机器人感知智能 教案-第6章 机器人感知系统智能化

PAGEPAGE27授课周次第周授课时间2024年月日至2024年月日课程章节第6章机器人感知系统智能化6.2机器人感知系统控制6.2.1机器人感知系统概述6.2.2主控电路设计6.2.3多传感器接口设计6.2.4UML机器人感知系统设计6.2.5传感器通讯模块设计6.2.6控制系统硬件设计6.2.7控制系统软件设计教学目的1、掌握机器人感知系统基本结构；2、了解机器人感知系统硬件设计；3、了解机器人感知系统软件设计。内容提要及板书设计第6章机器人感知系统智能化6.2机器人感知系统控制6.2.1机器人感知系统概述6.2.2主控电路设计6.2.3多传感器接口设计6.2.4UML机器人感知系统设计6.2.5传感器通讯模块设计6.2.6控制系统硬件设计6.2.7控制系统软件设计重点、难点及解决方案重点：机器人感知系统基本结构难点：机器人感知系统硬件设计教学内容时间分配序号教学内容1机器人感知系统基本结构402机器人感知系统硬件设计203机器人感知系统软件设计3045教学手段讲解教学形式（在右栏勾选）理实一体（）理论教学（）实验（）实训（）上机（）作业作业完成方式书面（）电子（）教学后记

附页：第周序号具体内容（课堂组织和教学过程设计）授课改进意见及实时教学效果记录6.1多传感器信息融合6.1.1多传感器信息融合概念一、信息融合信息融合所涉及的主要领域包括：模式识别、智能制造系统、无人机驾驶、目标检测与跟踪、人工智能、航空航天应用、图像分析处理等；由于该技术涉及到的研究内容种类丰富，领域广泛，目前还没有普遍适用且明确的定义。不同国家的学者对信息融合的定义有着不同的表述；根据国内外的观点，信息融合的定义为：按照一定的规则，使用计算机技术对特定时序获得的若干异质或同质的传感观测信息进行分析、提取和综合，是一种用于对所需要的目标进行估计与决策的信息处理过程。信息融合是近些年发展起来的技术，由许多学科领域交叉融合形成，在机器人信息处理的过程中被广泛应用。二、多传感器信息融合根据数据处理方法的不同，信息融合系统的体系结构有三种：分布式、集中式和混合式。（一）分布式：先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好，但跟踪的精度却远没有集中式高；分布式的融合结构又可以分为带反馈的分布式融合结构和不带反馈的分布式融合结构。（二）集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合，其数据处理的精度高，算法灵活，缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现；（三）混合式：混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾了集中式融合和分布式的优点，稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂，这样就加大了通信和计算上的代价。信息融合的三个主要特征如下：（一）信息融合是一个多源、多级的信息处理过程，每一级都代表着不同层次的图像抽象。（二）信息融合包含信息的检测、互联、相关、估计和组合等步骤。（三）信息融合的结果包含低层次的局部状态估计和高层次的全局状态估计。图6.3紧耦合状态估计流程图6.1.2几种机器人中的多传感器融合自主车辆机器人中的传感器融合技术有三种主要方法来融合检测到的数据：高层次融合（HLF）低层次融合（LLF）中级融合（MLF）在HLF方法中，每个传感器独立地执行目标检测，并随后组合这些检测。因此，对象检测是在可用信息有限的地方进行的，因为如果存在多个重叠对象和工件，则HLF会丢弃置信值较低的分类。相反，LLF在原始数据级别结合了来自不同传感器类型的数据，从而保留了所有信息，并潜在地提高了目标检测的准确性。