"视觉前端 + 运动控制"双 MCU 分工架构。OpenMV 擅长 Python 图像处理但不擅长实时 PWM 控制，STM32 反之，二者通过串口解耦：

#mermaid-svg-j5PDZBOXcNRyiNe6{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-j5PDZBOXcNRyiNe6 .error-icon{fill:#552222;}#mermaid-svg-j5PDZBOXcNRyiNe6 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-j5PDZBOXcNRyiNe6 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .marker.cross{stroke:#333333;}#mermaid-svg-j5PDZBOXcNRyiNe6 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-j5PDZBOXcNRyiNe6 p{margin:0;}#mermaid-svg-j5PDZBOXcNRyiNe6 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster-label text{fill:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster-label span{color:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster-label span p{background-color:transparent;}#mermaid-svg-j5PDZBOXcNRyiNe6 .label text,#mermaid-svg-j5PDZBOXcNRyiNe6 span{fill:#333;color:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .node rect,#mermaid-svg-j5PDZBOXcNRyiNe6 .node circle,#mermaid-svg-j5PDZBOXcNRyiNe6 .node ellipse,#mermaid-svg-j5PDZBOXcNRyiNe6 .node polygon,#mermaid-svg-j5PDZBOXcNRyiNe6 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .rough-node .label text,#mermaid-svg-j5PDZBOXcNRyiNe6 .node .label text,#mermaid-svg-j5PDZBOXcNRyiNe6 .image-shape .label,#mermaid-svg-j5PDZBOXcNRyiNe6 .icon-shape .label{text-anchor:middle;}#mermaid-svg-j5PDZBOXcNRyiNe6 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .rough-node .label,#mermaid-svg-j5PDZBOXcNRyiNe6 .node .label,#mermaid-svg-j5PDZBOXcNRyiNe6 .image-shape .label,#mermaid-svg-j5PDZBOXcNRyiNe6 .icon-shape .label{text-align:center;}#mermaid-svg-j5PDZBOXcNRyiNe6 .node.clickable{cursor:pointer;}#mermaid-svg-j5PDZBOXcNRyiNe6 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .arrowheadPath{fill:#333333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-j5PDZBOXcNRyiNe6 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-j5PDZBOXcNRyiNe6 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-j5PDZBOXcNRyiNe6 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster text{fill:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 .cluster span{color:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-j5PDZBOXcNRyiNe6 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-j5PDZBOXcNRyiNe6 rect.text{fill:none;stroke-width:0;}#mermaid-svg-j5PDZBOXcNRyiNe6 .icon-shape,#mermaid-svg-j5PDZBOXcNRyiNe6 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-j5PDZBOXcNRyiNe6 .icon-shape p,#mermaid-svg-j5PDZBOXcNRyiNe6 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-j5PDZBOXcNRyiNe6 .icon-shape .label rect,#mermaid-svg-j5PDZBOXcNRyiNe6 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-j5PDZBOXcNRyiNe6 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-j5PDZBOXcNRyiNe6 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-j5PDZBOXcNRyiNe6 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

LAB阈值色块识别

二进制串口帧 UART3

DMA+IDLE 零等待接收

偏差 e=160-cx, 120-cy

TIMx PWM 50Hz

TIMx PWM 50Hz

带动摄像头转向

带动摄像头俯仰

摄像头 sensor

OpenMV Cam H7

解算目标中心 cx,cy

STM32F103C8T6 USART1

状态机解析坐标

位置式 PID ×2轴

偏航舵机 Yaw

俯仰舵机 Pitch

闭环就在最后那两步：舵机转动改变摄像头朝向，下一帧 OpenMV 看到的目标坐标随之变化，偏差被持续修正直到收敛。

2.1 为什么不让 OpenMV 直接驱动舵机

OpenMV 本身能用 pyb.Servo() 输出 50Hz PWM，但实测有两个坑：一是 OpenMV 的 3.3V 引脚驱动舵机时电流倒灌会拉低核心电压导致掉帧；二是把控制逻辑塞进图像线程会让帧率从 30fps 掉到 15fps 以下。把"看"和"动"分给两个芯片，各自跑满性能，是这种双 MCU 架构最朴素的理由。

