🤥 机器人硬件

1. 传感器：感知外部信息。

2. 执行机构：完成物理运动。

3. 动力源：提供驱动力。

4. 处理器：控制与数据处理核心。

传感器

• 传感器分类
• 被动传感器：不发射信号，仅接收环境信号（如摄像机、拾音器）。
• 主动传感器：发射并接收信号（如声呐、激光雷达）。

• 功能划分：
• 测距传感器：
• 使用声呐、激光等测距。
• 应用：自动驾驶中的激光雷达，精准感知障碍物位置。
• 方位传感器：
• 利用距离测量确定方位。
• 应用：GPS通过三角测量提供精准定位。
• 本体感受传感器：
• 检测内部状态（电机转速、电量、负载、惯性等）。
• 设备：电位计、转速表、光学编码器、陀螺仪。

执行机构

• 关键概念 自由度(DOF)：
• 用于描述物体在空间中的运动（平移或旋转）。
• 一个刚性物体在3D空间最多具有6个自由度。

• 移动装置
• 轮子与履带：
• 差动传动：独立驱动两个轮子，适用于灵活转向场景。
• 同步传动：轮子围绕相同圆心转动，协调性高。
• 腿型移动装置：
• 适应复杂地形。
• 分类：
• 动态稳定：通过运动保持平衡（如波士顿动力的Atlas机器人）。
• 静态稳定：不运动也能保持平衡。

动力源

• 常见动力源
• 电动机：最常用的机器人动力源。
• 燃油发动机：适用于特定机器人场景。
• 气动与液动装置：用于动力传输。

• 驱动模式
• 多电动机驱动。
• 单一动力源结合多级齿轮驱动。

处理器

• 功能与角色
• 控制机器人运行、处理传感器数据。
• 执行复杂的深度学习任务（如视觉、语音处理）。

• 常用处理器
• ASIC/GPU/单片机：低算力需求。
• 片上系统（SOC）：高算力需求，适用于边缘计算。
• 示例：英伟达 AGX Xavier，海思 3559A。

• 处理器选型要点
• 基础参数：算力、能耗。
• 接口能力：支持多种硬件接口。
• 编解码能力：满足数据处理要求。

机器人硬件设计关键点

• 模块化与集成化：将功能模块高效整合。

• 适配场景需求：根据应用场景选择合适的硬件和算法。

• 可扩展性与成本：兼顾未来升级与经济效益。

机器人主流形态

🤪 机器人感知

传感器感知外界信息

• 激光测距装置：
• 设备：激光测距仪、激光雷达。
• 优点：高精度。
• 局限：价格昂贵，不适合穿透玻璃或水的场景。

• 声学传感器：
• 设备：声呐测距传感器。
• 优点：适用于水下场景。
• 局限：精度较低。

• 图像测距装置：
• 设备：摄像机。
• 优点：适用于视觉丰富的场景。
• 局限：受光照条件影响大。

信号处理方法

• 常用信号处理方法
• 信号变换：
• 定义：将信号从一个分析域转换到另一个分析域。
• 用途：从时域转换到频域以提取更明显的信号特征。
• 滤波：
• 定义：使用高通、低通滤波器过滤干扰信号。
• 用途：去除无关噪声，保留感兴趣的信号。

传感器模型

• 地标模型
• 检测环境中稳定可识别的地标。
• 通过地标与机器人的距离和方向计算位置。

• 距离扫描模型
• 扫描与地标的距离，不需要识别地标。
• 通过距离直接定位。

😍 定位与地图构建

• 应用场景：无人驾驶、物流机器人、清扫机器人等。

• 目标：精准感知环境，实现路径规划和自主移动。

机器人定位的基本概念

• 当前所处位置：确定机器人在二维平面上的位置和方向（表示为 (xt,yt,θt)）。

• 目标位置：确定要去的目的地。

• 环境障碍：识别路径上的障碍物。

运动模型

• 平移速度

• 旋转速度

通过运动模型，机器人预测下一个状态：

位置估算

• 卡尔曼滤波器：信任状态用单一多变量高斯分布表示。

• 蒙特卡罗定位（粒子滤波）：信任状态用粒子集合表示。

同时定位与地图构建 (SLAM)