MLF也称为特征级融合，它融合了从相应传感器数据中提取的多目标特征（原始测量），例如来自图像的颜色信息或雷达的位置特征，并且随后对融合的特征执行识别和分类。医疗人机交互场景下的多传感器融合通过监控用户的实时状态，成为智能医疗服务不可或缺的一部分。基于混合人体传感器网络体系结构的多传感器融合（HBMF）旨在支持最先进的智能医疗服务，它结合了各种传感器、通信、机器人和数据处理技术。人机交互是一个基于人工智能的发展领域智能、机器人、自然语言理解和社会交际。近年来，人们对人机交互的认识医疗场景大致可以分为两个方面：人—机器人协作环境感知和人类意图感知。预处理阶段数据预处理是多传感器融合不可或缺的阶段，适当的预处理不仅使融合结果更加准确，还提高了融合效率。特征学习阶段特征学习是数据预处理后的必要步骤，分为四步根据服务类型划分的部分：多模型用户数据融合、人机对话和意图理解、用户分类以及路径和行动规划。每项服务所需的技术如下：1）多模型用户数据融合：可解释的神经网络、联想学习。2）人机对话和意图理解：人类识别、语音识别。3）用户分类：交互式知识图谱建模。4）路径和动作规划：基于多模态的路径规划仿人操作的感知、任务规划。融合决策阶段融合决策阶段分为两步：第一步融合特征学习阶段的四个部分的结果第二步骤作出决定，以获得最终的行动计划。为了提高多传感器融合的执行效率在医疗人机交互场景中，有必要找到基于感官特征的最佳融合策略并及时调整融合策略，以获得准确的融合决策。根据之前的数据源分析，以下三点选择融合机制：1）跨领域融合：跨领域融合主要关注跨领域知识迁移和不同特征空间的融合，它解决了由于源域和目标域在不同的有限元表示空间中的多模态数据。它能够支持基于决策的融合医学人机交互产生的多源数据研究情节。2）增量分类器融合：由于医疗机器人引入了附加信息、大量数据或数据的动态增长数据导致收敛开销显著增加，这不能满足实时融合决策的要求。在中，增量分类器融合可以通过以下方式优化互补模态数据：对多模态数据进行联合聚类，更快地得到决策结果。3）数据不完整的多传感器融合：主要处理部分丢失的原始感知数据。移动机器人定位多传感器融合移动机器人对外部环境的感知取决于安装在移动机器人上的外部传感器。外部传感器对信息的处理与分析可以帮助判断当前机器人的状态，让机器人知道自己的实际位置。如果仅使用单个传感器，则很容易受到周围环境的干扰，环境因素可以破坏机器人的稳定性，同时会产生噪声，积累误差，影响定位系统的定位精度。因此，人们想到使用多个传感器协同工作。多传感器的使用可以使机器人感知更全面的环境信息，补充单个传感器的不足之处。同时它可以使获得的信息更加准确和可靠，能够减少实际误差。尽管使用多个传感器可以带来积极的效果，如何将它们很好地结合始终是一个难题。如果不能正确处理多个传感器的信息，它也会产生负面影响。如何更好地匹配多个传感器的数据信息，已成为机器人定位中的一项重要任务。6.1.3传感器类型与布局在多传感器信息融合技术中，通常涉及到多种类型的传感器选择的问题，因此在选择传感器类型时，考虑以下几个问题：系统中传感器的类型、分辨率以及精度传感器在机器人本体上的布置位置系统的通信能力和计算能力系统的设计目标系统的拓扑结构多传感器融合的移动机器人一般包括三个传感系统：视觉子系统主要包括三个模块：光视觉检测模块红外视觉检测模块视觉融合模块在光线较暗的不利于光视觉检测的情况下，则主要由红外视觉来进行检测。此系统还要负责对两种视觉传感器数据的采集。当移动机器人运用至搜救行动时，视觉子系统对幸存者进行检测搜索，在检测到幸存者后，需检测区域利用机器人控制模块通过网络模块传输至远程监控子系统，远程监控子系统将对该区域进行标记，为施救人员提供相关信息。视觉子系统相较于其他传感系统而言，能够提供的感知信息更为丰富，同时也是一种被动的传感器系统，被动传感器通过接收以目标为载体的发动机、通信雷达等所辐射的红外线、电磁波或目标所反射的外来电磁波来检测目标，其本身不发射电磁波，这种传感器系统最接近人类的五官眼睛对环境的感知。