基金項目：*遼寧科技大學大學生創(chuàng)新創(chuàng)業(yè)訓練計劃專項經(jīng)費資助

機器人技術(shù)是當前發(fā)展最快的領(lǐng)域之一，已經(jīng)廣泛應用于物流、制造、醫(yī)療衛(wèi)生和社會服務等多個領(lǐng)域。針對在復雜環(huán)境下人工操作難以實現(xiàn)自動化、智能化和精確性的問題，本項目開發(fā)了一款基于Jetson TX2的取放一體平衡機器人。該機器人采用高性能的Jetson TX2作為硬件平臺，可實現(xiàn)高速圖像處理和計算。機器人采用現(xiàn)代機器人技術(shù)的機械結(jié)構(gòu)和電氣控制，包括兩輪平衡機器人和機械臂等。軟件系統(tǒng)包括圖像處理、運動控制和用戶界面等模塊，通過自主感知、控制和運動規(guī)劃等功能，該機器人能夠精準地捕獲并放置物品。本項目在Jetson TX2平臺上搭建了機器視覺開發(fā)環(huán)境，并利用OpenCV等技術(shù)實現(xiàn)了本地端圖形方式的信息傳遞功能。針對機器人運動過程中的控制，采用了PID 控制算法。

1 系統(tǒng)設(shè)計

1.1 系統(tǒng)框架

本機器人的運動控制系統(tǒng)采用STM32F407IGH6 作為主控，該主控采用高性能的ARM Cortex-M4 處理器，能夠有效地處理高速數(shù)據(jù)和復雜算法。該主控存儲容量可擴展，可儲存大量程序代碼和數(shù)據(jù)，確保系統(tǒng)具有快速響應和高效性能。此外，該主控還擁有多種外設(shè)和通信接口，支持機器人系統(tǒng)的多樣化和復雜功能。該系列主控還具有低功耗特性和較高性價比，易于獲取開發(fā)工具。

另外，機器人的視覺識別系統(tǒng)采用Jetson TX2，該系統(tǒng)采用基于Pascal 的多處理器GPU 架構(gòu)和8 核ARM64 CPU，可提供超過1TFLOPS 的高性能計算能力，支持多種編程模型，包括神經(jīng)網(wǎng)絡(luò)、圖像處理和流媒體編碼等，還支持多種傳感器、控制器和執(zhí)行器的連接，并配備了豐富的開發(fā)工具和樣例，方便開發(fā)人員進行機器人應用的復雜開發(fā)。綜上所述，Jetson TX2 在本項目中發(fā)揮了至關(guān)重要的作用，特別是在實現(xiàn)物體識別和信息獲取方面。

1.2 控制流程

機器人啟動后，機器人將開始采集環(huán)境圖像，并通過攝像頭將圖像傳遞給圖像處理模塊（TX2）。該模塊將使用圖像處理技術(shù)對圖像進行處理，然后將處理后的數(shù)據(jù)傳遞給運動控制模塊。在數(shù)據(jù)處理過程中，運動控制模塊將使用PID 控制算法來監(jiān)控機器人的運動狀態(tài)。最終，在運動控制模塊的規(guī)劃和控制下，機器人將達到預定的目標位置，并利用機械臂控制來抓取目標物體并將其存儲。控制流程如圖1 所示。

圖1 控制流程

1.3 系統(tǒng)模塊

1.3.1 視覺模塊

為了處理視覺系統(tǒng)采集到的物體圖像和輸出檢測結(jié)果，本項目采用了Jetson TX2 和KS2A543 高速攝像頭。

1.3.2 平衡控制模塊

使用STM32F407IGH6 作為主控，通過CAN 總線獲取電機信息和參數(shù)，采用PID控制算法實現(xiàn)多重閉環(huán)，以控制輪組電機、YAW 軸電機和PITCH 軸電機。

