手搓网球捡拾机器人：RDK X3带你轻松解锁球场黑科技

一、项目介绍：

本项目致力于打造一款智能网球捡发服务型机器人，帮助提升网球场上的捡球效率，让运动员专注训练的同时，减少人工成本。机器人将具备自主捡球、精准发球和智能定位等核心功能，让捡球变得更高效、更聪明！——兰州交通大学-无尽妙想云团队

二、研究重点：

聪明规划，精准定位

我们采用麻雀算法优化栅格地图，让机器人能以最短路径迅速穿梭球场，灵活避开障碍物，提高捡球效率。同时，结合AMCL（自适应蒙特卡洛定位）算法，减少因定位误差导致的地图失真风险。为了让机器人在完全未知的环境中也能游刃有余，我们研究SLAM算法，使其在移动过程中实时构建地图并精准定位自身位置，让“迷路”成为过去式！

捡球快、准、稳，发球一气呵成

依托国产软硬件平台，我们将主流目标检测算法与ROS机器人操作系统结合，实现捡球与发球一体化智能运作。在机械结构方面，采用创新型收球框+丝杆传输系统，确保网球被精准收集后，顺畅地输送至螺旋上升装置。这套巧妙的设计让机器人边移动边高效捡球，无需停顿，实时锁定目标，确保每一次捡球又快又准！

打造智能模型，自动驾驶演示

组装全新智能网球机器人，并搭载自动驾驶功能，让它真正“活”起来！我们将对机器人进行动态演示，全面测试其在球场上的智能表现，确保它能够稳健执行捡球与发球任务。

升级轮式运动控制，让机器人更聪明

传统PID控制算法已经过时？没关系，我们来优化！采用分层控制策略，在纵向控制中加入RBF神经网络，赋予机器人自学习能力，让它能自主优化运动轨迹，提高控制精度。同时，搭配OpenMV摄像头实时监测路况，编码器电机精准测速，超声波雷达反馈周围距离信息，让机器人在复杂环境中依然能够灵活穿梭，稳定捡球！
title=
title=

三、特色与创新

3.1.1 机器视觉与自主巡航：精准锁定网球

本项目聚焦机器视觉与自主巡航技术的融合，赋予机器人精准的网球定位能力，让它不仅能“看见”网球，还能聪明地追踪并拾取。

如何做到精准定位？

慧眼识球 —— 机器人搭载训练好的视觉模型，利用卷积神经网络（CNN）等算法，精准识别网球的形状、颜色和位置，确保不会错过任何一个球！

实时追踪 —— 机器视觉系统能够持续锁定网球轨迹，分析其位置、速度和加速度，提前预测球的落点，让机器人行动更快、更精准。
深度学习赋能 —— 结合深度学习技术，机器人能更聪明地理解球的运动模式，提高识别稳定性，面对复杂环境也能游刃有余。
自主巡航 —— 机器人根据视觉信息和传感器数据，自主规划路径，灵活避障，始终保持在最佳位置，确保高效捡球。
智能反馈控制 —— 机器人通过持续获取视觉反馈，动态调整自身位置与移动策略，做到精准锁定、快速响应。

title=
title=

3.1.2 轮式机器人运动控制：多传感器融合，精准操控

轮式机器人在复杂环境中运动，受非线性和时变因素影响，单靠单一传感器难以精准掌控。为此，我们采用多传感器融合技术，让机器人具备更强的环境感知与决策能力。

通过整合多种传感器数据，机器人能全方位感知周围环境，实时监测自身状态，确保运动控制既精准又稳定，让它在球场上行动自如，灵活应对各种挑战！

3.1.3 3D打印赋能：快速打造智能机器人

本项目使用SolidWorks建模，自主设计轮式机器人遥控器外壳、车身结构及螺旋柱框架，并借助3D打印技术将设计变为现实。

结合铝型材、中空钢管等金属材料，完成机器人框架、螺旋柱和物料盘的组装。3D打印不仅满足复杂形态与尺寸定制需求，还大幅提升制造精度与效率，让机器人更轻盈、更坚固、更智能！

3.1.4 融合PCB制版技术助力实物制造

本项目对轮式机器人遥控器的PCB电路部分进行了自主设计和制版，并进行了样板打样。这种集成PCB技术的遥控器具有多项优势：

电气性能优化：自主设计的PCB确保了电路布局精确，消除了电气干扰，提高了遥控器的可靠性和安全性。
集成度提升：集成度高，减少了外部组件，优化了体积和重量，使遥控器更加紧凑、轻便，便于携带和操作。
易用性：自主设计无需额外学习，降低了用户的使用门槛，提升了易用性。