并且，机器视觉与模式识别等相关领域技术与理论的发展进一步推动了视觉传感在移动机器人传感器系统中的应用，如目标对象识别，目标对象图像处理，视觉定位等。二、听觉子系统。主要包括三个模块语音检测模块类周期求救声检测模块声源定向模块语音检测模块主要负责语音求救声音的检音，类周期求救声检测主要负责非语音类周期敲击求救声音的检测，声源定向模块根据求救声音检测的结果，进行声源定向，为运动规划子系统提供导航信息。此外，听觉子系统还要实时的声音数据、求救声检测结果及声源定向结果通过网络模块传输至远程监控子系统，远程监控子系统将实时地将这些显示在界面上，为施救人员提供相关信息。听觉子系统提供听觉信息与视觉信息相结合，用于协助移动机器人寻找目标对象，视觉信息直观明显，但当目标在机器人视觉感知范围之外时，视觉信息难以获得，听觉传感系统显得尤为重要。这时，声源定位系统可以判断目标对象的大致方向，并引导移动机器人转向或靠近至目标对象附近。听觉信息在时间上是一维的，在空间上是非定向的，所以，当声音产生时，可以从任何方向接收到声波，这使得听觉检测系统能够检测环境中的声音信号。三、运动规划子系统主要包括三个模块自主规划模块主要负责对搜索路径进行自主规划，尽可能覆盖整个搜索区域，并能根据声音和图像提供的幸存者信息执行目标搜索。避免碰撞模块的主要功能是在搜索过程中避免碰撞。而机器人控制模块则负责对救援机器人的具体控制，同时还要实时的计算救援机器人的当前状态，包括救援机器人在物理世界中的位置和朝向。该模块的另一个功能是将救援机器人的当前位置信息通过网络模块实时传回远程监控子系统，远程监控子系统将实时地将这些显示在界面上，为施救人员提供相关信息。运动规划系统是移动机器人承上启下的子系统，承接输入的处理后的环境信息，引出输出的路径点，进而保证完善地图的同时，又能规划好合适的路径，以保证控制系统提供合理的输入。机器人控制模块移动机器人路径规划能够分为两种类型，即全局路径规划和局部路径规划，全局路径规划是解决在已知的全局环境下，由多个中间状态组成的全局目标状态的路径规划问题；避免碰撞模块局部路径规划则主要解决在局部环境下规划出局部小范围内的合理路径，以实现躲避障碍物的目的。6.1.4传感器模型一、相机传感器图6.9SLAM算法系统流程图二、惯性测量单元惯性测量单元IMU是一种组合测量传感器，其具有三个加速度计和三个陀螺仪，可用来获取运动载体的位姿信息的装置；加速度计和陀螺仪相互垂直安装，加速度计用来检测物体在坐标系上的加速度，陀螺仪利用载体相对空间的位置变化，再进行坐标变化检测到物体的角速度；通过测量物体的角速度与加速度来计算物体的姿态。三、里程计模型四、激光雷达传感器模型图6.18激光雷达飞行时间测量原理6.1.5多传感器融合方法一、多传感器融合分类（一）数据层的融合数据层融合也称像素层融合，是对传感器原始信息的融合，属于最低层融合方式。未经处理的原始观测信息直接通过数据层融合进行加工和处理，然后再提取其信息特征进行特征匹配。数据层融合对数据类型有所要求，即传感器感知观测到的对象信息需要是同一类型的数据。图6.20数据层融合（二）特征层的融合特征层融合是指对传感器信息进行初步处理之后，将各自提取的特征点进行统筹融合，属于中间层融合，因此该方式同时具备了低层次和高层次的部分融合优势。该方法可分为目标特征信息融合和目标状态信息融合。图6.21特征层融合（三）决策层的融合决策层融合属于高层次的融合方式，与前两者相比，这种融合的时间顺序发生了主要变化；该方式在感知到数据信息后，对其进行了特征提取和识别，之后才开始融合过程，同样融合之后可以返回用于决策，它直接响应决策目标，并为最终决策奠定基础，是充分利用较完整信息的一种策略类融合算法；通过策略类的选择评级，分数更高的结果使其成为下一模块的信息的输入，不会增加过多的运算负担，还能够拥有更好的鲁棒性。