毛福新，閆光輝，2，陳俏銳，項 波

（1.天津職業(yè)技術(shù)師范大學(xué)工程實訓(xùn)中心，天津 300222；2.天津市綠安智科技有限公司，天津 300350）

根據(jù)2021年中國大學(xué)生工程實踐與創(chuàng)新能力大賽中的“智能+”賽道——智能物流搬運賽項，以智能制造的現(xiàn)實和未來發(fā)展為主題，自主設(shè)計并制作了一臺按照給定任務(wù)完成物料搬運的智能機器人（以下簡稱機器人）[1]。該機器人主要任務(wù)是在地面圖案為黑色方格組成的正方形平面場地內(nèi)，機器人從出發(fā)區(qū)開始，經(jīng)過原料區(qū)識別物料顏色后，將物料按順序搬運至粗加工區(qū)對應(yīng)的色環(huán)內(nèi)，再搬運到半成品區(qū)對應(yīng)色環(huán)內(nèi)碼垛，最后停止在返回區(qū)。為實現(xiàn)上述任務(wù)，研究小組查閱了相關(guān)的文獻(xiàn)，文獻(xiàn)[2-3]中提出了機器人底盤車輪的2種安裝方式，分別為由4個全向輪和3個麥克納姆輪組成。全向輪組成的底盤與地面接觸少，其旋轉(zhuǎn)軸與地面往往會存在距離波動，效率不高，容易出現(xiàn)打滑現(xiàn)象；3個麥克納姆輪組成的底盤通常為圓形，難以實現(xiàn)高精度移動控制。文獻(xiàn)[4-5]中提出了機器人機械臂的設(shè)計方案，分別為平行四邊形連桿和U型架拼裝結(jié)構(gòu)：平行四邊形連桿結(jié)構(gòu)運動累計誤差較大，影響傳動精度，且自由度較差；U型架拼裝結(jié)構(gòu)安裝間隙疊加，重復(fù)精度非常不牢靠。文獻(xiàn)[6]中提出循跡模塊使用T型排布方案，而競賽中循跡黑線寬度（有效檢測范圍）為20 mm，若因機械臂運動慣性導(dǎo)致機器人位置發(fā)生偏移，則T型排布方案會影響放置的精確度。文獻(xiàn)[7-8]中提出使用動態(tài)閾值的方法判斷循跡黑線，該方法穩(wěn)定性高，但開關(guān)量無法量化循跡精度，依然存在微量的誤差。文獻(xiàn)[9-14]中提出利用OpenMV的圖像濾波、閾值、局部特征等算法對攝像頭采集的圖像進(jìn)行處理，但該算法過于復(fù)雜，且處理結(jié)果易受設(shè)備更換和外部環(huán)境變化影響，識別準(zhǔn)確率不高。分析上述文獻(xiàn)設(shè)計的優(yōu)缺點，同時結(jié)合天津賽區(qū)選拔賽的結(jié)果，分析出機器人的失分點集中在物料顏色識別、循跡穩(wěn)定程度、位置精確定位、機械臂結(jié)構(gòu)設(shè)計4個方面。因此，本文提出機器人底盤車輪的麥克納姆輪安裝方式為“O-長方形安裝”，對智能機器人進(jìn)行了系統(tǒng)優(yōu)化。

1 機器人機械結(jié)構(gòu)及硬件電路設(shè)計

機器人結(jié)構(gòu)示意圖如圖1所示。

圖1 機器人結(jié)構(gòu)示意圖

為提高機器人移動的靈活性，使用基于麥克納姆輪組成的全向底盤。采用共軸雙板連接器連接前部底盤和后部底盤，在前部底盤的左右兩側(cè)以及后部底盤的左右兩側(cè)均安裝麥克納姆輪；在前部底盤的前部邊緣、后部底盤的左右兩側(cè)邊緣及后部邊緣均安裝循跡傳感器；在后部底盤的中部安裝回轉(zhuǎn)機械云臺，在回轉(zhuǎn)機械云臺上安裝機械臂，在機械臂的前部安裝機械爪；在后部底盤上通過支撐立柱安裝上底盤，在上底盤上安裝多個用于放置物料的物料托盤。在后部底盤上還安裝攝像組件、激光測距組件以及控制主板等硬件電路，使機器人具備自主感知和行為規(guī)劃功能，從而可以更好地完成任務(wù)。