该遥控器的设计不仅在轮式机器人控制中取得成功，也为其他机器人控制领域提供了借鉴，预计随着技术的进步，能够在更广泛的领域得到推广应用。

3.1.5 双模式控制适应复杂环境

• 自动模式：机器人采用全局遍历算法，通过摄像头和超声波传感器信息，避开障碍物（如运动员和防护网），确保正常训练，并通过算法遍历场地，完成网球的收集。
• 手动模式：通过遥控器控制机器人行进，适用于复杂区域或突发情况，采用NRF模块和Barsa板，以确保在干扰较大时机器人能够正常工作。

3.2 创新点

3.2.1 依托人工智能算法，实现自动巡回功能

采用人工智能算法优化机器人行为，分析周围环境数据，自主构建策略库，选择最佳路径，避免绕行，提高工作效率。同时，机器人综合考虑任务优先级和能源消耗，减少人工干预，降低巡回成本。

3.2.2 激光雷达自主巡航技术提升安全性与稳定性

引入激光雷达传感器实现自动避障，实时监测环境，确保机器人在复杂环境中安全稳定运行。机器人能够根据环境变化自动调整，避开障碍物并继续工作，提高了安全性和稳定性。

3.2.3 采用丝杆与弹力框网球拾取方式

相比传统的机械臂拾取方式，本项目采用丝杆与弹力框技术，降低了维护成本，并提高了拾球效率。丝杆技术减少机械部件的损耗，弹力框使机器人能灵活移动，适应不同的任务环境，适合预算有限的用户。

3.2.4 电动摩擦轮发球技术：精准高效，稳定发射

本项目采用双伺服电机驱动的旋转摩擦轮，打造高效稳定的网球发射系统。
当网球进入高速旋转的摩擦轮之间，会受到挤压与摩擦力的双重作用，被迅速加速并精准发射。该设计不仅结构简单可靠，还能精准控制发球频率与速度，确保网球发射的稳定性，为训练者提供多样化、可调节的发球模式，助力高效训练！

3.2.5 雷达三维建图：精准感知，智能导航

本项目采用3D激光雷达进行数据采集，通过特征点扫描匹配与非线性优化精确估算机器人运动状态。

激光里程计的输出数据与地图实时匹配，包括直线匹配与平面匹配，确保机器人精准定位，无需额外回环检测，助力高效智能导航！

激光三维雷达建图：精准感知，全景探索

1️⃣ 传感器布置：合理安装3D激光雷达，确保从多个角度全方位扫描环境，采集高精度数据。
2️⃣ 数据采集：启动雷达，获取目标区域的三维点云数据，记录环境中每个点的精确位置。
3️⃣ 数据预处理：对点云数据进行清理和优化，提取关键特征，如障碍物、建筑物等，确保信息清晰。
4️⃣ 建图算法：利用SLAM技术，将传感器数据转化为高精度环境地图，同时实现机器人精准定位。
5️⃣ 地图优化与应用：优化地图精度，存储数据，并用于导航、路径规划、环境监测等智能任务，让机器人行动更高效！

四、功能设计

4.1 网球识别：YOLOv5让捕捉高速网球更精准

利用YOLOv5进行网球识别，是深度学习与计算机视觉的强强结合，能够精准锁定网球位置，即便是高速飞行的球也能轻松捕捉。整个流程涵盖数据准备、环境配置、模型训练、优化调整及效果评估，确保识别高效、精准。

✅ 数据准备：多样化的数据集是训练高性能模型的关键。涵盖不同运动场景、光照条件、轨迹变化的数据，能让模型适应各种复杂情况，提升泛化能力。
✅ 环境配置：选用合适的硬件设备、深度学习框架及优化工具，确保训练过程高效流畅，发挥最大计算性能。
✅ 模型训练：通过调整超参数、优化损失函数、数据增强等手段，使模型深度学习网球特征，提升识别精度。
✅ 优化与评估：不断调整网络结构、优化超参数、测试多种数据集，确保识别的准确性和稳定性，优化实际应用效果。

YOLOv5 以高帧率处理能力见长，能精准适应多场景需求，为体育赛事、智能训练等提供强大的技术支撑，让网球识别更加智能高效

4.2 双控制模式

双控制模式包括自动模式和手动模式，让机器人既能自动执行任务，也能在需要时由人工控制。

• 自动模式：机器人使用全局遍历算法自动扫场，通过摄像头和超声波传感器获取场地信息，避开运动员和障碍物，确保不干扰训练，且能覆盖整个网球场，保证网球的完全收集。
• 手动模式：使用遥控器控制机器人，在复杂区域或遇到意外时进行干预调整。控制器通过NRF模块和Barsa板，提高在干扰环境中的稳定性和灵活性。