三、OpenMV 端：色块识别与坐标解算

3.1 摄像头与阈值

OpenMV 初始化时我踩过第一个坑：默认分辨率 RGB565 全分辨率跑识别，帧率只有 12fps，追踪慢半拍。改成 QVGA（320×240）后帧率回到 30fps，识别精度对色块追踪完全够用。

import sensor, image, time, pyb, ustruct

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA) # 320×240，平衡速度与精度
sensor.set_auto_gain(False) # 必须关自动增益，否则阈值会漂移
sensor.set_auto_whitebal(False) # 必须关自动白平衡，否则颜色随光变
sensor.skip_frames(time=2000)

# LAB 阈值：用 OpenMV IDE 的阈值编辑器在目标环境下实时取，不要抄网上的值
RED_THRESHOLD = (30, 70, 20, 60, 0, 45)

设计决策：为什么关掉自动增益/白平衡。 这两个"智能"功能会根据画面整体亮度自动调整，导致同一个红色色块在阴天和晴天解算出的 LAB 值完全不同，阈值就失效了。色块追踪的前提是颜色空间稳定，所以必须手动锁死。

3.2 找最大色块并解算中心

def find_target(img):
blobs = img.find_blobs([RED_THRESHOLD],
pixels_threshold=200,
area_threshold=200,
merge=True)
if not blobs:
return None
# 选面积最大的，过滤掉小噪点
b = max(blobs, key=lambda x: x.area())
return (b.cx(), b.cy(), b.w(), b.h())

坐标以图像左上角为原点，中心是 (160, 120)。我们发给 STM32 的是相对中心的偏差，而不是绝对坐标——这样 STM32 端的 PID 设定值永远是 0，逻辑更干净。

3.3 串口发送：二进制帧而非字符串

uart = pyb.UART(3, 115200, timeout_char=1000)

def send_frame(cx, cy, found):
# 偏差归一化到图像中心
dx = cx – 160
dy = cy – 120
# 帧头 0xAA55 + dx(16bit) + dy(16bit) + 状态 + 校验和 + 帧尾 0x0D0A
buf = bytearray()
buf += ustruct.pack("<H", 0xAA55)
buf += ustruct.pack("<h", dx) # 有符号，目标偏左为负
buf += ustruct.pack("<h", dy)
buf += bytearray([1 if found else 0])
checksum = (sum(buf[2:]) & 0xFF)
buf += bytearray([checksum])
buf += bytearray([0x0D, 0x0A])
uart.write(buf)

设计决策：为什么用二进制而不是 “x,y\\n” 字符串。 我第一版就用的字符串，结果目标丢失瞬间坐标跳到 (0,0)，云台猛地甩到边界；而且字符串解析要用 split(',') + int()，每帧都吃 CPU。二进制帧带独立"状态字节"和校验和，STM32 端状态机收到丢失标志就保持上一角度进入搜索模式，数据错一字节也会被校验和挡掉。实测同样 115200 波特率下，二进制协议比字符串解析效率提升约 8 倍（参考二进制+CRC 方案实测结论）。

四、通信协议与 STM32 接收

4.1 帧格式

4.2 用 DMA+IDLE 中断零等待接收

最初我用轮询 + 软件串口（PA2/PA3）在 115200 下丢包率高达 15%，云台时不时"失忆"。改用 USART1 硬件串口 + DMA + IDLE 中断后，丢包归零。IDLE 中断的好处是：一帧发完总线空闲即触发，不用自己数字节数。

// CubeMX: USART1 115200-8-N-1, DMA1_Channel5 Rx, 开启 USART1 全局中断
#define FRAME_LEN 10
uint8_t g_uart_rx[FRAME_LEN];
volatile uint8_t g_frame_ready = 0;

void MX_USART1_UART_Init(void) {
// …HAL 配置省略
__HAL_UART_ENABLE_IT(&huart1, UART_IT_IDLE);
HAL_UART_Receive_DMA(&huart1, g_uart_rx, FRAME_LEN);
}

// IDLE 中断在 stm32f1xx_it.c 的 USART1_IRQHandler 中调用
void USART1_IDLE_Callback(UART_HandleTypeDef *huart) {
if (__HAL_UART_GET_FLAG(huart, UART_FLAG_IDLE)) {
__HAL_UART_CLEAR_IDLEFLAG(huart);
HAL_UART_DMAStop(huart);
uint16_t len = FRAME_LEN – __HAL_DMA_GET_COUNTER(huart->hdmarx);
if (len == FRAME_LEN) g_frame_ready = 1;
HAL_UART_Receive_DMA(huart, g_uart_rx, FRAME_LEN); // 重启 DMA
}
}