1.1 機械臂長度設(shè)計

“手臂型”機械臂的任務(wù)是完成物料的抓取和放置，如果機械臂太短則無法完成指定位置物料的抓取或者放置，但機械臂也不宜過長，因為機械臂長度與機械臂行程時間、末端誤差呈正比關(guān)系。綜上因素，機械臂2節(jié)長度的設(shè)計需經(jīng)過合理計算，具體長度計算分析過程如下。

（1）機械臂第1節(jié)長度的計算。根據(jù)競賽要求，選取機械臂實際達(dá)到的最遠(yuǎn)距離并測量，測量的各項參數(shù)如圖2所示。

圖2 機械臂長度理論分析圖

圖2中，D和H為機器人放置物料后影響機械臂活動的長和寬范圍（可測量），故將放置物料后的尺寸定為模型參數(shù)，利用由D、H和L1′組成的直角三角形，可確定機械臂第1節(jié)最短長度L1′。機器人運行過程中，為避免因物料或者機械臂晃動而造成物料與機械臂的碰撞，將長度增加了14 mm，確定機械臂第1節(jié)真實長度為L1=L1′+14 mm。

（2）機械臂第2節(jié)長度的計算。將機械臂第1節(jié)從A點延伸與經(jīng)過B點的水平線相交，圖2中L2、L1+L3和D1+D2組成三角形關(guān)系。然后，得到圖2中由D、H和L1′組成的三角形與由D2+D、H+H1和L3+L1′組成的三角形為相似三角形，其關(guān)系式為

式中：H1、H和D已知，求得輔助三角形（D2、H1和L3）水平邊長D2。

在輔助三角形兩直角邊（D2、H1）均已知的情況下，使用反三角函數(shù)中的反正切函數(shù)，得出輔助三角形中直角邊D2與斜邊L3的夾角θ，其表達(dá)式為

圖2中，由L2、L1+L3和D1+D2組成的三角形，在已知兩邊（L1+L3、D1+D2）及夾角θ的情況下，由式（3）求得機械臂第2節(jié)長度L2為

1.2 循跡傳感器設(shè)計

循跡傳感器是全場定位的基礎(chǔ)，間接決定物料放置的精準(zhǔn)程度，這也是競賽中重要考核指標(biāo)。場地設(shè)在只有日光燈照射的室內(nèi)，無陽光直射，也無其他相近波長光源的干擾，且循跡色差較大（黑色和黃色），因此選擇抗日光燈光線較強的紅外傳感器。賽題中給定的循跡黑線線寬為20 mm，為保證循跡的精度，本設(shè)計將每對傳感器水平間距設(shè)置為10 mm。單側(cè)循跡傳感器分布示意如圖3所示，循跡方法誤差示意如圖4所示。

圖3 單側(cè)循跡傳感器分布示意圖

圖4 循跡方法誤差示意圖

2 軟件算法改進(jìn)及優(yōu)化

根據(jù)比賽場地及競賽任務(wù)，制定軟件控制系統(tǒng)和控制策略，列出機器人程序運行流程如圖5所示。

圖5 程序運行流程圖

2.1 循跡傳感器檢測算法優(yōu)化

2.1.1 傳感器數(shù)值歸一化

紅外傳感器輸出的模擬量會隨著被反射回來光線的強弱而變化，單片機根據(jù)變化趨勢調(diào)整循跡的方向。機器人經(jīng)過循跡黑線時模擬量值約為2 100，在非黑線區(qū)域模擬量值約為130，故黑線可以被檢測。但隨著環(huán)境的更換，機器人檢測到的模擬量值也會發(fā)生變化。為解決該問題，機器人更換環(huán)境后需要采集新環(huán)境下的紅外傳感器返回值，得到傳感器的最大值（ADmax）和最小值（ADmin），方便程序進(jìn)行下一步的歸一化處理。