4.3 多模式发球

该发球模块支持上旋、下旋、侧旋等多种发球方式，并可调节摩擦轮速度和速度差，以改变球的弧线和频率，实现可控的发球落点和个性化发球。

通过压电加速度传感器，系统获取并处理网球的落点信号，确保准确性并实现定点发球。此设计让球员能精确控制发球的旋转和落点，提高训练与比赛中的技术水平与战术应变能力。

4.3.1 定点顺序发球

球员可从28个发球定位点中选择，并按顺序安排这些点，使发球模块依次执行。此系统增强了发球的灵活性和战术性，为训练和比赛增添变化与挑战，有助于提升球员的技术和应变能力。

4.3.2 定点随机发球

用户可以从28个发球点中选择目标，并让系统随机选择发球点位进行发球。此系统模拟比赛中的多变发球场景，帮助球员提升应对不同发球方向和旋转的能力。通过随机发球，训练更加多样化和有趣，促进发球技术和应变能力的提高。

此外，教练可以根据球员需求设置不同的随机发球方案，提升训练效果，帮助球员更好地适应比赛中的挑战，并激发他们的学习动力。

4.3.3 自定义发球

这款智能发球机支持手机端调节发球的力度、弧度、转速和频率等参数。用户通过手机轻松控制，无需专业调试，节省时间和人力。手机端控制不仅提高了操作便利性，还能根据个人需求快速调整发球设置，提升训练和比赛准备效率。此创新的智能控制方式使训练更加个性化，增强了用户体验并提供了更多训练选择。

4.3.4 PCB制版技术

本团队设计并制作了轮式机器人遥控器的PCB电路，显著提高了电路的稳定性、安全性和集成度。自制的电路使遥控器更小巧、易于维护，并优化了能效管理。这提升了产品的可靠性和用户体验，减少了学习电路知识的需求，为用户提供了更高效、更稳定的操作体验。

4.3.5 半场裁判车

功能：
监督比赛：负责确保比赛有序进行，运动员遵守规则和裁判判决。
裁决比赛局：负责判断球员动作，如球是否出界或犯规等。
记录比分：记录每一局的比分，确保准确性。

做法：
就位：裁判车通常位于底线附近，方便观察球员动作和球的落点。
观察球：观察球员击球和球的落点，确保做出准确判决。
发出判决：判断球是否出界、打中网等，做出相应裁决。
标记得分：报出分数并记录。
处理申诉：如果球员有异议，裁判车会向上级裁判报告并处理。
半场裁判车通过准确裁决和记录，为比赛提供公平、公正的环境。

五、系统实现

5.1 系统总架构

本系统采用本地开发与云端监控结合的软硬件集成方案。感知层使用地平线摄像头模组、超声波雷达和三维雷达建图模组，实现自动驾驶和网球掉落监测，确保迅速捡起网球。控制层采用RDK X3主控，处理采集到的数据。该方案提升了系统智能化水平，增强了自动驾驶精度和可靠性，确保高效、安全的网球捡拾操作。

5.2 软件开发应用

5.2.1 掉落网球识别模型

为解决网球在不同光照下的颜色变化问题，本项目采用OpenCV中的HSV颜色空间进行图像处理。由于网球在BGR颜色空间下颜色不均，难以准确分割，HSV颜色空间提供了更好的解决方案。HSV使用三个参数表示颜色：

色调（Hue）：表示颜色的种类，用角度度量，范围为0°到360°。在OpenCV中，范围为0至180，0°为红色，120°为绿色，240°为蓝色。
饱和度（Saturation）：表示颜色接近光谱色的程度，范围为0至255。值越大，颜色越饱和，越接近原色；值越小，颜色越接近白色。
明度（Value）：表示颜色的亮度，范围从0（黑色）到255（白色）。值越大，颜色越明亮。

在HSV颜色空间中，网球的色调集中在某个狭窄的区间。通过保留这一色调区间，并调整饱和度和明度，能够从图像中准确提取出网球。通过这种方法，可以有效应对光照变化，提升网球识别的准确性。

