基于STM32和ARM Cortex-A8平臺的自清掃智能小車設(shè)計

任金波，張 翔，施火結(jié)

（1.福建農(nóng)林大學(xué) 機電工程學(xué)院，福州 350002；2.重慶大學(xué) 機械工程學(xué)院，重慶 400044）

0 引言

近年來，隨著經(jīng)濟的發(fā)展和生活水平的提高，人們對路面的鋪裝要求越來越高，尤其是廣場、公園、庭院、小區(qū)等道路，廣泛使用大理石、花崗巖、砂石、混凝土磚及其他材料鋪裝路面，沿路面兩側(cè)邊緣常設(shè)有排水槽，因排水槽寬度和高度較小，受落葉、石粒、雜草等影響經(jīng)常容易堵塞，給排水帶來嚴(yán)重影響，而清理時又極為困難，目前主要靠人工手工清理作業(yè)，勞動強度大，如能以自動清掃設(shè)備進(jìn)行作業(yè)，將能顯著提高清理效率，降低勞動強度。本文提出一種基于STM32和ARM Cortex-A8平臺的自清掃智能小車，能在以大理石、花崗巖、混凝土磚等進(jìn)行鋪裝的路面對邊緣排水槽進(jìn)行清掃，清掃時可對路面和排水槽進(jìn)行精確定位，自動控制毛刷盤位置來配合小車的行走動作，沿排水槽自動完成清掃作業(yè)。

1 系統(tǒng)總體設(shè)計

1.1 功能設(shè)計

路面邊緣排水槽如圖1所示，寬度約42mm，高度約16mm，常有落葉、淤泥、石粒等落入其中造成堵塞，基于STM32和ARM Cortex-A8的自清掃智能小車，通過安裝于底盤前后端的攝像頭采集路面圖像，并進(jìn)行路徑檢測以指導(dǎo)行走機構(gòu)運動，左右端的攝像頭采集排水槽圖像，在控制模塊作用下，清掃小車在尺寸較規(guī)整的路面上對邊緣排水槽進(jìn)行清掃。控制模塊內(nèi)置包括STM32單片機在內(nèi)的計算芯片，當(dāng)小車工作時，計算芯片以小車初始位置為原點，以收到的ARM Cortex-A8平臺傳送的路面圖像為刻度，記錄小車的行走軌跡，并在轉(zhuǎn)彎處或交叉處判斷轉(zhuǎn)向以免重復(fù)之前的路徑；行走機構(gòu)根據(jù)路面圖像信息處理結(jié)果實時調(diào)整行進(jìn)路線，以使毛刷盤對準(zhǔn)排水槽進(jìn)行清掃，當(dāng)行走機構(gòu)轉(zhuǎn)彎、倒退或暫停時，升降單元提升毛刷盤使之離開縫隙以免受損。

圖1 路面邊緣排水槽

1.2 機械結(jié)構(gòu)設(shè)計

自清掃智能小車的結(jié)構(gòu)如圖2所示。包括圖像識別與路徑檢測裝置、清掃裝置、回收裝置、控制模塊、行走機構(gòu)、狀態(tài)顯示屏等。控制模塊與行走機構(gòu)、圖像識別與路徑檢測裝置、清掃機構(gòu)等相連并加以控制；圖像識別與路徑檢測裝置包括位于前后、左右的攝像頭和圖像處理單元；清掃機構(gòu)包括升降單元和豎向設(shè)置的毛刷盤；行走機構(gòu)以兩個獨立的驅(qū)動電機驅(qū)動后輪行走，當(dāng)控制模塊改變電機的轉(zhuǎn)速、轉(zhuǎn)向時，小車轉(zhuǎn)彎、倒退，并根據(jù)圖像識別與路徑檢測裝置檢測的路徑走向調(diào)整行進(jìn)路線，以使毛刷盤對準(zhǔn)排水槽進(jìn)行清掃；回收裝置包括進(jìn)風(fēng)口、風(fēng)葉、濾塵裝置和出風(fēng)口，風(fēng)葉設(shè)于進(jìn)風(fēng)口處，進(jìn)風(fēng)口的進(jìn)風(fēng)面朝向毛刷盤，濾塵裝置設(shè)于出風(fēng)口處；小車前方還設(shè)有狀態(tài)顯示屏和USB接口，以便于讀取、提取工作數(shù)據(jù)。

圖2 自清掃智能小車

2 控制系統(tǒng)硬件設(shè)計

圖3所示為系統(tǒng)硬件結(jié)構(gòu)設(shè)計，含有處理器、ARM Cortex-A8處理單元、圖像采集單元、顯示模塊等。其中ARM Cortex-A8圖像處理單元是自清掃小車的核心裝置，通過處理平臺i.MX6完成，該處理平臺結(jié)構(gòu)緊湊，裝置輕便，易嵌入到小車結(jié)構(gòu)中，可替代傳統(tǒng)PC處理機，并具有實時顯示的功能，得到圖像處理的參數(shù)傳給微控制單元，從而控制小車運動。