图6.22决策层融合二、多传感器融合策略（一）加权平均法（二）卡尔曼滤波法（三）模糊逻辑（四）神经网络算法（五）贝叶斯估计（六）D-S证据理论三、隐马尔可夫模型与贝叶斯模型隐马尔可夫过程基于两个基本假设：（一）齐次马尔科夫假设，是指假设马尔科夫过程在任意时刻的状态只与前一时刻的状态相关。（二）观测独立性假设，是指任何时刻的观测只与当前时刻的状态有关，与其他时刻观测无关。6.1.6SLAM技术中的多传感器信息融合概述：SLAM最早以激光测距仪作为主要的传感器，激光测距具有测量精度高，含有深度信息等优点。但是，该方式价格高且功耗大，随着科技的进步己经越来越不符合移动端的轻量低功耗的要求。近几年对视觉SLAM的研究取得了相当的进步，但是仍然存在一些问题。存在的问题：相机在发生快速平移或者旋转时，会导致图像出现模糊，或者在亮度变化较快时，由于相机来不及调整进光量而出现画面过度曝光或者欠曝光。这种情况下检测的图像特征变少或者丢失会导致定位失败。此外视觉SLAM的定位也存在误差随着时间累积的缺点。因此，目前发展出了将微型惯性单元、激光雷达以及视觉传感器等传感单元相互融合的方法，便于更好地进行定位与建图。本节将介绍SLAM技术中的多传感器融合案例，每个案例均给出传感器融合方法，包括数据预处理方法、滤波方法、融合策略与方案。微型惯性单元与视觉数据融合视觉和IMU间的数据融合，也称视觉惯性里程计（VisualInertialOdometry，VIO）。先前最早出现的IMU处理方法是整合IMU数据，再积分处理，但该方法对位姿信息依赖性强，融合过程中计算量较大。从整体来看，相机和IMU定位方案有一定的互补性：IMU计算适合短时且快速的运动，而长时且慢速的运动适合用视觉来计算。并且，可使用视觉定位信息估计IMU的零偏，以减少IMU零偏引起的发散和累积误差。相反，IMU可为视觉传感提供快速的定位与加速度。利用这种方式进行数据融合的典型方法为卡尔曼滤波器：相机和IMU中的参数（如相机尺度和零偏）在融合过程本身会受到影响，因此需要将所有的信息放在一起进行优化估计。图6.27基于滤波的松耦合图6.28基于非线性优化的紧耦合在松耦合情况中，由于视觉传感内部的光束法平差从多视角提取的信息中没有IMU的信息，因此从全局来看，松耦合不是最优的。紧耦合可以一次性对所有的运动和测量信息建模，便于达到最优。基于松耦合的视觉与惯导融合的SLAM算法，是指图像特征信息不添加至状态向量中进行同时优化，而是将图像的视觉部分和IMU传感器信息通过不同的状态估计方法计算出运动的位姿，然后再使用EKF等滤波方法进行状态的融合。基于紧耦合的视觉—惯导融合SLAM算法是利用视觉重投影估计和IMU传感器预积分估计之间的耦合关系，将视觉图像的特征信息统一到状态向量中优化。同样，根据优化方法的不同，基于紧耦合的视觉—惯导融合的SLAM算法可分为两类：卡尔曼滤波优化非线性优化。二、2D激光雷达与RGB-D相机信息融合移动机器人在未知的环境下执行导航任务前，需要获得环境的地图信息。但是室内环境复杂，障碍物的形状和材质多变，使用单一的激光雷达往往无法有效地检测出材质透明以及形状和高度不一的障碍物，从而导致构建的地图不够准确。多种传感器能够从各个维度感知环境以及机器人自身的运动信息，能够避免或降低单一传感器带来的环境光线变化、动态物体显现等因素的影响，为机器人提供了更加准确的姿态估计，同时构建了精度更高的环境地图。相机标定二维激光雷达和Kinect相机在同一环境中有着不同的参考坐标系。图6.31激光雷达与Kinect相机坐标系点云匹配激光点是真实环境中的曲面离散采样，激光点到实际曲面的距离是最佳误差范围。常用的点云匹配算法为迭代最近点算法，将点间距离作为误差，构造误差方程，易造成误差匹配，增加迭代时间。