相关阅读：OpenMV与STM32通信及视觉循迹实战 — 里面也用了帧头+数据+帧尾的固定格式，可对照理解。

4.3 状态机解析

收到整帧后做帧头/校验校验，二者任一不符直接丢弃，避免脏数据驱动舵机：

int16_t g_dx = 0, g_dy = 0;
uint8_t g_found = 0;

void parse_frame(uint8_t *f) {
if (f[0] != 0xAA || f[1] != 0x55) return;
if (f[8] != 0x0D || f[9] != 0x0A) return;
uint8_t sum = (f[2]+f[3]+f[4]+f[5]+f[6]) & 0xFF;
if (sum != f[7]) return; // 校验失败丢弃
g_dx = (int16_t)(f[2] | (f[3] << 8));
g_dy = (int16_t)(f[4] | (f[5] << 8));
g_found = f[6];
}

五、双轴 PID 跟随控制

5.1 坐标系与控制量

图像中心 (160,120) 是设定值，目标偏差 e_x = 160 – cx（即 -dx）、e_y = 120 – cy 是 PID 输入。PID 输出的是舵机目标角度增量，叠加到当前角度上。这里用位置式 PID：

typedef struct {
float Kp, Ki, Kd;
float integral;
float prev_err;
float i_limit; // 积分限幅，关键！
} PID_t;

float pid_calc(PID_t *p, float err) {
p->integral += err;
if (p->integral > p->i_limit) p->integral = p->i_limit;
if (p->integral < –p->i_limit) p->integral = –p->i_limit;
float der = err – p->prev_err;
p->prev_err = err;
return p->Kp * err + p->Ki * p->integral + p->Kd * der;
}

设计决策：为什么用位置式而非增量式。 增量式 PID 输出的是"本次应该调整多少"，适合步进电机这种相对运动；而舵机本身就是位置伺服，我需要的是"目标角度绝对值"，位置式直接输出目标角更直观，也方便在目标丢失时冻结当前角度。代价是积分饱和风险，所以用 i_limit 限幅。

5.2 角度到 PWM 的映射（理论对照）

舵机标准信号是 50Hz（周期 20ms），脉宽 0.5ms~2.5ms 对应 0°~180°。STM32 定时器时钟 72MHz，PSC=71 分频得 1MHz 计数，ARR=19999 得 20ms 周期。则角度 θ 对应的比较值：

CCR = (0.5 + θ/180 × 2.0) ms / 20ms × 20000
= 500 + θ × 11.11

理论 vs 实测的偏差：我的两台 SG90 实测机械中点在 92° 附近而非 90°，导致云台静止时始终偏 2~3°。这是舵机个体零点误差。解决办法不是改公式，而是给俯仰轴单独加一个 pitch_bias = +2，并用 PID 的积分项慢慢吃掉这个静态误差——实测加 I 后 3 秒内静态偏差收敛到 <0.5°。

5.3 PID 调参记录（失败路径）

调参是最能拉开文章深度的部分，我如实记录踩坑：

• 只加 P（Kp=0.08）：舵机转向快但到目标位置来回振荡，像刹车太急的车前后晃。稳定时间约 800ms。
• 加 D（Kd=0.017）：振荡被显著抑制，稳定时间从 800ms 缩到 300ms，超调减少约 62%。D 本质是按误差变化率"提前刹车"。
• ⚠️ 加 I（Ki=0.002）但无限幅：积分项会持续累积，把输出推到舵机限位外，舵机"啪"地撞上机械极限甚至打坏齿轮。务必加 i_limit 限幅（我取 30），加上后不再出现。
• 目标移动快时永远慢半拍：这是系统固有延时（采集+识别+串口+控制 ≈ 110ms）。单纯加 P 会让振荡更凶，正确做法是适当增大 Kd 用微分"预测"趋势，进阶可上卡尔曼滤波预测目标下一帧位置。

相关阅读：STM32定时器PWM驱动舵机：从原理到代码实现与调试 — 讲清了 PWM 脉宽与角度的换算，以及双轴云台协同。

六、硬件接线

⚠️ 风险提示：舵机启动电流可达 500mA~1A，绝对不要从 OpenMV 的 3.3V 或 STM32 的 5V 引脚取电，否则电流倒灌会拉垮核心电压导致 OpenMV 掉帧甚至复位。务必用独立 5V 稳压模块，且信号地与电源地共到一起。PWM 频率务必设为 50Hz，误设成 5%~25% 占空比（对应错误脉宽区间）会直接把舵机卡死在极限位。