2.1 處理器

微處理單元使用STM32F100R8單片機，用于控制ARM Cortex-A8圖像處理單元通過外圍電路傳輸?shù)膮?shù)，從而實時控制小車的行走路徑；并通過驅(qū)動電路、清掃控制電路、集塵裝置電路等控制小車的行走、清掃和集塵功能。

2.2 ARM Cortex-A8處理單元

ARM Cortex-A8處理單元對路面和邊緣排水槽圖像進(jìn)行運算、分析，獲得對目標(biāo)路徑的方位信息，提取出路徑的擬合點，導(dǎo)航線信息，并進(jìn)行導(dǎo)航偏角和偏移量的參數(shù)計算，為自動行走導(dǎo)航和自清掃提供信息。

2.3 圖像采集單元

圖像采集單元通過CMOS圖像傳感器將光信號轉(zhuǎn)成電信號后，再經(jīng)視頻轉(zhuǎn)換芯片TVP5150AM1將圖片的模擬信號轉(zhuǎn)成數(shù)字信號，最后將經(jīng)信號處理后的數(shù)據(jù)傳出。

2.4 顯示模塊

圖像顯示單元由TFT-LCD液晶顯示屏組成，TFTLCD是一種常用的液晶屏種類，具有較高的液晶顯示成像質(zhì)量，可實時顯示由圖像處理單元獲取的圖像路徑信息。

2.5 程序編譯模塊

程序編譯主要是在PC機上完成程序編寫并進(jìn)行程序到開發(fā)板的移植。在Visual Studio 2010平臺進(jìn)行程序的開發(fā)，通過Arm-linux-gcc完成程序的交叉編譯，并進(jìn)行移植。

3 控制系統(tǒng)軟件設(shè)計

控制系統(tǒng)程序流程如圖4所示，系統(tǒng)初始化后進(jìn)行控制模式選擇，以確定是自動還是手動模式；如自動清掃，首先確定工作起始位，并以此作為坐標(biāo)原點，把小車移至坐標(biāo)原點處，攝像頭開始采集圖像信號并進(jìn)行分析和路徑識別，小車啟動后毛刷開始對排水槽進(jìn)行清掃，并將垃圾收集到回收裝置中。前進(jìn)過程中，發(fā)現(xiàn)偏航時向控制模塊發(fā)送偏航感知信息，從而控制行走機構(gòu)使小車恢復(fù)正確行進(jìn)路線；當(dāng)小車運行路徑前方有墻體或障礙物時，前部的障礙物傳感器向控制模塊發(fā)送碰撞告警，使控制模塊控制行走機構(gòu)停止或轉(zhuǎn)向；計算芯片以清理裝置初始位置為原點，以收到的圖像感知信息為刻度，記錄清理裝置的行走軌跡，并在路面交叉處判斷轉(zhuǎn)向以免重復(fù)之前的路徑。

圖3 自清掃智能小車總體設(shè)計框圖

4 實驗仿真

4.1 圖像處理

4.1.1 路面圖像采集

圖像采集即自清掃智能小車在路面上拍攝圖像的過程，圖像采集應(yīng)盡可能豐富，采集到平整、交織、阻礙等各因素干擾下的多幅圖像。

4.1.2 圖像灰度化

計算機圖像處理常采用RGB和HSV兩種模型。RGB模型是基于人類視覺的三原色——紅(R)、綠（G）、藍(lán)(B)理論建立的色彩空[1]；HSV（Hue, Saturation，Value）是根據(jù)顏色的直觀特性由A. R. Smith在1978年創(chuàng)建的一種均勻顏色空間，反映了人的視覺對顏色的感覺[2]。RGB圖像不利于系統(tǒng)的實時采集，一般對顏色空間的圖像進(jìn)行有效處理都是在HSV空間進(jìn)行的，因此，需要將采集到的路面RGB模型圖像轉(zhuǎn)換為HSV顏色模型，然后通過調(diào)節(jié)HSV空間的S分量實現(xiàn)圖像的灰度化[3,4]。

4.1.3 圖像二值化分割不同特征

圖像二值化閾值選取通常采用雙峰法、P參數(shù)法、Otsu算法、最大熵閾值法、迭代法（最佳閾值法）、均勻性度量算法、聚類法等[5]。其中，Otsu算法由于在圖像處理過程中計算簡單，且不受色調(diào)等其他因素影響，在圖像處理中經(jīng)常采用。因此，對路面灰度化操作完成的圖像使用Otsu算法進(jìn)行二值化處理。

4.1.4 濾波（突出路面特征）

路面圖像二值化處理后，會出現(xiàn)許多噪聲成分，影響后續(xù)特征點的提取，需對圖像進(jìn)行濾波操作，圖像有很多濾波方法，如非線性濾波、中值濾波、形態(tài)學(xué)濾波等[6]。形態(tài)學(xué)濾波器是近年廣泛采用的一類重要非線性濾波器，一般使用二值圖像進(jìn)行邊界提取、骨架提取、孔洞填充、角點提取、圖像重建；主要依靠膨脹腐蝕，開啟操作，閉合操作等幾種算法進(jìn)行組合來實現(xiàn)一些非常復(fù)雜的功能。綜合考慮后，本文采用面積法結(jié)合形態(tài)學(xué)濾波對二值化后的路面圖像進(jìn)行濾波操作。