传感器数据融合在点云配准得到两传感器间的位姿关系后，可将两束激光转换到同一坐标系下进行数据精确融合。该过程常用滤波思想来实现，由于经典卡尔曼滤波对运算场景有限制，只能用于高斯理想场景下。（4）贝叶斯估计数据融合贝叶斯估计是一种利用先前经验与经验推理对状态进行估计的信息融合算法，该算法是在得到结果后重新修正的概率的基础上进行的。三、视觉惯性激光雷达由于不同类型的传感器本身都存在的优点和不足，单一模态传感器往往不能实现定位构图等功能，需要多信息结合以获得判断的最佳效果，因此一个有效的多传感器融合算法便成了实现功能的必须考虑，多传感器信息融合能更好地利用各模态传感器数据，进而提高状态估计的准确性和系统的鲁棒性。该系统模块分布示意图，如图6.33所示。将激光雷达和RGB-D相机结合，可以实现激光数据和三维深度数据的同时采集，进而建立激光雷达测距点与深度图像点间的对应关系，对检测数据进行融合，得到环境障碍物的位置。相机从空间中采集三维深度数据，使用针孔相机模型将真实世界中的三维坐标点映射到二维平面以获取深度图像，将数据深度图像转换为虚拟激光测距数据。三、视觉惯性激光雷达图6.33VIL-SLAM系统图授课周次第周授课时间2024年月日至2024年月日课程章节第6章机器人感知系统智能化6.2机器人感知系统控制6.2.1机器人感知系统概述6.2.2主控电路设计6.2.3多传感器接口设计6.2.4UML机器人感知系统设计6.2.5传感器通讯模块设计6.2.6控制系统硬件设计6.2.7控制系统软件设计教学目的1、掌握机器人感知系统基本结构；2、了解机器人感知系统硬件设计；3、了解机器人感知系统软件设计。内容提要及板书设计第6章机器人感知系统智能化6.2机器人感知系统控制6.2.1机器人感知系统概述6.2.2主控电路设计6.2.3多传感器接口设计6.2.4UML机器人感知系统设计6.2.5传感器通讯模块设计6.2.6控制系统硬件设计6.2.7控制系统软件设计重点、难点及解决方案重点：机器人感知系统基本结构难点：机器人感知系统硬件设计教学内容时间分配序号教学内容1机器人感知系统基本结构402机器人感知系统硬件设计203机器人感知系统软件设计3045教学手段讲解教学形式（在右栏勾选）理实一体（）理论教学（）实验（）实训（）上机（）作业作业完成方式书面（）电子（）教学后记附页：第周序号具体内容（课堂组织和教学过程设计）授课改进意见及实时教学效果记录6.2机器人感知系统控制6.2.1机器人感知系统概述物理层：也叫做传感器层，负责原始信号的采集，获取物理世界的信息；应用服务层：把采集到的信息进行局部功能封装，成为具有特定服务功能的模块；应用开发层：借助第三方开发工具、算法等对下层的功能模块进一步集成；应用层：面向最终的用户，针对具体应用定制自己的系统。相互合作型可以分为四类：一、水平型合作：每个模块可以独立获取问题决策而不必依赖于其他模块，而它与其他模块的合作可以增加决策的可信度；二、树型合作：一个高级的模块必须依靠低级的模块才能获得问题的决策；三、递归型合作：为了取得问题的决策各模块之间具有相互依赖的关系；四、混合型合作：它是前三种合作类型的有机结合。6.2.2主控电路设计主控模块主要是进行各种信息数据的处理，可以让每一个功能模块都能更好的来完成它们各自的任务。ARM是通常意义所说的高效能RISC，使用了经过精简设计的指令系统，基于该芯片的微控制器在功耗和体积上都大大减小，设计也可以更加简洁；DSP是数字信号处理器，顾名思义，DSP只负责数字信号处理，难以实现和普通处理器一样的通用计算；PLC是可编程逻辑控制器，PLC和工控机在控制性能上都很优异，二者缺点是相较于微处理器，其体积和功耗更大，价格更贵。6.2.3多传感器接口设计不同应用场景下满足各类机器人传感功能的接口设计，包括气体传感器、温度传感器、超声波传感器等。气体传感器化石能源生产和消耗环境气体检测主要分三大类氧气检测有毒气体检测可燃性气体检测气体传感器是消防机器人感知系统的重要组成部分，用于获取环境中的气体信息。