• SLAM 核心问题
• 定位与地图的依赖性：
• 精确定位需要无偏地图。
• 构建地图需要准确位置辅助。

• SLAM 过程
• 初始观测：
• 识别地标特征。
• 测量与地标的距离和角度。
• 运动预测：
• 根据运动模型预测机器人新位置。
• 测距更新：
• 使用测距单元重新测量位置。
• 比较传感器测量值和运动预测值，更新位置状态。
• 迭代优化：
• 通过多次感知与运动更新，逐步优化定位精度并完成地图构建。

😷 机器人运动规划

• 路径规划：
• 决定机器人从起点到终点的路径策略。
• 关注路径的几何形状和可达性。

• 轨迹规划：
• 在路径基础上，根据运动学模型和约束，规划速度、加速度等控制策略。

基本概念：工作空间与构型空间

• 工作空间 (Workspace)：
• 机器人在二维或三维欧几里得空间中可操作的范围。
• 示例：
• 机械臂的手部或末端可到达的空间集合。

• 构型空间 (Configuration Space, C-Space)：
• 用一组向量完全描述机器人空间状态的集合。
• 示例：
• 平面机器人：(x,y,θ) 的集合。
• 无人机：(x,y,z,roll,pitch,yaw) 的集合。
• 六轴机械臂：六维向量空间 R6。

自由空间与占用空间

• 自由空间：机器人可移动的区域。

• 占用空间：被障碍物占据的区域。

路径规划方法

• 单元分解法（网格法）：
• 将自由空间划分为有限的相邻区域（单元）。
• 每个单元之间的运动简化为图搜索问题。
• 优点：简单、适合二维空间。
• 局限：高维空间中网格数量指数增长，计算量大。
示例：
• 自由空间用网格描述，机器人通过搜索网格路径到达目标。

• 其他路径规划方法：
• 势场法：基于吸引力与排斥力生成路径，可能陷入局部最优解。
• 概率路径图（PRM）：在自由空间中随机采样点并连接生成图。
• 深度学习方法：如深度强化学习，用于复杂场景和多足机器人。

• 不确定性运动规划：
• 考虑部分可观察性和随机性引入的误差。
• 使用 马尔可夫决策过程 (MDP) 或 部分可观察的马尔可夫决策过程 (POMDP) 构建模型。
• 鲁棒控制 方法可用来最小化不确定性。

😇 机器人运动控制

运动控制的核心

控制器分类

• 开环控制：
• 无反馈控制。
• 流程：输入状态 → 控制器 → 执行器 → 执行结果。
• 局限：无法根据实际结果调整控制信号。

• 闭环控制：
• 反馈控制。
• 流程：输出结果反馈到控制器，用于调整后续控制信号。
• 示例：比例积分微分 (PID) 控制器。

经典控制策略

• PID 控制：
• 基于误差调整控制量，分为比例 (P)、积分 (I)、微分 (D) 三部分。
• 优点：简单、鲁棒、适合工业控制场景。

• 势场控制：
• 通过吸引力和排斥力定义势场。
• 局限：可能陷入局部最优解。

• 其他方法：
• 反应式控制：适合多足机器人。
• 强化学习：广泛用于无人机等动态场景。

😆 机器人应用领域

• 工业：
• 自动化加工、焊接、装配。
• 智能化质检任务，通过深度学习提高检测效率。

• 物流：
• 自动化设备支持物流分拣。
• 机器人：潜伏机器人、码垛机器人等。

• 交通：
• 自动驾驶车辆，用于城市清洁、Robotaxi 等场景。
• L3/L4 自动驾驶技术研发如火如荼。

• 特种应用：
• 地下矿井作业、灾区侦测、水下探测、太空探测。

• 个人服务：
• 家庭：扫地机器人、擦窗机器人。
• 餐饮：送菜机器人。
• 酒店/商超：服务机器人提供导航或物品配送。