裴宇昂，吳雯雯，陳 秀，徐扣敏，強紅賓，劉凱磊

(江蘇理工學(xué)院機械工程學(xué)院，江蘇 常州 213000)

0 引言

垃圾抓取機器人通常工作在布局多變、障礙因素較多的環(huán)境，整個環(huán)境由不平整且范圍較廣的空間組成。為適應(yīng)該環(huán)境下機器人的移動，其底盤采用了履帶式的行走底盤，采用直流電動機PWM控制技術(shù)，對速度及電流進行雙閉環(huán)控制分析，實現(xiàn)機器人履帶驅(qū)動直流伺服電動機的閉環(huán)控制算法，并采用差動驅(qū)動原理實現(xiàn)機器人在形態(tài)各異的地形下進行有效移動，通過調(diào)整左右電機的差速大小，使機器人能夠?qū)崿F(xiàn)轉(zhuǎn)向、后退與直線行進等運動，適應(yīng)各種復(fù)雜地形。

垃圾抓取在機器人對各種路況的環(huán)境路徑規(guī)劃過程中，需要利用算法規(guī)劃全局道路和局部整體道路。常用的全局路徑規(guī)劃算法包括Dijkstra計算和RRT算法等。Dijkstra算法通過集合間的判斷，以廣度優(yōu)先尋找最短路徑，但遍歷結(jié)果較多導(dǎo)致效率低。RRT算法規(guī)劃路徑方法具有高效率性，但隨機點的生成容易陷入局部最優(yōu)解。A*算法常采用啟發(fā)式搜索方法，目的使搜索方向向目標點行進的同時兼顧優(yōu)先搜索路徑代價比較小的點，省去無意義的節(jié)點的計算，有效地提高算法效率。

全局路徑規(guī)劃可以獲取完整路徑軌跡，但不適用于快速避障，并且全局路徑規(guī)劃計算量相對比較龐大，因局部路徑變化反復(fù)調(diào)整全局路徑而增加計算量，將降低導(dǎo)航效率。應(yīng)用動態(tài)窗口算法能夠?qū)崿F(xiàn)局部路徑規(guī)劃，提高路徑規(guī)劃算法效率。

1 垃圾識別抓取機器人實驗平臺

本文設(shè)計的垃圾識別抓取機器人實驗平臺，由直流電動機驅(qū)動主動輪，通過圍繞主動輪與從動輪的履帶鏈環(huán)來實現(xiàn)機器人的移動，配備14 000 mAH電池向機器人系統(tǒng)供電，Arduino開發(fā)板作為核心數(shù)據(jù)處理器，HC-SR04型超聲波傳感器用于障礙采集與測距，搭配K210視覺檢測模塊進行實時垃圾信息采集，并傳輸給Arduino開發(fā)板，通過運動學(xué)逆解使機械臂末端執(zhí)行器進行物體抓取。由安裝了ubuntu 18.04虛擬機上位機作為計算機端通過Wi-Fi藍牙模塊實現(xiàn)與Arduino的實時通信，同時采用K210的視覺識別技術(shù)進行垃圾抓取后的分析與分類。

2 機器人路徑與視覺識別設(shè)計

2.1 全局路徑規(guī)劃方案設(shè)計

本文采用A*算法使機器人在路徑規(guī)劃中獲取最優(yōu)路徑，利用啟發(fā)式搜索算法，對于遍歷的任意子節(jié)點或父節(jié)點采用評價函數(shù)f(n)計算通過該節(jié)點的代價，在每次施行搜索時選擇當(dāng)前位置周圍f(n)值最小的點采取擴展，直至找到目標節(jié)點，生成最優(yōu)路徑[1]。f(n)的計算如式(1)所示：

f(n)=g(n)+h(n)

(1)

式(1)中，g(n)為初始節(jié)點到當(dāng)前節(jié)點之間的時間價格，而不考慮所駛路徑障礙物所占節(jié)點情況下的兩點的距離；h(n)為啟發(fā)函數(shù)，考慮路徑障礙物時的距離；f(n)為機器人移動到目標點所需代價。

在計算f(n)函數(shù)計算時，僅需要考慮點到點之間的移動所需代價，因而選擇曼哈頓距離算法計算距離，有利于提高路徑計算的效率：

dist=|x1-x2|+|y1-y2|

(2)

一般A*算法常采用八鄰域法[2]，即搜索當(dāng)前所在節(jié)點周圍的8個均勻節(jié)點。A*算法進行路徑規(guī)劃算法的基本步驟可分為設(shè)置合適的柵格環(huán)境，定義起始所在位置與目標所在位置，確定啟發(fā)函數(shù)h(n)，執(zhí)行A*啟發(fā)式搜索算法和生成規(guī)劃路徑。程序流程如圖1所示。

