Bob自习室

Appearance

智能设备自动回充电（调研） ​

智能扫地机器人（以云鲸、石头、科沃斯等主流品牌为例）的“自动回充”功能是一个多技术融合的典型应用。其执行过程可以分解为触发条件、路径规划与导航、对接执行三个阶段。

一、触发条件 ​

  1. 低电量阈值：这是最常见的原因。当电池电量低于预设值（通常为 15%-20%），机器人会主动中断清扫，启动回充流程。
  2. 任务完成：整个清扫或拖地任务完成后，自动返回充电座。
  3. 手动指令：通过 App 或物理按键发送“回充”指令。
  4. 基站召回：部分高端型号（如带有自动集尘、自动洗拖布功能的基站）在完成特定任务（如集尘、清洗拖布）后，基站会主动发出信号召回机器人。
  5. 寻找基站失败：在开始清扫前，如果机器人发现电量不足，会先寻找基站充电，此时也触发回充流程。

二、路径规划与导航 ​

我们选择的方案是：基于 SLAM 的智能路径规划。

简单来说，就是如何找到回去的路？

这是技术的核心，不同品牌和型号的方案有差异，但主流可以分为两大类：

方案 A：基于传感器的传统方案（早期及中端型号常用） ​

这种方式不依赖精确的地图，更像是一个“寻踪回家”的过程。

  1. 信号探测：充电座本身是一个信号源。它会持续向前方发射红外线（IR）信号或无线电（RF）信号，形成一个信号扇区。
  2. 盲区规划：当机器人在信号范围内（通常是以基站为圆心，半径 3-5 米的扇形区域），它会通过机身上的红外接收传感器，像“盲人摸象”一样调整方向，直至对准信号最强的中心线，然后沿直线驶向充电座。
  3. 盲区搜索（核心难点）：如果机器人在信号范围外（即“盲区”），它需要依靠其他策略：
    • 沿墙行驶 + 随机碰撞：机器人可能会先移动到房间边缘，然后沿着墙壁行驶，同时探测红外信号。一旦进入信号区，立刻转为上述的信号追踪模式。
    • 基于上次路径的记忆：一些机器人会粗略记录离开充电座时的路径和转弯，尝试反向回溯这段路径。
    • 缺点：效率较低，在复杂环境中可能找不到家，甚至会卡住。

方案 B：基于 SLAM 的智能路径规划（当前主流及高端型号方案） ​

这是像云鲸 J4、石头 G20、科沃斯 X2 等型号采用的方式，体验非常流畅。

  1. 建图与定位：
    • 机器人通过LDS 激光雷达（LiDAR） 或 视觉传感器（VSLAM），在清扫时已经构建了完整的家庭环境地图。
    • 同时，它通过轮子编码器（里程计）、惯性测量单元（IMU） 和激光/视觉数据进行实时定位，始终知道自己在地图中的精确位置（X, Y 坐标和朝向）。
  2. 全局路径规划：
    • 当回充触发时，机器人明确知道充电座在地图中的固定坐标（首次发现充电座时就已标记）。
    • 路径规划算法（如 A、D 算法）会计算从当前位置到充电座坐标的最优路径。这条路径会智能地绕开已知的障碍物和禁区，选择最短、最畅通的路线。
  3. 局部避障与微调：
    • 在沿规划路径行驶时，机器人的前视传感器、3D 结构光或双目视觉系统会实时探测路径上突然出现的障碍物（如人脚、宠物、移动的椅子），并进行动态避让，然后重新规划局部路径。

三、对接执行 ​

找到充电座只是第一步，精准对接是最后的关键一步。这个过程通常分为粗对准和精对准。

  1. 粗对准：通过上述的导航方式，机器人以一定的角度和位置精度驶向充电座。
  2. 精对准与物理导引：
    • 充电座前方有两个突出的金属充电触片，其底座通常设计有物理导轨。
    • 机器人的底部前方有对应的金属接触点，以及配合导轨的凹槽或斜面。
    • 当机器人靠近时，即使有厘米级的偏差，物理导轨也能将机器人的车轮“引导”至正确位置，确保充电触片准确接触。
  3. 信号确认：
    • 部分充电座在机器人驶入时，会通过红外信号告诉机器人“微调左/右”。
    • 当机器人检测到充电触片接通、电压稳定后，会停止所有电机，进入充电状态，并向 App 发送“已成功回充”的通知。

四、技术实践 ​

1. 采购设备汇总 ​

  1. 2D 单线激光雷达
  2. 轮式里程计
  3. 惯性测量单元

2. 软件架构 ​

硬件就绪后，你需要软件。ROS 是机器人操作系统的事实标准，它将硬件驱动、SLAM 算法、路径规划等模块化，极大地简化了开发。

  1. 操作系统：在开发板上安装 Ubuntu， 然后安装 ROS（推荐ROS Noetic用于 Ubuntu 20.04，或ROS2 Humble）。
  2. 驱动：安装你采购的传感器（激光雷达、IMU）的 ROS 驱动包。
  3. SLAM 算法包（核心）：
    • 激光 SLAM：
      • gmapping：经典，适合小范围、线性运动。
      • hector_mapping：对 IMU 和高速运动支持较好，但不优化里程计。
      • cartographer（谷歌出品）：强烈推荐。它专门为低成本的传感器（如 RPLIDAR A1）设计，集成了IMU 和里程计进行多传感器融合，能生成非常高质量的 2D 栅格地图，且提供回环检测，消除累积误差。这正是你需要的。
    • 视觉 SLAM：ORB-SLAM2/3、RTAB-Map（支持深度相机）。
  4. 导航算法包：move_base。它集成了全局规划器（如global_planner）和局部规划器（如dwa_local_planner），可以接收你建好的地图，并指挥你的小车从 A 点移动到 B 点，实现自动回充的路径规划部分。

3. 代码实现 ​

  1. 硬件集成：将所有传感器牢固安装在小车上，正确接线。
  2. 底层驱动开发：
    • 编写/配置电机驱动节点，订阅/cmd_vel（速度指令）话题，并发布/odom（里程计）话题。
    • 配置并启动激光雷达和 IMU 的驱动节点，确保能发布/scan和/imu/data话题。
  3. 传感器融合与 SLAM 建图：
    • 启动cartographer节点。在 ROS 中，你需要编写一个.lua配置文件，在其中明确声明你使用的传感器源：
      lua
      TRAJECTORY_BUILDER_2D.use_imu_data = true -- 启用IMU
TRAJECTORY_BUILDER_2D.use_odometry = true -- 启用里程计
    • 使用rosbag记录/scan、/imu、/odom数据，或者直接遥控小车在办公室内行走。cartographer会实时融合这些数据，构建并优化地图。
    • 建图完成后，使用cartographer的工具将地图保存为.pgm（图像）和.yaml（元数据）文件。
  4. 定位与导航：
    • 启动amcl（自适应蒙特卡洛定位）节点，它负责在已知地图中实时定位你的小车。
    • 启动move_base节点，加载你保存的地图。
    • 此时，你可以在 RViz 可视化工具中，给小车指定一个目标点（比如充电座坐标），move_base就会自动规划路径并控制小车到达。