面壁者—基于樹莓派的AI救援機(jī)器人設(shè)計與實(shí)現(xiàn)

趙志杰 陳靜茹 付娟娟 張穎 陳冠華 陳蕾

摘要：隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，以及目前5G時代的到來，文章結(jié)合傳統(tǒng)救援模式，開發(fā)一款適用于特殊地形、特殊場合的多用智能救援機(jī)器人。AI救援機(jī)器人主要從驅(qū)動模塊、傳感器及數(shù)據(jù)處理模塊、機(jī)械模塊和供電能源模塊四個模塊進(jìn)行設(shè)計。

關(guān)鍵詞：圖像;深度學(xué)習(xí);機(jī)械臂;救援;自動化

中圖分類號：TP311? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）17-0081-02

1 概述

我國是災(zāi)害頻發(fā)的國家，由于災(zāi)后空間狹小、環(huán)境惡劣等問題，救援人員難以深入現(xiàn)場，二次災(zāi)害隨時有可能發(fā)生，處置稍有不當(dāng)就可能給救援人員也帶來嚴(yán)重安全危害。救援機(jī)器人到達(dá)災(zāi)后待救援地，首先利用相機(jī)監(jiān)測周圍環(huán)境[1]并且通過Yolov5算法進(jìn)行視覺目標(biāo)檢測[2]，數(shù)據(jù)上傳至云端供后續(xù)評估分析、GPS向云端反饋機(jī)器人所在的位置。云端指令啟動機(jī)動驅(qū)動模塊、機(jī)械手臂對障礙物進(jìn)行處理，機(jī)器人采用變形式履帶，可以應(yīng)付很多地形，救援機(jī)器人到達(dá)受災(zāi)人所處的位置后，向外界傳達(dá)信息，如果要完成室內(nèi)火災(zāi)救援任務(wù)，機(jī)器人可以控制自動噴水系統(tǒng)滅火[3]，具體原理參考圖1。

2 總體設(shè)計

2.1模塊的選型

2.1.1驅(qū)動模塊

驅(qū)動模塊由電機(jī)、履帶式底盤和L298N電機(jī)驅(qū)動板組成。

2.1.2 OpenMV4模塊

主控使用ST公司的STM32，采用400MHz的Cortex-M7架構(gòu)，擁有1M的RAM，并有基于深度學(xué)習(xí)框架的CNN神經(jīng)網(wǎng)絡(luò)框架，可在樹莓派運(yùn)行RCNN等模型，OpenMV4拓展板如圖2所示。支持可拆卸式的攝像頭模塊，包括0V7725、0V2640等攝像頭。

2.1.3樹莓派主控及Arduino控制板

樹莓派和Arduino在此次設(shè)計中擔(dān)任MCU總處理器作用。

2.1.4 GPS定位模塊

集成GPS、BD多定位系統(tǒng)并發(fā)接收型模塊，支持GPS和BD L1頻段同步接收功能，擁有33個追蹤信道，99個捕獲信道和210個PRN信道，能追蹤和捕獲任何GPS和BD混合信號。

2.2算法設(shè)計

2.2.1 YoloV4目標(biāo)檢測算法

首先需要產(chǎn)生目標(biāo)的候選框，即目標(biāo)位置，然后對候選框做分類與回歸處理，項目采用YoloV4算法，它是Yolo系列的第四代成果，基于Region Proposal的R-CNN系算法[4]（R-CNN、Fast R-CNN、Faster R-CNN等），它們不同于One-Stage類，物體分類和物體定位在一個步驟中完成。采用這個算法，YoloV4的運(yùn)算速度可以達(dá)到45FPS，基本滿足了實(shí)時性要求（因?yàn)橹灰_(dá)到24/每秒，人眼看到的畫面就是連續(xù)的）[5]，這個算法主要分為三層，分別是：卷積層、目標(biāo)檢測層、NMS篩選層。服務(wù)器通過對傳感器傳回的照片數(shù)據(jù)進(jìn)行分析，最終檢測識別出障礙物、受傷者等目標(biāo)。

2.2.2 PID算法

考慮到實(shí)際影響因素與項目開發(fā)成本問題，項目設(shè)計中筆者采用PID算法，其中PID具體原理如下：

3 調(diào)試與測試方案

3.1 調(diào)試方案

3.1.1 硬件調(diào)試

在實(shí)際測試的過程中發(fā)現(xiàn)，每個舵機(jī)旋轉(zhuǎn)角度與PulseWidth（脈沖寬度）之間的映射不同，因此存在著一定的誤差，舵機(jī)角度誤差來源：1）PWM信號的分辨率;2）減速齒輪組的材料和精度;3）機(jī)械臂的材料與硬度;4）舵機(jī)控制電路引發(fā)的誤差。