歸一化就是把采集的數(shù)據(jù)經(jīng)過處理后，使數(shù)據(jù)限制在一定范圍內(nèi)，其目的是方便后續(xù)數(shù)據(jù)的處理及保證數(shù)據(jù)的收斂。為方便程序的量化，歸一化后的數(shù)值范圍設(shè)定為0～100，具體歸一化公式為

式中：AD為當(dāng)前采集模擬量的返回值。

2.1.2 傳感器檢測算法

根據(jù)紅外傳感器越靠近黑色值越高的理論來假設(shè)傳感器的數(shù)據(jù)，傳感器偏移位置示意圖如圖6所示。

圖6 傳感器偏移位置示意圖

圖6中，4號和6號傳感器在不同位置時的反饋值規(guī)律為：一個增大的同時，另一個減小，說明二者呈負(fù)相關(guān)關(guān)系。根據(jù)負(fù)相關(guān)關(guān)系的數(shù)學(xué)特性，計算傳感器的線性偏移系數(shù)

式中：left、right分別為圖6中4號和6號傳感器的歸一化值。

根據(jù)圖6中4號和6號傳感器的位置，采集反饋值，然后計算傳感器偏移系數(shù)，具體數(shù)據(jù)如表1所示。

表1 傳感器偏移系數(shù)與偏移位置的關(guān)系

表1表明：通過計算數(shù)值符號，可判斷傳感器在循跡黑線的左側(cè)還是右側(cè)；傳感器距離循跡黑線的距離越近，差比和計算的絕對值越小，因此數(shù)值大小表示偏移循跡黑線的程度（物理樣機中該數(shù)值表示舵機偏轉(zhuǎn)的系數(shù)）。在歸一化范圍內(nèi)傳感器偏移循跡黑線越遠(yuǎn)，計算出來的值越大，經(jīng)過單片機控制車輪方向，使機器人一直沿著循跡黑線前進(jìn)。

2.2 全場定位和校準(zhǔn)方法

（1）雙重計算，防止丟線。在機器人四周均安裝循跡傳感器，使用前后方向的傳感器雙重計算經(jīng)過黑色方格的數(shù)量，提高機器人的適應(yīng)能力，保證一方向檢測失誤的情況下，另一方向能夠彌補。

（2）時間限制，防止多線。機器人行駛過程中，有可能遇到顛簸路段或者相近波長光源干擾等情況，為減少不良環(huán)境的影響，采用時間限制的手段，避免黑色方格數(shù)量重復(fù)計算。時間限制示意圖如圖7所示。圖中：位置A點為機器人通過黑色方格后瞬間點；位置B點為機器人傳感器使能時間點；位置C點為機器人檢測到黑色方格內(nèi)邊緣；T為機器人通過黑色方格的時間。

圖7 時間限制示意圖

實施過程為：首先檢測位置A點的機器人速度，記為S；大約計算出機器人通過黑色方格的時間T=W/S，W為黑色方格內(nèi)邊緣的寬度；通過時間限制，對傳遞函數(shù)f（t）值適當(dāng)?shù)厝∩?，可防止誤檢測數(shù)據(jù)參與計算，時間閾值設(shè)置為2T/3，表達(dá)式為