2 硬件設(shè)計

2.1 硬件選型

為了提高機器人的性能，本項目采用了不同的硬件模塊。其中，Jetson TX2 作為視覺系統(tǒng)的處理器，用于處理物體圖片并輸出檢測結(jié)果；STM32F407IGH6 作為底盤和云臺的主控，負責底盤運動控制和云臺底盤信息傳遞；陀螺儀選用單片機內(nèi)置的BMI088。此外，為了實現(xiàn)高效穩(wěn)定的動力輸出，輪組電機和YAW 軸電機均采用大疆M3508 電機，具備有感FOC 控制，可提供穩(wěn)定的扭矩，無論轉(zhuǎn)速高低都能保持平穩(wěn)的動力輸出，從而使得機器人具有快速響應和穩(wěn)定性能。而根據(jù)實際需求，PITCH 軸電機則選用大疆M2006 電機，以具備控制精度高、輸出功率大、體積小等特點。云臺除了部署Jetson TX2 以外，還有控制機械臂的PITCH 軸電機、YAW 軸電機和輪組電機以及放置于機器人底盤上的STM32 主控。底盤和云臺之間通過CAN 通信進行交互。硬件整體連接框圖如圖2。

圖2 硬件整體連接圖

3 軟件設(shè)計

3.1 軟件架構(gòu)

本項目選用了TX2 作為嵌入式平臺，搭載Ubuntu16.04 系統(tǒng)和OpenCV3.4 等軟件構(gòu)建高效運算平臺。通過利用攝像頭和TX2 解算數(shù)據(jù)模型，本項目可獲取空間圖像信息，并通過UART 串口通信將信息傳輸至STM32 單片機。同時，利用TX2 進行深度圖像的像素級評估，對目標物體構(gòu)建物體模型并獲取其特征點。接著，通過TX2 進行解算判斷，縮小機器人和目標物體之間的距離。此外，在Jetson TX2 平臺上構(gòu)建了機器視覺開發(fā)環(huán)境，以實現(xiàn)基于OpenCV 等技術(shù)的本地端圖形方式信息傳遞功能。

3.2 視覺識別算法

首先，需要使用標注工具對圖像中的目標物體進行標記，并將其轉(zhuǎn)換為YOLO 模型所需的格式，包括圖片和標注文件。由于Jetson TX2 的硬件資源有限，因此可以使用預訓練的模型（如COCO、VOC 等）進行微調(diào)訓練，逐漸增加Batch Size 以提高性能和收斂速度。同時，采用數(shù)據(jù)增強方法可以增加訓練數(shù)據(jù)，提高模型的準確性。訓練完成后，需要對其進行測試以評估其準確性和性能。可以通過使用測試集對YOLO 模型進行測試，并觀察其輸出結(jié)果，從而檢查YOLO 算法是否能夠準確地檢測目標物體。最后，將訓練好的YOLO模型部署到Jetson TX2 上，并使用YOLO 提供的API進行目標檢測。為了檢測圖像中的目標物體，本項目可以使用OpenCV 對圖像文件進行讀取和檢測結(jié)果的顯示。一旦檢測到目標物體，可以獲取其位置、類別等信息。在確定目標物體后，可以利用OpenCV 庫進一步處理物體，如確定其顏色和尺寸等信息。

3.3 平衡控制算法

為了實現(xiàn)垂直方向上的平衡控制并生成程序骨架，可以使用STM32CubeMX工具并添加相關(guān)庫和驅(qū)動程序，包括陀螺儀、CAN 和PID。利用CAN 總線獲取電機參數(shù)和信息，并讀取陀螺儀測量值，以實現(xiàn)平衡控制。在PID 控制算法中，P（比例）、I（積分）和D（微分）系數(shù)的選擇非常重要。P 系數(shù)影響響應速度和穩(wěn)定性，I 系數(shù)用于消除靜態(tài)誤差，D系數(shù)減小震蕩?？梢酝ㄟ^實驗和仿真等方法來尋找最佳PID 系數(shù)值以實現(xiàn)更為穩(wěn)定的平衡控制。在程序中，計算PID 控制器的輸出并根據(jù)輸出來控制電機的速度或位置等參數(shù)，以實現(xiàn)平衡控制。同時，需要對PID 控制器進行限幅以防止電機失控，并不斷調(diào)整PID 系數(shù)以使平衡控制更加穩(wěn)定和快速。

3.4 軟件總體實現(xiàn)

所有嵌入式算法基于HAL 庫通過freeRTOS 分任務執(zhí)行。其中Chassis Task 任務負責獲取底盤控制等信息；Gimbal Task 任務負責獲取云臺等信息；Imu Task 任務負責解算板載陀螺儀；Annex Task 任務負責控制一些附件，例如舵機等；最后System Inform Task 任務負責進行數(shù)據(jù)更新、交互及數(shù)據(jù)加載。軟件總體實現(xiàn)框圖如圖3。