3.1.2軟件調(diào)試

編寫程序，拷貝到樹莓派中脫機(jī)運(yùn)行，該救援機(jī)器人識別目標(biāo)的準(zhǔn)確率太低。經(jīng)過研究分析發(fā)現(xiàn)了兩個原因：

1）當(dāng)相機(jī)在移動的同時，拍攝畫面由于相對位置發(fā)生了改變，在機(jī)器停止運(yùn)行時，相機(jī)仍然具有輕微的抖動，因此采集的圖像不準(zhǔn)確。

2）在GPU訓(xùn)練模型時，損失函數(shù)太大造成，模型本身具有缺陷。

3.2 測試方案

包括救援機(jī)器人的基礎(chǔ)機(jī)動系統(tǒng)、目標(biāo)物體的識別、超聲波避障測試、GPS定位測試、數(shù)據(jù)的返回以及機(jī)械臂抓取測試。

1）基礎(chǔ)機(jī)動系統(tǒng)測試：

使用遙控器對機(jī)器人的基礎(chǔ)機(jī)動進(jìn)行測試，任務(wù)有：前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)、加速、減速、停止。

2）目標(biāo)物體的識別：

基于yolov5算法框架開發(fā)目標(biāo)檢測，采集大量的樣本數(shù)據(jù)后訓(xùn)練模型，通過攝像頭獲取數(shù)據(jù)，進(jìn)行圖像處理識別環(huán)境。

3）超聲波以及GPS避障測試：

測試前方是否有障礙物并且根據(jù)測量結(jié)果進(jìn)行運(yùn)動決策和電機(jī)控制。通過GPS信息可以實(shí)時監(jiān)測救援機(jī)器人所在的地理經(jīng)緯度，從而映射到地圖上。

4）數(shù)據(jù)的返回：

用Aliyun物聯(lián)網(wǎng)傳回數(shù)據(jù)，再通過算法進(jìn)行解析處理。

5）機(jī)械臂抓取測試：

利用機(jī)械臂的抓取，測試救援機(jī)器人性能，效果良好;不足點(diǎn)是對模型訓(xùn)練時GPU算力要求較高，目標(biāo)檢測過程中由于相機(jī)抖動問題造成檢測較不準(zhǔn)確，后期優(yōu)化相機(jī)云臺防抖控制算法、目標(biāo)檢測部分采用Paddle框架，目前解決方案是跳過抖動厲害的幾幀圖像，對穩(wěn)定的畫面進(jìn)行處理。

4 結(jié)語

該設(shè)計使用樹莓派從救援機(jī)器人的發(fā)展現(xiàn)狀入手，展示了設(shè)計背景，從驅(qū)動模塊、機(jī)械臂模塊、圖像識別模塊等進(jìn)行了簡述。

參考文獻(xiàn)：

[1] 李世堯，李輝，周奇，等.用于環(huán)境檢測的智能窗戶裝置的設(shè)計與實(shí)現(xiàn)[J].儀表技術(shù)，2018（10）：36-38.

[2] 潘麗靜，張虹波，周婷婷.全自動模擬目標(biāo)搜救系統(tǒng)的設(shè)計與實(shí)現(xiàn)[J].電腦知識與技術(shù)，2016，12（28）：178-180.

[3] 王邦洲，趙凱文，胡彬，等.實(shí)驗(yàn)室消防機(jī)器人[J].電腦知識與技術(shù)，2019，15（29）：201-203.

[4] 李瑾澤.車輛識別中的邊緣檢測方法研究[D].太原：太原理工大學(xué)，2012.

[5] 張國政.頻譜臉與FLD結(jié)合的彩色分量特征融合人臉識別算法研究[D].濟(jì)南：山東大學(xué)，2011.

[6] 楊小慶，向超宗.基于神經(jīng)網(wǎng)絡(luò)PID的拖拉機(jī)空調(diào)溫控系統(tǒng)優(yōu)化設(shè)計[J].農(nóng)機(jī)化研究，2021，43（12）：264-268.

收稿日期：2022-02-10

基金項目： 大學(xué)生科研訓(xùn)練項目（項目編號：202116028）

作者簡介：趙志杰（2000—），男，甘肅隴南人，本科，研究方向?yàn)殡娮有畔⒐こ?陳靜茹（2000—），女，甘肅金昌人，本科，研究方向?yàn)閿?shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù);付娟娟（2001—），女，甘肅天水人，本科，研究方向?yàn)殡娮有畔⒐こ?張穎（2000—），女，甘肅蘭州人，本科，研究方向?yàn)殡娮有畔⒐こ?陳冠華（2000—），男，甘肅定西人，本科，研究方向?yàn)閿?shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù);陳蕾（1978—），通信作者，女，重慶人，副教授，碩士，研究方向?yàn)殡娮有畔⒐こ獭?/p>