式中：OUT為所有傳感器數(shù)據(jù)歸一化后輸出的實時狀態(tài)。

到下一個位置A點出現(xiàn)后，重復(fù)實施過程，循環(huán)完成剩余任務(wù)。

（3）目標(biāo)位置，手動示教。經(jīng)過步驟計算后，機器人達(dá)到目標(biāo)位置，根據(jù)傳感器的反饋再由電機的電流環(huán)PID參數(shù)調(diào)整，實現(xiàn)定位誤差在±1 mm以內(nèi)。機器人自動定位校準(zhǔn)完成后，接下來進(jìn)行手動位置示教，即外接遙控器由人工操作引導(dǎo)機械臂末端執(zhí)行器來使機器人完成特定的預(yù)期動作，而機器人將示教操作存儲起來[15]。全部示教完成后，機器人可在自動運行過程中根據(jù)記憶重復(fù)再現(xiàn)示教操作。

2.3 多物料顏色識別方法

競賽要求機器人移動到原料區(qū)識別物料顏色，其中原料區(qū)的上層及下層分別包含紅、綠、藍(lán)物料各1個，共計6個物料。為節(jié)約時間，提高機器人執(zhí)行任務(wù)的效率，采用定點一次性識別6個物料的方式。

2.3.1 多物料標(biāo)定方法

定點識別位置與原料區(qū)物料位置距離確定，利用簡單的小孔成像原理，攝像頭成像面坐標(biāo)系到攝像頭坐標(biāo)系的標(biāo)定表達(dá)式為

式中：fw、fh分別為攝像頭寬和高的像素分辨率；Dx、Dy分別為攝像頭成像面中物料距起點的水平和垂直距離；H1、H2分別為攝像頭成像面中物料的高度和成像面的總高度；W1、W2分別為攝像頭成像面中物料的寬度和成像面的總寬度，以上參數(shù)均為已知項。

分別計算出6個物料映射到攝像頭鏡頭內(nèi)的像素點區(qū)域起點坐標(biāo)（x，y）、寬度w以及高度值h。

2.3.2 顏色識別方法

物料對應(yīng)的RGB原色組合值為紅（255，0，0）、綠（0，255，0）、藍(lán)（0，0，255）。通過RGB原色組合值分別得出紅、綠、藍(lán)分量最大值。識別的物料顏色僅有紅、綠、藍(lán)三色，依此推測：若RGB原色組合值中某一個分量值最大，則該組合顏色是接近原色的色相。該方法稱為最大值鄰近法。

由于單個像素點信息易受光線或者更換設(shè)備的影響，從而造成識別錯誤，因此要增大判斷的像素范圍，也就是優(yōu)化識別方法：將識別范圍從點提高成面，但面的范圍必須為物料的映射區(qū)域內(nèi)（映射區(qū)域見式（7））。將標(biāo)定范圍內(nèi)的多個像素點原色分量值分別求和，再比較，然后根據(jù)最大值鄰近法判斷出所識別物料的顏色。優(yōu)化后的方法，一方面可避免單個像素點異常引起的識別錯誤，進(jìn)一步提高顏色識別準(zhǔn)確率；另一方面有效規(guī)避因光線變化和設(shè)備更換所帶來的識別干擾，且不需要白平衡。最大值鄰近法的使用具有一定的局限性，適合于識別顏色種類少且顏色色差較大的物料。如果物料的顏色種類較多且顏色色差接近，則不能使用該方法。

3 測試結(jié)果分析

3.1 循跡檢測算法測試結(jié)果

開機后測試機器人在初始位置偏移中心的距離不同時，行駛330 cm過程中黑線垂直上方傳感器序號隨時間變化的數(shù)據(jù)（傳感器器序號分布見圖3）。利用傳感器開關(guān)量算法進(jìn)行測試，測試結(jié)果如圖8所示。優(yōu)化程序采用傳感器差比和算法進(jìn)行測試，傳感器差比和算法測試結(jié)果如圖9所示。

