做一只“两轮自平衡 + 语音交互”的桌宠机器人，既要便宜又要有点儿 AI 灵魂。下面给你一套能落地、成本可控、后续可扩展的完整方案。

1. 系统目标与约束

• 桌面使用，安全、静音、占地小，运行时不冲撞。

• 两轮自平衡，支持原地转向、小幅位移，“点头/摇头”拟态表情。

• 语音交互：本地唤醒词 + 基础离线指令；联网时支持更丰富的云端对话/意图。

• 成本：基础版≈$25–$35（不含3D外壳）；增强版（带屏和更好音频）≈$40–$55。

2. 硬件架构（推荐）

• 主控：ESP32‑S3（双核、AI指令、USB-OTG），自带Wi‑Fi/BT，跑实时控制+语音边缘模型绰绰有余。若更省钱：ESP32（WROOM）也可以，但USB与I2S资源紧张些。

• IMU：MPU‑6050（超低价、社区成熟）或 ICM‑42688P（更稳）。I²C 接口。

• 电机：直流减速微型电机 6V 带编码器 ×2（编码器提升姿态/速度闭环质量；预算极紧可无编码器）。

• 电机驱动：DRV8833 或 TB6612FNG（PWM 驱动两路）。

• 语音输入：INMP441（I²S MEMS Mic） 或 SPH0645/ICS‑43434（同类）。I²S接入，抗噪好。

• 语音输出：MAX98357A I²S D类功放 + 8Ω 1–2W 小喇叭（音质>成本）。

• 显示（可选）：0.96" I²C OLED 显示“眼睛/表情/电量/网络”，或超小TFT。

• 供电：18650 单节 + 保护板，TP4056 充电，升压到5V（音频/逻辑），电机可直接电池(3–4.2V)或另一路升压到6V（看电机额定）。再用 3.3V LDO 给IMU/主控。

• 其它：电源开关、碰撞/跌落保护（前置红外测距或微动开关，可后加）。

参考BOM（单价预估）

合计：基础（无屏/无编码器）≈$25–$35；完整（带屏/编码器/好音频）≈$40–$55。

3. 控制与算法

3.1 姿态估计

• 传感器：陀螺+加速度计（IMU）。

• 融合：互补滤波（Complementary Filter） 或 Madgwick。

• 互补滤波频段分工：角速度高频、加速计低频，采样≥500 Hz，滤波常数 α≈0.98 起步。

• 目标：获得精准的 倾角 θ 与 角速度 ω。

3.2 自平衡控制

• 内环：姿态角 PID（或 PD），外环：速度/位移环（用编码器或积分项约束漂移）。

• 控制频率：500–1000 Hz（IMU读取+控制计算）；电机PWM更新≥20 kHz（安静）。

• 初始增益（经验起点，需现场整定）：

• 角度环：Kp=18–28，Kd=0.5–1.2，Ki=0（先不启用）。

• 速度环（慢环，100 Hz）：Kp=0.5–1.0，Ki=0.05–0.1。

• 安全：倾角超阈（如 >30°）立即切断PWM并落地保护。

3.3 运动与拟态

• 高层指令转化为目标速度/转向（v, ω），由外环限幅馈入内环。

• 拟态动作：短暂正反向俯仰实现“点头”；微幅左右轮速差实现“摇头”。

4. 语音与AI交互

4.1 本地（离线轻量）

• 唤醒词（例如：“小禾小禾”）：使用 KWS（Keyword Spotting, TFLite Micro） 或第三方超轻唤醒库。

• 离线命令集（10–20条）：如“跟我来”“停下”“点头”“转身”“唱歌”等。可用DS‑CNN/CRNN 语音指令识别小模型（8–20KB参数级别）。

• 本地TTS：空间紧张时可用预录音；或简易mbrola/ eSpeak移植（音色机械）。

4.2 联网（增强智能）

• 唤醒后，I²S 持续录音 → 音频片段经Wi‑Fi上传到云端 ASR/LLM → 返回自然语言回复 → TTS音频 下发播放。

• 策略：离线优先（指令级实时性），云端补充（闲聊/讲笑话/讲题/个性化）。

• 断网降级：仍可用本地命令与情绪表情。

5. 固件与任务划分（FreeRTOS）

• Core0 / 高优先级：IMU采样+姿态融合（1kHz）、平衡控制（1kHz）、PWM输出。

• Core1 / 中优先级：语音流采集（I²S DMA），唤醒词/KWS 推断（100–200ms窗口），本地命令识别。

• 网络/低优先级：Wi‑Fi连接、云端API、TTS缓存、UI与动画、日志。

• 安全卫士：跌落/碰撞/倾倒检测，中断式急停。

关键数据流

• IMU→姿态融合→角度环PID→电机PWM

• Mic(I²S)→KWS/命令识别→动作/对话→TTS(I²S)→功放

• （可选）编码器→速度环→抗漂移/稳站

6. 参考原理连接（文字版）

• ESP32‑S3：I²C0→MPU‑6050；I²S0‑RX→INMP441；I²S1‑TX→MAX98357A；PWM(LEDC)→DRV8833 AIN1/AIN2、BIN1/BIN2；GPIO→编码器A/B；I²C1→OLED。

• 电源：18650→保护板→5V升压→(MAX98357A、ESP32板)；→3.3V LDO→IMU/OLED；电机侧可用电池直供或另升压至6V（视电机额定）。

7. 机身与结构

• 差动两轮 + 顶部/前部配重靠近电机轴线，缩短质心到轮轴距离，降低控制难度。

• 3D打印外壳：底盘（电机、驱动、IMU、主控）、中层（电池、功放/喇叭箱体）、上盖（OLED“眼睛”、麦克风开孔）。

• 减震与噪声：电机与底盘间加TPU垫圈；轮胎用软胶圈，桌面更静音。

• 麦克风开孔前做声学管/防风棉，远离电机与气流。喇叭做小腔体提升音色。

8. 软件要点与样例伪代码

9. 功耗与续航

• 空闲（待机听唤醒）：70–120 mA（取决于Wi‑Fi与屏幕）。

• 自平衡+语音：250–500 mA 峰值可更高。

• 18650（2500 mAh）典型可玩 1–2.5 小时（取决于动作/音量/联网）。

10. 安全与测试

• 上机前：在支架上调参，限制PWM与倾角阈值；电池与线束固定牢靠。

• 桌面保护：边缘红外测距（前向或下视）或“桌边检测”微动开关，防跌落；速度限幅 < 0.3 m/s。

• 热管理：功放与电机附近留散热孔。

11. 开发里程碑（建议节奏）

• Week 1：IMU读取与互补滤波 → 自平衡原型（无语音）跑通；基础PID整定与安全保护。

• Week 2：加编码器外环、动作指令；接入KWS（离线10条命令）；MAX98357A 播放提示音。

• Week 3：云端ASR/LLM/TTS管线（可选）；OLED表情与行为逻辑；3D外壳迭代；整机测试与调参。

12. 可选升级

• 小摄像头（ESP32‑S3‑Eye 或 OV2640 模组）：做表情识别/跟随（成本上升）。

• ToF/超声测距：避障更稳。

• RGB LED/表情矩阵：情绪表现力更强。

• 无接触充电底座：更像“宠物”的栖息习惯。