圖3 軟件總體實現(xiàn)框圖

4 系統(tǒng)測試

4.1 物體目標檢測算法

首先，加載預先訓練好的YOLO 權(quán)重文件，獲取網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)參數(shù)，以及包含了YOLO 所需的目標類別名稱的文本文件。接著，使用函數(shù)提供的接口加載輸入的權(quán)重參數(shù)和YOLO 配置文件。這兩個文件應包含了模型的結(jié)構(gòu)細節(jié)、輸入/ 輸出層名稱和類別標簽等信息。其次，加載需要檢測的圖像，并對其進行預處理操作。這些操作包括：將像素值的范圍縮放到0~1 之間、調(diào)整其大小、重新排序，并添加1 個新的維度來拓展輸出數(shù)組形狀。將經(jīng)過預處理的圖像輸入到預訓練的物體檢測算法中，輸出檢測結(jié)果。為了剔除概率小的或者IoU 值大于設(shè)定閾值的重疊框，可以采用非極大值抑制（NMS）算法對輸出結(jié)果進行后處理。接著，對于檢測到的目標，進行分類、位置定位以及預測置信度的解碼，將算法的輸出轉(zhuǎn)換為邊框、概率和類別ID。物體目標檢測算法的部分代碼展示如圖4 所示。

圖4 物體目標檢測算法部分代碼展示

4.2 測試結(jié)果

將處理好的目標物體檢測結(jié)果通過在原圖上畫出邊界框的方式展示出來。不同的目標物體可以用不同的顏色來代表它們所屬的不同識別類別，并在標簽上顯示其對應的類別名稱。測試結(jié)果如圖5。

圖5 測試結(jié)果

4.3 測試結(jié)果分析

盡管PID 算法是一種常用的控制算法，但通過改進PID 算法以提高系統(tǒng)穩(wěn)定性和精度，或采用其他控制算法，如模糊控制、LQR 控制器等，可能會進一步提高控制系統(tǒng)性能。需要注意的是，實驗結(jié)果僅基于特定場景，應進一步探索該平衡機器人在實際日常條件下的表現(xiàn)，例如在不同表面的摩擦系數(shù)和坡度變化的情況下運動、在不同亮度的日照下進行視覺識別等。

5 結(jié)束語

本文介紹了一種基于Jetson TX2 平臺的平衡機器人，該機器人采用了視覺識別技術(shù)并使用STM32 作為主控芯片，能夠?qū)崟r獲取各種傳感器數(shù)據(jù)，并對周圍環(huán)境進行識別和控制。實驗結(jié)果表明，該機器人實現(xiàn)了優(yōu)秀的自平衡和控制功能，并表現(xiàn)出魯棒性和可靠性。未來的研究方向包括進一步優(yōu)化控制算法、提高系統(tǒng)的穩(wěn)定性和精度，以及在實際工作場景中進行測試。此外，機械結(jié)構(gòu)的設(shè)計和控制策略研究也是一個重要的方向，以進一步提高機器人的準確性和穩(wěn)定性。這些方面的改進和優(yōu)化將有助于更好地應用平衡機器人在物流、醫(yī)療器械、環(huán)境衛(wèi)生和其他服務領(lǐng)域。總之，該平衡機器人的設(shè)計和實現(xiàn)為機器人技術(shù)的發(fā)展提供了新的思路和方向，并在自動化、智能化和精準化作業(yè)的領(lǐng)域具有廣泛的應用前景。

參考文獻：

[1] 劉愛東,郭智超,徐君明,等.基于改進YOLOv4與JetsonTX2的無人機實時目標檢測方法[J].兵器裝備工程學報,2022,43(4):204-210.

[2] 梁赟. 基于機器視覺的產(chǎn)品識別與定位方法研究[D].哈爾濱:哈爾濱工業(yè)大學,2020.

[3] 阮激揚. 基于YOLO的目標檢測算法設(shè)計與實現(xiàn)[D].北京:北京郵電大學,2019.

[4] 王偉,張晶濤,柴天佑. PID參數(shù)先進整定方法綜述[J].自動化學報,2000,38(3):347-355.

[5] 路成強,曾潔,李千振.基于卡爾曼濾波的兩輪自平衡遙控小車設(shè)計[J].自動化儀表,2017,38(9):44-47.

（本文來源于《電子產(chǎn)品世界》雜志2023年8月期）