圖1 A*算法實現(xiàn)流程圖

同時，通過HC-SR04型超聲波感應(yīng)器，可以使用IO觸發(fā)的方法進行測距，并通過使用超聲波檢測技術(shù)信號由控制端到接收端之間的最高電平時間，以及根據(jù)聲音在空氣中的傳導(dǎo)原理，估算障礙物的間距，進而實現(xiàn)探測定位的功能。在本設(shè)計中，使用了HC-SR04和SG60舵機相互融合技術(shù)來收集障礙物的方位信息。當(dāng)智能車輛遇到障礙物時，信息就可以反映到超聲波信號感應(yīng)器上，在完成了對障礙物方位信息的分析與數(shù)據(jù)處理之后再將信息反饋給Arduino處理芯片，使之調(diào)用對應(yīng)的程序進行處理。

2.2 K210視覺識別方案設(shè)計

視覺模塊Kendryte K210采用RISC-V雙核64位處理器，以STM32F427CPU為核心，同時搭載了CSP三封裝的OV2710攝像頭傳感器，通過與DVP-10bit的并行數(shù)據(jù)端口，可以進行1080p@30fps的視頻信號拍攝，為后期KPU處理技術(shù)帶來了超高識別率的輸入值。使用C語言有效地完成了核心機器視覺算法，通過架設(shè)機器視覺系統(tǒng)實現(xiàn)了圖形采集。機器視覺算法中涉及搜索色塊、人臉圖像檢查、眼睛追蹤、邊界檢查、標志追蹤等，輔助機械臂進行自動視覺識別并采取抓取活動。

垃圾識別分類的核心技術(shù)是通過K210的神經(jīng)網(wǎng)絡(luò)實現(xiàn)對圖像的處理與辨識，以Darknet作為深度學(xué)習(xí)開發(fā)的框架，通過YOLOv二模塊對物體進行檢索與分類，并擁有出色的mAP和FPS性能等指標，在訓(xùn)練的過程也采用了數(shù)據(jù)增強的技術(shù)，使得數(shù)據(jù)具有更強的適應(yīng)性。

視覺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)的設(shè)計思路來源于對抗神經(jīng)網(wǎng)絡(luò):擁有2個神經(jīng)網(wǎng)絡(luò)，一個是用于圖像切割和初次垃圾識別的YOLOv5神經(jīng)網(wǎng)絡(luò)，一個是用于特征提取和特征匹配的神經(jīng)網(wǎng)絡(luò)，然后將指令傳遞到STM32核心。該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中使用的是基于VGG十六的卷積神經(jīng)網(wǎng)絡(luò)模式。通過2個神經(jīng)網(wǎng)絡(luò)的共同判斷，可以實現(xiàn)垃圾的準確判別。

為考慮后期模型優(yōu)化問題，以更適用于K210等輕量級終端，在本文中引入了剪枝項目[3]的理論模型，對YOLOv二模式提供了稀疏訓(xùn)練[4]，其基本原理是對所有信道都引入比例因子β，使之乘以信道的輸出值。將比率因子β和訓(xùn)練網(wǎng)絡(luò)的權(quán)值結(jié)合，再經(jīng)過稀疏正側(cè)化的處理過程后，可以透過去掉比率因子通道，獲得微調(diào)剪枝網(wǎng)，練習(xí)目標公式如下：

(3)

式中:x，y為訓(xùn)練數(shù)據(jù)信息和標記；W為網(wǎng)絡(luò)的可練習(xí)參數(shù)。其中，l(f(x，W)，y)表示訓(xùn)練的 loss函數(shù)；g(β)是在比例因子上的訓(xùn)練參數(shù)；λ則是稀疏系數(shù)。

在取g(β)=β時，即應(yīng)用于稀疏化操作的L1-Norm(L1正則化)。經(jīng)過設(shè)計后的模塊有效減少了內(nèi)部存儲器占用和模型空間[5]，從而可以在K210上進行更高效的部署、使用和管理。而后期導(dǎo)入培訓(xùn)完成后的模塊在K210運行測試中，將必須重新調(diào)用其內(nèi)部的神經(jīng)網(wǎng)絡(luò)處理器KPU，然后進行裝載，并執(zhí)行新構(gòu)建的算法模型實現(xiàn)目標檢測，內(nèi)部分析過程如圖2所示。