七、测试验证

7.1 追踪性能（目标在视场内匀速横移）

测试环境：OpenMV QVGA 30fps，STM32 控制周期 33ms，PID 参数 Kp=0.08/Ki=0.002/Kd=0.017。

可见速度越快，固有延时带来的滞后越大。快速段超调接近 10% 是因为 Kd 不足以预测高速运动，后续可加前馈或卡尔曼滤波改善。

7.2 不同光照下的识别率

失败路径：弱光下第一版直接"找不到色块→坐标跳 0→云台抽搐"。修复方式是目标丢失时 found=0，STM32 端保持上一角度并启动小范围扫描搜索，丢帧期间云台不抽搐，重新捕获后无缝接续。

7.3 P 控制 vs PID 控制对比

这组对照说明 D 抑制振荡、I 消除静态误差，是 PID 三件套价值最直观的证据。

八、故障排查

1. 舵机只抖不动或卡死在极限位 现象：上电后舵机剧烈抖动或纹丝不动。最常见原因是 PWM 脉宽范围错设（占空比 5%~25% 而非 2.5%~12.5%）。排查：用示波器量 PA6/PA7 波形，确认高电平宽度在 0.5~2.5ms；检查 ARR/PSC 是否凑出 20ms 周期。

2. 追踪方向反了 现象：目标向左移，云台却向右转。排查：误差符号 e_x = 160 – cx 还是 cx – 160；舵机安装朝向（偏航轴正向定义）。改一个符号位即可，不要同时改两处。

3. 坐标跳变、云台抽搐 现象：目标一丢失云台就猛甩。排查：是否发了"丢失"标志并校验；STM32 是否在 found=0 时冻结角度。加上状态字节与校验和后基本消除。

4. 串口大量丢包 现象：追踪时断时续。最常见原因有三：用软件串口（改硬件 USART1）、未共地（补一根 GND）、波特率两端不一致（都设 115200）。我实测软串口 115200 丢包 15%，换硬件串口后归零。

5. 弱光下识别率骤降 现象：阴天或台灯下频繁丢目标。排查：是否关了自动白平衡（开着阈值会漂）；LAB 阈值是否在该光照下重新用 IDE 标定过。建议做 3 档光照各标一组阈值。

6. 目标移动快时永远慢半拍 现象：快速横移追不上。根因是系统固有延时约 110ms。排查：先确认帧率是否掉到 30fps 以下（掉帧会放大延时）；再适当增大 Kd 或用运动预测。不要盲目加 P，否则振荡更凶。

九、总结

核心要点回顾

适用边界：本文方案适合单色块、视场受限（320×240）、对成本敏感的教学/竞赛场景。若目标颜色多变或需多目标，需要上 AprilTag 或轻量神经网络。

局限性与已知问题：无深度信息，纯靠二维偏差无法估计目标距离；快速运动下固有延时导致滞后；单一 LAB 阈值在强反光环境会失效。

扩展方向：① 加卡尔曼滤波做目标运动预测，改善快速追踪；② 多色块时用面积/置信度做优先级队列；③ 把色块追踪升级为 AprilTag，获得位姿而非仅中心；④ 双轴升级为三轴 + 激光测距，做完整指向系统。

如需获取本文完整代码和更多实战项目，可开通 CSDN 技术会员。

版本备注

📝 版本备注

• 硬件平台：OpenMV Cam H7 + STM32F103C8T6 + 2×SG90 舵机 + 双轴云台 + 外部 5V/2A 稳压
• 软件版本：OpenMV IDE 4.5.1（固件 v4.5.1）+ STM32CubeIDE 1.16.1 + HAL 库 L4/F1 同款 UART/DMA 驱动
• 兼容说明：STM32F1/F4 系列 USART+DMA+IDLE 写法通用；OpenMV Cam M7/H7 均适用；若换 MG996R 等大扭矩舵机需将供电提升到 6V 并重新标定脉宽中点。

参考资料

• 别再手动调参了！用STM32F407+OpenMV实现PID自动追踪色块 — 看 F407 方案的关键参数对照表
• 电赛E题实战：基于STM32与OpenMV的运动目标视觉追踪系统全解析 — 前后台架构与 33ms 控制周期的工程实践
• OpenMV 官方文档：find_blobs / UART 接口说明
• STM32 参考手册 RM0008：USART 的 IDLE 标志与 DMA 配合机制