5.2.2 轮式机器人的姿态控制

在姿态控制中，粒子群算法（PSO）与Simulink模型之间的连接通过粒子（PID控制器的参数）和对应的适应值（控制系统的性能指标）来实现。优化过程如下：

PSO生成粒子群，粒子可以是初始化的或更新后的。
将每个粒子的参数（Kp、Ki、Kd）传递给PID控制器。
使用Simulink模型运行控制器，得到对应的性能指标。
该性能指标反馈到PSO，作为粒子的适应值。
判断是否满足退出条件，若满足，则结束优化。
这一过程通过不断优化PID控制器的参数，提升轮式机器人的姿态控制性能。

粒子群算法中速度和位置是根据下面两个公式进行更新
title=
其中，x表示粒子的位置；v表示粒子的速度；ω为惯性因子；c1、c2为加速度常数；r1、r2为[0,1]区间的随机数；Pt是粒子迄今为止搜索到的最优为止；Gt是整个粒子群迄今为止搜索到的最优为止。

PSO的流程如下：

1.初始化粒子群，随机产生所有粒子的位置和速度，并确定粒子的Pt和Gt。
2.对每个粒子，将其适应值与该粒子所经历过的最优位置Pt的适应值进行比较，若较好，则将其作为当前的Pt。
3.对每个粒子，将其适应值与整个粒子群所经历过的最优位置Gt的适应值进行比较，若较好，则将其作为当前的Gt。
4.按照上面的公式进行速度和位置的更新。
5.如果没有满足终止条件（通常为预设的最大迭代次数和适应值下限值），则返回步骤2；否则，推出算法，得到最优解。

由公式可知：通过姿态和速度传感器测量到实时数据后，通过当前测量数据和上一次测量数据计算出误差，给定一定大小KP（比例）,KI（积分）,KD（微分）三个影响因子的值，引入速度环和位置环，利用串级PID实时调整车辆姿态，使车辆在一定空间内趋于相对平稳的状态。

举例说明：在自动驾驶中引入PID的好处在于，使用常规开环手段控制机器人时，当检测到网球前方有障碍物机器人要进行转向时，会由于速度，障碍物距离等因素发生转向过冲现象，往往发生这种现象的结果是致命的，极有可能影响其他运动员的活动，引发事故。引入PID闭环控制后，在发生此类现象后，KD因子发挥作用，抑制过冲现象，并在纵向层面配合RBF神经网络瞬时降低车速和规划路径，从而避免危险发生。代码如下：

import time
class PIDController:
def init(self, Kp, Ki, Kd, setpoint):
self.Kp = Kp
self.Ki = Ki
self.Kd = Kd
self.setpoint = setpoint
self.error = 0
self.integral = 0
self.derivative = 0
self.last\_error = 0
def update(self, feedback\_value):
self.error = self.setpoint - feedback\_value
self.integral += self.error
self.derivative = self.error - self.last\_error
self.last\_error = self.error
return (self.Kp self.error) + (self.Ki self.integral) + (self.Kd * self.derivative)
def get\_current\_attitude():
获取传感器数据
实际应用中，这里应返回传感器测量的姿态值
例如，可以通过陀螺仪或加速度计获取姿态角度
return 0 示例：假设初始姿态为0度
def apply\_control\_to\_robot(control):
将控制量应用到机器人
实际应用中，这里应设置电机的转速或功率
print(f"Applying control: {control}")
示例：可以将控制量转换为电机控制信号
初始化PID控制器
pid = PIDController(Kp=0.1, Ki=0.01, Kd=0.05, setpoint=90) # 设置PID参数和期望姿态
主控制循环
while True:
从传感器中获取当前姿态
feedback\_value = get\_current\_attitude()
使用PID计算控制量
control = pid.update(feedback\_value)
应用控制量到机器人
apply\_control\_to\_robot(control)
延时一段时间（例如10毫秒），以模拟控制周期
time.sleep(0.01)

5.2.3 轮式机器人的路径控制

在路径规划方面，本项目采用蜘蛛蜂优化算法（SWO）来实现机器人在复杂路况下的最优行进路线。该算法模拟蜘蛛和蜂的行为，通过蜘蛛的网和蜜蜂的飞行路径进行优化搜索，已广泛应用于多个领域。

在网球场这种复杂环境中，传统路径规划算法难以找到最优解，因为复杂的障碍和大规模的搜索空间容易导致局部最优解。SWO算法通过模拟蜘蛛和蜜蜂的行为，能够更高效地探索搜索空间，快速找到全局最优解。