圖2 智能垃圾分類流程圖

3 機器人機械結(jié)構(gòu)方案設(shè)計

3.1 機械臂工作原理方案設(shè)計

使用K210所搭載的YOLOv2算法對圖片中的目標物品加以偵測辨別，從而獲得了目標物品在RGB圖片中的正確定位信號；基于深度圖像信息，使用K-means++聚類算法可以快速估計目標物體與攝像機之間的距離，并預(yù)測目標物體尺寸和姿勢，同時可以在開環(huán)控制中，通過運動學(xué)逆解計算機械臂末端執(zhí)行機的位移信號，再根據(jù)目標物體的尺寸、姿勢和到末端執(zhí)行機的距離等信號，并使用PID算法操控機械手臂捕獲目標物體。

機臂運動學(xué)逆解(Analytical solution)是基于存在可解性(solvability)的情況下，通過驅(qū)動操舵設(shè)備等使機器人滑膜關(guān)節(jié)實現(xiàn)回轉(zhuǎn)或平移動作，同時考慮當(dāng)前的位置作為輸入?yún)?shù)并設(shè)定權(quán)重比，得到控制程序執(zhí)行至目標點時的最優(yōu)值，在原本設(shè)計中需要考慮碰撞體積、路線規(guī)劃等問題的基礎(chǔ)上，得到了全部值。逆解個數(shù)決定了機器人的滑膜關(guān)節(jié)數(shù)量、自動化機器人的基本構(gòu)造、對滑膜關(guān)節(jié)的控制范圍，而決定自動化機器人結(jié)構(gòu)的D-H參數(shù)表上的非零值愈來愈多，因此也有愈來愈多的解存在。具體控制流程如圖3所示。

圖3 機械臂控制流程圖

3.2 全地形履帶式方案設(shè)計

本文主要通過全地形的履帶式自動化機器人設(shè)計，在各類復(fù)雜多變道路下進行仿真，提升了自動化機器人一定的越障能力和機動性能，利用鉚釘履帶輪增強機器人的抓地力，使行駛更安全；同時在工作過程中利用自身傳感器收集信息，對燒錄的程序進行適當(dāng)?shù)奶幚恚⒄{(diào)節(jié)相應(yīng)的舵機或電動機運行，以便通過所有障礙。

為避免在管道路況的環(huán)境行駛時產(chǎn)生打滑現(xiàn)象，因此設(shè)計上采用了履帶花紋，以增加與地面的摩擦系數(shù)，可在各種道路上靈活調(diào)節(jié)方向，但不適宜用于實現(xiàn)差速轉(zhuǎn)彎。采用懸掛式構(gòu)造，在折疊車前部使用了二組較大且獨立的履輪，并使用了二標準操舵裝置將機器人主體連接，在使用階梯時有效減少了震動和卡頓。

采用三維建模軟件Soliworks對垃圾抓取全地形智能避障小車進行車體結(jié)構(gòu)、攝像頭支撐結(jié)構(gòu)、攝像頭調(diào)整結(jié)構(gòu)等設(shè)計，在保證滿足功能需要和所用材料力學(xué)性能的同時，采用復(fù)合輕量級材料，車身更輕。

4 仿真分析

兼顧了搜索有效性與路徑有效性，本設(shè)計通過MATLAB對于A*算法進行了全局路線規(guī)劃的仿真檢驗，并通過MATLAB模擬流程，實現(xiàn)了對機器人在仿真場景中使用A*算法實現(xiàn)的全局路線規(guī)劃和導(dǎo)航，結(jié)果如圖4所示：Routing表示全局路徑，Obstacle表示全局路徑障礙目標點，結(jié)果表示實驗平臺能夠根據(jù)上位機端發(fā)布的導(dǎo)航點自主規(guī)劃通往目標點的路徑，該仿真驗證了本文路徑規(guī)劃方法的有效性。

圖4 MATLAB路徑規(guī)劃仿真圖

5 結(jié)語

為實現(xiàn)多種復(fù)雜路況下垃圾抓取與識別，本文設(shè)計了一種針對復(fù)雜場景下的智能垃圾抓取分類機器人平臺，從機器人機械臂、路徑規(guī)劃、視覺識別及機械結(jié)構(gòu)方案等方面進行設(shè)計，采用基于運動學(xué)逆解的機械臂開環(huán)控制、基于K210下YOLOv2算法的物體視覺識別方法、基于A*算法的全局路徑規(guī)劃方法，較好地實現(xiàn)與全局路徑規(guī)劃、垃圾識別抓取與分類功能，通過超聲波傳感器實現(xiàn)避障。實驗結(jié)果證明了本文的設(shè)計效果良好，具有廣泛的應(yīng)用前景。