传感器将特定气体的浓度这样的非电信号转化为对应的电信号，控制器在采集到该电信号后，再经过一些转化和运算，就可以得到实际的检测数据。一般按照不同的检测原理，将常用的气体传感器分为半导体气体传感器半导体气体传感器的内部一般有半导体气敏元件、加热丝等，其中气敏元件是核心器件；外部会配有防暴网。气敏元件与特定的气体接触后，气体会在其表面吸附，并发生反应，导致其性质发生改变，此类传感器就是利用该原理来检测气体。电化学气体传感器电化学气体传感器利用待测气体在电极处发生氧化或者还原反应而产生电流的原理，来检测气体的浓度和成分。催化燃烧式气体传感器催化燃烧式气体传感器是在一定的温度下，使可燃性气体在其表面催化燃烧，对所有可燃性气体都有反应。红外式气体传感器等。红外式气体传感器利用的原理是：被测气体由于其分子结构不同、浓度不同和能量分布的差异而有各自不同的吸收光谱或热效应，从而实现气体浓度测量的。下表是各类气体传感器的优缺点比较：温度传感器当机器人在高温环境下长时间工作，车内电路系统温度会逐渐升高，如电机、驱动器、其他传感设备及相关外设电路等，若保护措施不当，这些设备长时间的工作可能产生损坏。针对此问题，考虑在控制舱内选几个地方放置温度传感器，以监控车内温度是否过高。通过保护机构，车内温度不会过高，会控制在几十摄氏度范围内，常见的数字温度传感器如DS18B20，其体积小，硬件开销低，精度高，最大精度可达0.0625°Ｃ，抗干扰能力强，完全可以满足设计要求。超声波传感器机器人在行进过程中，有时会遇到各种障碍物、崎岖路段，为保证车体顺利前进，不被障碍物阻隔，或者遇到洼地、较大的坑时被陷入无法动弹，我们需要增加一些测距传感器，测量车体与前方物体的距离，通过距离大小来判断机器人周围路段情况。当判断出前方有较高较大阻碍物，或者深坑、洼地等不良路面时，机器人需要提前避开，当阻碍物较低较小，或者路面情况良好时，机器人可以直接碾过去，因此还需注意传感器在车体上的安放位置。障碍物的距离主要通过传感器探测后将信息传递给微控制器，目前机器人常用的测距方式可分为接触式测距和非接触式测距。接触式测距：不适用本设计，因此不考虑该方式。非接触式测距方法：主要包含视觉、红外、激光、超声波等视觉测量处理的信息很大，使用困难；红外测距的优点是灵敏度高、响应快等，但是红外传感器受环境的影响较大，测量的方向性和距离都无法满足要求；激光测距虽然测量距离远，但是安装精度要求高、价格昂贵；超声波测距具有数据处理简单、环境适应性强，较好的方向性和价格便宜等优点，因此选用超声波测距的方法来检测障碍物的方位。6.2.4UML机器人感知系统设计UML是一种用于指定、可视化、构造和记录软件系统工件的语言，以及用于业务建模和其他非软件系统的语言。UML代表了一系列在大型复杂系统建模中证明成功的最佳工程实践。这里需要注意的重要一点是，UML是一种“语言”，而不是一种方法或过程。UML建模中视图之间的架构蓝图交互主要包含以下几个方面：（一）逻辑视图，解决了系统的功能需求，是设计模型的抽象，并确定了主要的设计包、子系统和类；（二）实现视图，从打包、分层和配置管理的角度描述组织中的静态模块；（三）进程视图，处理系统运行时任务、线程或进程的并发方面及其交互；（四）部署视图，显示底层平台或计算节点中各种可执行文件和其他运行时组件的映射；（五）用例视图，在初始阶段和精化阶段推动架构的发现和设计，稍后将用于验证不同的视图。机器人感知系统的UML描述整个UML建模可以分为概念级、逻辑级以及物理级这三个建模过程：图6.37UML建模图形类别概念级：确定所需解决的问题以及目标，常采用黑盒方式确立角色和用例，然后绘制用例图，角色可以是人，也可以是物，机器人感知系统中的用户是普通用户和设计人员，用例是系统所提供的功能模块。逻辑级：详细分析用例的基本信息和工作流程，整个分析过程可以分为静态描述和动态描述。