SWO算法的基本步骤如下：

初始化种群：随机生成机器人的初始位置和速度。
评估适应度：计算机器人的适应度值，即路径规划的目标函数值。
更新位置和速度：根据蜘蛛和蜜蜂的行为策略更新机器人的位置和速度。
蜘蛛行为：局部和全局搜索策略更新位置。
黄蜂行为：通过随机和精英搜索策略进一步更新位置。
评估适应度：重新计算每个机器人位置和速度的适应度值。
更新最优解：更新全局最优解和个体最优解。
终止条件：达到预设的迭代次数或停止准则时终止算法，输出最优解。
这种算法相较于遗传算法和粒子群算法，具有更强的全局搜索能力和更快的优化速度，能有效提升机器人在复杂环境下的路径规划效率。
5.2.4 定位系统
轮式机器人通过定位模块ATGM332DR准确获得自己当前的位置，上位机将目标坐标通过数传模块发送给云平台，再由云平台将各类信息下发至APP或PC端。
• 定位模块
ATGM332DR是双模混合定位模块，可以实现GPS定位和北斗定位。其定位精度强，准度高，可以实现分米级的定位。
（2）数传模块
数传模块ATK-LORA-01是LORA无线串口模块，基于扩频技术的超远距离无线传输方案，具有传输距离远，工作功耗低等特点，其优势如下：

支持定点发射，支持省电模式，支持广播和监听功能，支持6级可调空中速率，支持AT指令控制，配置灵活。

5.3 硬件应用

主控采用RDK X3，搭载MPU6050陀螺仪、HC-SR04超声波模块等外设，实现对掉落网球的检测、记录反馈以及复杂路段的自由运动。

遥控器主控使用ESP32模组，MPU6050进行动作识别，摇杆电位器控制小车姿态，OLED显示运行参数。遥控器主要由以下部分组成：

• 外壳：保护内部电路和元件。  
• 按键/按钮：控制设备功能，如开关、方向等。  
• 显示屏：显示设备状态、菜单选项等信息。  
• 指示灯：显示电源、连接状态等。  
• 电池仓：用于电池供电，方便更换。  
• 无线通信模块：通过射频等技术与设备进行通信。  
• 电子电路板：连接按键、无线模块等电子元件，处理操作指令。

5.3.1 摄像头模组

使用RDK X3电路板进行网球识别与回传。识别网球的步骤如下：

启动识别程序：启动RDK X3的视觉系统，用于检测和跟踪网球。
初始化摄像头：确保摄像头正确初始化，以捕捉周围环境图像。
网球检测：RDK X3使用卷积神经网络识别网球。
跟踪网球：检测到网球后，启用跟踪算法追踪网球的移动。
反馈：根据网球的位置和运动，提供反馈。
执行任务：根据网球的位置和轨迹执行任务，如捡球、回传等。
结束识别程序：任务完成后，停止程序，进入待机状态。

5.3.2 RDK X3：小车运动的主控

RDK X3是一款模块化开发板，用于机器人控制、感知、定位和规划等功能。在智能捡球车中，RDK X3负责实现定位、避障和路径规划等功能，通过传感器和算法处理，帮助机器人精确捡拾网球。
RDK X3的作用包括：

. 定位和导航：通过激光雷达、摄像头等传感器，RDK X3实现精准定位和导航，帮助机器人找到网球。
. 避障和安全：利用传感器检测障碍物，确保机器人安全捡拾网球。
. 运动控制：RDK X3实现精确运动控制，使机器人灵活移动。
. 数据处理和决策：RDK X3处理传感器数据，做出决策，调整捡球策略。

5.3.3 北斗和UWB（超宽带）双定位模组

北斗定位模块和UWB定位模块在定位网球时发挥重要作用。

• 北斗定位模块：基于我国自主研发的北斗卫星导航系统，提供全球范围的定位服务。通过接收卫星信号，利用三角定位原理计算位置信息，支持多频点、多系统联合定位，能够在复杂环境中稳定、可靠地提供定位服务。
• UWB定位模块：具有高精度、高实时性和抗干扰性，尤其适用于隧道等复杂环境中的精准定位。
应用：
. 全局定位和场地规划：北斗模块用于室外球场的全球定位，帮助机器人精确识别位置，规划路径，确保安全捡球并有效返回发球位置。
. 精准室内定位和球位置识别：UWB模块提供室内高精度定位，帮助机器人准确识别网球位置，提升捡球效率。
. 动态避障和交互式捡拾：UWB模块实时感知环境，避免障碍物，结合两种定位技术，机器人能够精准捡拾网球并送回发球位置。

通过结合北斗和UWB双定位模组，机器人可实现高精度定位、路径规划、避障和捡拾。