圖4 控制系統(tǒng)程序流程圖

4.1.5 提取擬合點

路面結(jié)構(gòu)錯綜復(fù)雜，受落葉、石粒、雜草等其他因素干擾較多，圖像處理中提取路面特征算法也較為繁瑣，本文提出一種簡單有效的算法，具體過程為：構(gòu)造出一空表矩陣，分成四行，從矩陣的1/4、2/4、3/4、4/4行依次掃描圖像，以0、1表示像素的圖像位置，左右分別記錄，最后找到突變點坐標(biāo)中間值，該值即為所需的路面路徑中間擬合點。

4.1.6 提取路面上的導(dǎo)航路徑

霍夫變換于（Hough Transform）1962年由Paul Hough次提出[7]，后于1972年由Richard Duda和Peter Hart推廣使用[8]，是圖像處理中的較為廣泛應(yīng)用的一種特征提取技術(shù)，將經(jīng)過算法提取到的系列特征點經(jīng)霍夫變換后，可得自清掃小車在路面上自主行走清掃時的導(dǎo)航路徑。

4.2 圖像處理仿真

為驗證自清掃智能小車能否實現(xiàn)在路面上自動導(dǎo)航行走，選取了圖5所示的兩幅路面圖像進(jìn)行仿真處理，圖5(a)為彎曲路面，圖5(b)為直線路面。圖6為兩幅圖像處理完成后的特征點和路徑檢測圖像，圖中較細(xì)曲線為提取的系列特征點，粗線條為特征點經(jīng)霍夫變換后得到的自主行走導(dǎo)航路徑。從仿真圖可以看出，路面較平直時，特征點和導(dǎo)航路徑吻合性較高，基本保持重合；路面有彎道時，特征點和導(dǎo)航路勁不重合，需實時調(diào)整導(dǎo)航路徑，以滿足自清掃小車沿路面行走作業(yè)，毛刷盤根據(jù)左右端攝像頭采集的排水槽圖像實時調(diào)整動作，以完成清掃作業(yè)。圖像識別與路徑檢測裝置處理兩幅像素500×360的圖像分別耗時為0.085s、0.079s，平均耗時0.082s，表明圖像處理速度快，可滿足路徑導(dǎo)航實時性要求。

圖5 路面圖像

圖6 特征點與路徑檢測圖像

4.3 穩(wěn)定性仿真

自清掃智能小車行走作業(yè)時，質(zhì)心的變化能夠反映出其在運行中的穩(wěn)定性問題，如質(zhì)心波動比較大，則穩(wěn)定性較差。為驗證自清掃小車的穩(wěn)定性，選取波浪紋防滑型混凝土地磚路面作為仿真行走基體，路面上波浪紋的最大圓弧半徑為4mm，仿真得到小車質(zhì)心運動參數(shù)隨時間變化曲線如圖7所示，(a)～(c)分別為質(zhì)心位移、速度、加速度隨時間變化曲線（注：X軸指向前進(jìn)方向，Y軸指向高度方向，Z軸指向?qū)挾确较颍?。小車在路面前進(jìn)過程中，由于Z軸方向上的運動學(xué)參數(shù)變化很小，幾乎呈直線狀，圖中予以忽略。從圖7中可以看出，小車在運動至第9s左右時前輪開始越過波浪紋圓弧，此時X、Y方向上的速度和加速度曲線會發(fā)生較大的波動，且出現(xiàn)峰值，但X、Y方向上質(zhì)心位移的變化仍然相對平緩，沒有出現(xiàn)各種突變現(xiàn)象，可知小車在越過波浪紋路面時，仍能保持運動穩(wěn)定，從而正常作業(yè)。

圖7 穩(wěn)定性仿真曲線

5 結(jié)論

本文設(shè)計了一種基于STM32和ARM Cortex-A8平臺的自清掃智能小車，并對其機械結(jié)構(gòu)、控制系統(tǒng)硬軟件進(jìn)行了詳細(xì)論述，最后進(jìn)行了小車行走作業(yè)時的圖像處理和運動穩(wěn)定性仿真實驗，路面圖像經(jīng)攝像頭采集、灰度化、二值化、濾波、提取路徑特征點和霍夫變換后，可成功得到路徑導(dǎo)航線，算法快速準(zhǔn)確，能在有障礙物或偏航時實時導(dǎo)航從而自動恢復(fù)正確行走路線，并能在較復(fù)雜路面運行時保持運動平穩(wěn)，毛刷盤根據(jù)采集到的排水槽圖像信息實時調(diào)整清掃動作，從而完成清掃作業(yè)，可以減輕路面兩側(cè)邊緣排水槽清掃時的工作強度，提升工作效率，具有較好的應(yīng)用前景。