其中静态描述主要是明确系统的关键要素，可以使用类图、对象图等进行描述，感知系统的关键要素为：微处理器、存储器、总线、接口等，他们之间的关系为关联关系，接口可以派生出键盘、显示器、以太网等多个子模块。在明确关键要素的基础上进一步描述他们的属性及功能。物理级：这个阶段主要考虑系统的实际结构以及物理部署，包括设备之间的连接、分布情况、组件之间的物理关系。机器人感知系统的设计是软硬件互相嵌套的组合方式，我们将从中抽取相对固定的组件以及组件端口，可以组合出多样化的感知系统，同时组件可以分散提前开发，加快组合速度，并且可以外购线程组件以降低成本，为感知系统的模块化设计提供一些基础。6.2.5传感器通讯模块设计短距离无线通信技术有三大特点和优势：低功耗、消费、低成本、点对点通信。短距离无线通信技术包括：UWB、蓝牙、Wifi、Zigbee等。短距离无线通信方式可用于物联网。物联网中使用的节点之间的通信方法或无线传感器网络是一种短程无线射频网络。当节点获取信息时，处理后的信息将通过无线通信逐跳发送给感兴趣的网络用户。广泛应用于远程环境监测、远程故障诊断、军事战场、医疗卫生、救灾、公共场所、安全等领域。本小节将介绍各传感器与上位机通信模块的设计。通信原理无论是数据传输还是视频传输，都需要通过无线发射模块和无线接收模块来实现，其工作原理如图6.38所示。无论是数据传输还是视频传输，都需要通过无线发射模块和无线接收模块来实现：数传模块和图传模块均有独立的一套无线发射器和无线接收器，其各自有一个互不干扰的传输频段，设定好工作频段即可实现信号在无线模块之间传输。图6.38机器人无线通信模块选择无线数传时，无线传输模块既可作发射器，也可作接收器，信号可在两个模块之间双向发射和接收，而无线图传时，发射器与摄像头连接，接收器与显示器连接，由于无需给摄像头下达控制指令，所以图像信息是单向传输。数传模块采用高性能LoRa扩频芯片SX1276，采用高效的循环交织纠检错编码，抗干扰和灵敏度都大大提高。图传模块采用AOMWAY5.8G1W无线图传。图6.39机器人数传模块图6.40机器人摄像头与图传模块ZigBee通信模块ZigBee通信模块是制造无线电源条以减少备用功率的最合适的网络模块，因为它能够构建基于IEEE802.15.4标准的低成本低功耗网络。ZigBee通信用于通过中间设备进行远距离数据传输。nRF2401通信模块nRF2401芯片是一种高度集成的半双工多通道无线通信芯片。它包含一个高速单片机和高性能射频核心。它的特点是接收机灵敏度高，发射功率和数据传输速率高。它支持与单片机的数据接口。基于nRF24L01的传感器节点的设计是对短距离通信的补充在节点或网关之间。该节点包括嵌入式微处理器、外围硬件设备、应用软件和其他组件。这个系统主要实现以下三个功能：1）节点作为传感器节点，采集数据从环境中获取数据，并通过电信将数据发送到另一个节点或网关。2）节点采集的数据可以直接发送到计算机终端。3）节点从接收订单用户和进行执行准备。6.2.6控制系统硬件设计一、硬件模块化设计基本原则（一）结构分离原则（软硬件分离原则）：分级别、分层次结构分离原则是考虑机器人系统设计的分工和效率。目前现有的机器人系统专用性强，通常采用源自专业领域的整体系统设计方法。按照模块化机器人系统的设计思想，首先应该完成机器人结构分离，将软件与硬件系统分离开来以便于进行独立设计开发。（二）功能分离原则（通用专用分离原则）：平台无关和平台相关原则功能分离是功能构件体系的基本出发点。（三）复合原则（可组合性）：由于机器人功能具有可以复合的特点，模块化机器人的功能构件应当具有可组合性，即应当具有可以复合的特性。（四）开放原则（可扩展性）：对机器人本身构造来讲，为了提高机器人软件的复用性，实现源码开放，资源共享，一些开源的机器人软件工程获到了快速发展，提出了自己的复用解决方案。