圖8 傳感器開關(guān)量算法測試結(jié)果

圖9 傳感器差比和算法測試結(jié)果

圖8和圖9橫坐標(biāo)的時間步進(jìn)值為8 ms/格。從圖8和圖9可以看出，圖8中傳感器序號在4、5、6間震蕩比較嚴(yán)重，且臨近目標(biāo)點位置時，機器人減速狀態(tài)下震蕩仍在持續(xù)，這不利于機器人的精確定位；圖9中傳感器序號在4、5、6間震蕩頻率明顯降低，臨近目標(biāo)點位置時，機器人減速狀態(tài)下震蕩消失，循跡移動定位誤差達(dá)到±1 mm。

3.2 全場定位方法測試結(jié)果

開機后將機器人放置于黑色方格的十字交叉點處，通過觀察數(shù)據(jù)驗證全場定位方法的應(yīng)用效果。圖10為機器人通過6個黑色方格的相關(guān)數(shù)據(jù)。

圖10中橫坐標(biāo)時間步進(jìn)值為8 ms，0為檢測到黑線，1為未檢測到黑線。

圖10中，A點（94，1）到B點（136，1）為數(shù)據(jù)禁用時間t，且全部在有效區(qū)間內(nèi)；A點到D點（160，1）為前排傳感器完成一個周期的時間T，由此得出t與T的占比關(guān)系K為

圖10 全場定位方法測試結(jié)果圖

式（8）結(jié)果驗證了式（6）的算法思路是正確的。

3.3 多物料識別方法測試結(jié)果

開機后機器人自動行駛到物料識別位置后停止，通過OpenMV讀取綠色物料標(biāo)定區(qū)域內(nèi)的30×30像素點內(nèi)所有原色分量值，如圖11所示。

從圖11可知，綠色原色分量值最大；隨著像素點位置變化導(dǎo)致光線不均勻的情況下，各原色分量值均約為周期性變化，且原色G（綠色）分量值仍然為最高，僅僅是RGB原色分量值之間差值發(fā)生變化；說明光線的變化未對識別結(jié)果有影響。為證明該方法的穩(wěn)定性，分別采集紅、綠、藍(lán)物料標(biāo)定區(qū)域內(nèi)多種像素點范圍的各原色分量值，為使數(shù)據(jù)的呈現(xiàn)形式更容易解讀，取對應(yīng)各原色分量值的平均值列表，紅、綠、藍(lán)物料標(biāo)定區(qū)域內(nèi)多種像素點范圍RGB分量平均值如表2所示。

圖11 30×30像素區(qū)域內(nèi)綠色物料RGB分量值

從表2可知，在紅色物料情況下，雖然區(qū)域編號不同，但每個區(qū)域編號中R分量值始終是最高值，該結(jié)論同樣適用于綠色物料和藍(lán)色物料情況下；標(biāo)定區(qū)域內(nèi)隨著像素點范圍的增大，原色分量的最大值也隨之增加。

表2 紅、綠、藍(lán)物料標(biāo)定區(qū)域內(nèi)多種像素點范圍RGB分量平均值

4 結(jié)語

本研究設(shè)計的物理樣機實驗測試數(shù)據(jù)的重復(fù)性相似度高，2021年中國大學(xué)生工程實踐與創(chuàng)新能力大賽（教育部A類競賽）冠軍團(tuán)隊針對物流車存在的問題，提出了新的有效的解決方案，如利用幾何觀點推理機械臂的臂展長度、布局傳感器位置、使用差比和量化循跡精度、利用多種反饋保障全場定位的準(zhǔn)確性以及采用小孔成像+最大值鄰近法對顏色進(jìn)行識別等，使機器人運行及控制精度指標(biāo)得到一定程度的改善。但實際應(yīng)用過程中仍存在一些問題，如顏色識別方法易受場景限制，通用性不足；因循跡模塊的硬件設(shè)計問題，循跡精度提高難度大，可將循跡模塊更換為線陣CCD。在“中國制造2025”國家戰(zhàn)略背景下，智能物流機器人正處于技術(shù)迭代完善的過程中，本設(shè)計方案旨在為未來智能物流機器人設(shè)計提供參考。