二、底层节点模块机器人感知系统节点是传感器与计算机或传感器网络之间连接的桥梁，解决传感器的异构性带来的诸多问题，完成从原始信号到数据的数据流过程，一般是指传感器与计算机或传感器网络之间的硬件连接设备，主要包括传感器信号的转换、调理电路，有时还包括模数转换器以及数据通信的总线接口。节点硬件模块如图所示，其中模拟传感器需要经过信号调理，去除噪声并调整信号电平与模数转换器一致；数字传感器一般可以直接与接口模块的数字接口相连；网络通信接口利用当前的网络协议实现传感器信息的资源共享存储器模块存放电子数据描述，为识别不同的传感器的即插即用服务，设置不同的传感器物理参数，在传感器的设计过程中，应该将这些参数保存在一个数据表格中，便需要的时候去读取即可，同时在必要的时候可以修改相应的参数。三、传感器模块机器人感知系统的硬件平台设计的基本任务是根据其所连接的各种传感器的输出方式设计相应的信号接口处理电路，用于传感器的信号转换和处理。传感器模块总体来说包括执行器、模拟传感器和数字传感器，该模块是直接与物理世界连接的装备，一切信号的来源，实现物理信号到数字信息的转换。（1）模拟传感器接口（2）信号调理（3）模/数转换由于系统的实际处理对象往往都是一些模拟量（如温度、压力、位移、图像等），要使计算机或数字仪表能识别和处理这些信号，必须首先将这些模拟信号转换成数字信号，选AD芯片的时候主要考虑下面两个指标：转换精度。转换时间。数字通信接口模块存储单元处理器模块网络用户接口6.2.7控制系统软件设计前面提到机器人感知系统的交互包括机器人与环境、机器人与人、机器人与机器人之间以及机器人内部的这四种形式的交互，这些不同类别的交互的本质是数据流的传递，统一的语义规范是感知系统不同交互遵循的沟通约束，因此数据描述、用户接口、通信协议的规定是必须考虑的问题。一、机器人操作系统软件设计方法图6.41ROS开发的机器人软件整体架构图（一）感知类节点感知类节点的主要工作是驱动硬件，进行数据预处理，转换成ROS规定的消息格式发布。（二）计算类节点计算类节点主要执行图像处理、决策、导航规划、数据融合等任务，是软件系统的核心，ROS对主要任务类型都有相应的功能包。（三）互执行类节点交互执行类节点的主要任务是处理包括输入、输出、可视化调试在内的人机交互工作，并包含底层控制和执行器驱动节点，控制和驱动执行器执行计算节点发送的指令。传感器软件传感器软件设计可以用STM32芯片为主控器而搭建的硬件控制电路，一切软件控制的程序代码均需写入此控制芯片中。程序采用模块化设计，下面分别介绍各部分的软件设计。气体传感器和温度传感器在上电后，会一直保持检测状态，主控器只需每隔一段时间读取一次即可。定义相应的变量对读取的数据进行保存，再根据前面章节的公式推导，对数据计算后，得到最终的检测值。在得到五个超声波传感器的一组测距值后，将传感器的方位信息和测得的距离值作为模糊控制器的输入，经模糊化处理后，依据前面章节己经建立好的模糊控制规则，推导输出机器人的转弯方向和角度，即可实现机器人的避障。其流程如图6.42所示。图6.42模糊控制流程三、上位机软件（一）虚拟仪器与LabViewLabView最大的特点是采用图形化编程语言，程序以框图形式编写，易学易用。LabView是一种通用的编程系统，具有各种功能强大的函数库，包括数据采集、串行控制、数据显示和存储，甚至还具有网络功能。（二）基于LabView的上位机开发在显示界面上完成对机器人控制指令的发送，和实时显示各项检测数据的波形变化。使用LabView开发平台编写的程序称为VI，LabView是以VI文件为程序单位的，一个VI程序又可以通过调用下级的子VI来扩展程序规模。一个VI由前面板和后面板组成，下面就分别介绍前面板和后面板的设计过程。四、传感器数据描述传感器信息典型的包括识别信息和校准信息。传感器识别信息主要包括传感器的生产厂商、序列号、使用寿命、型号、尺寸大小