項目簡介

本項目致力于探索和實現一種高度集成的機器人系統，旨在通過結合現代機器人操作系統（ROS）和先進的硬件組件，解決特定的自動化任務和挑戰。一部分是基于Jetson Orin主板的LIMO PPRO SLAM雷達小車，它具備自主導航、地圖構建和路徑規劃的能力；另一部分是Mycobot 280 M5機械臂，這是一個具有六自由度、工作半徑280mm的緊湊型機械臂，能夠進行精確的物品搬運和操作。

通過將這兩部分緊密集成，我們創建了一個能夠執行復雜任務的復合機器人系統，如自動化物品傳送、環境監測、以及其他需要高度自主性和操作靈活性的應用場景。

項目的開發過程中，我們深入探討了ROS的強大功能，包括但不限于使用move_base實現的自主導航，以及gmappping_ros進行的實時SLAM（同時定位與地圖構建）.還涉及到機械臂的控制和計算機視覺技術的應用，用于物體識別和環境感知，從而提高機器人的操作智能和適應性。

項目希望能夠為技術愛好者、教育工作者和研究人員提供一個實用的參考，激發更多的創新思路和應用探索。

技術和硬件概述

myCobot 280 M5Stack。
myCobot 280 是由Elephant Robotics 開發的6自由度的協作形機械臂，設計靈活且功能強大，特別適合用于教育，研究等場景。

myCobot 280 M5支持多種編程和控制方式，適用于各種操作系統和編程語言，包括：

主控和輔控芯片：ESP32

性能：工作半徑280mm，

支持藍牙（2.4G/5G）和無線（2.4G 3D Antenna）

多種輸入和輸出端口

支持自由移動、關節運動、笛卡爾運動、軌跡錄制和無線控制

兼容操作系統：Windows、Linux、MAC

支持編程語言：Python、C++、C#、JavaScript

支持編程平臺和工具：RoboFlow、myblockly、Mind+、UiFlow、Arduino、mystudio

支持通信協議：串口控制協議、TCP/IP、MODBUS

這些特性使myCobot 280 M5成為一個多功能、易于使用且適用于多種應用場景的機器人解決方案。

LIMO Pro

松靈機器人LIMO代表了移動機器人領域的一項創新，將靈活性和強大的功能集成于一個緊湊的平臺之中。它是專為機器人教育、功能研發及產品開發而設計的全球首款ROS開發平臺，能夠適應更廣泛的場景并滿足行業應用的需求。以下是對Limo Pro硬件和技術特性的詳細概述：

運動模態

四輪差速- 阿克曼轉向- 履帶型移動- 麥克納姆輪移動
場景適用性

適用于多種實擬教學和測試環境- 從室內平整地面到復雜地形均能靈活應對
處理器

NVIDIA Jetson Orin Nano
傳感器配置

EAI Tmini Pro激光雷達 - 深度相機
主要功能

精確的自主定位 - SLAM建圖 - 路線規劃 - 自主避障 - 自主倒車入庫 - 紅綠燈識別
LIMO利用激光雷達和深度相機進行環境感知，結合NVIDIA Jetson Orin Nano的強大計算能力，實現高精度的SLAM建圖和自主導航。LIMO不僅作為移動平臺執行復雜的導航和搬運任務，其多模態移動能力也大大增強了機器人系統的適用范圍和靈活性。結合Mycobot 280 M5機械臂，LIMO為自動化應用提供了一個高效、可靠的解決方案，無論是在機器人教育、研發還是產品開發領域，都展現出了巨大的潛力和價值。

軟件架構

軟件架構主要分為：導航和建圖，目標檢測，機械臂控制，以及系統集成和通信。這些部分通過ROS（robot operating system）框架進行整合，利用ROS的通信機制（話題，服務，動作）實現模塊間的交互。

ros的通信方式

下圖是整個項目的軟件架構圖，我們來一起來介紹一下具體的功能。

整體主要分為三個模塊，一個是LIMO PRO的功能，二是機器視覺功能處理，三是機械臂的功能。

LIMO PRO Function
Gmapping:

Gmapping是基于濾波SLAM框架的常用開源SLAM算法。Gmapping有效利用了車輪里程計信息，對激光雷達的頻率要求不高，在構建小場景地圖時，所需的計算量較小且精度較高.

建了地圖之后就可以在地圖上進行定位導航了，這一部分的功能主要運用到機器人定位和路徑規劃，ROS提供了一下兩個功能包：

（1）move_base：實現機器人導航中的最優路徑規劃。

（2）amcl：實現二維地圖中的機器人定位。

在上述的兩個功能包的基礎上，ROS提供了一套完整的導航框架。

機器人只需要發布必要的傳感器信息和導航的目標位置,ROS即可完成導航功能。在該框架中,move_base功能包提供導航的主要運行、交互接口。為了保障導航路徑的準確性,機器人還要對自己所處的位置進行精確定位,這部分功能由amcl功能包實現。

在導航的過程中，運用了兩種算法DWA和TEB算法，這兩種算法分別處理全局路徑和局部路徑規劃，來保證小車能夠安全的前進到目的地，避免與障礙物發生碰撞。

myCobot 280 Function

ROS主要支持python和C++兩種編程語言。機械臂的控制主要是基于python當中的pymycobot API 庫。 這個功能很全面的提供了mycobot 280 的控制方法，下面主要介紹幾個常用的方法：

pymycobot API：

下面的兩個方法能夠控制機械臂關節的角度來控制機械臂運動，能單獨控制某個關節的角度，也能夠控制全部關節的角度來運動。

send_angle(id,angle,speed) send_angles(angle_list,speed,mode)

對于要執行一些抓去運動來說，角度的控制是遠遠不夠大的，所以pymycobot還提供了坐標控制，能夠控制機械臂末端在空間上的運動。

send_coord(id,coord,speed) send_coords(coords, speed, mode)

同樣是兩個控制方法第一個可以單個控制機械臂末端X,Y,Z,RX,RY,RZ方向的姿態，這樣可以控制末端機械臂的坐標可以更方便我們做一些抓取的動作。

pymycobot是其中的一種控制方式，比較方便使用。還有一種控制方式是基于ROS框架里邊的MoveIt，它是一個功能強大大的機器人運動規劃框架，包括路徑規劃，運動控制，碰撞檢測，運動學計算等等。下面是一個在MoveIt當中的演示。

Target Detection
vision_opencv - ROS Wiki

此外我們還要對視覺進行處理，在ROS中，opencv_ros和image_transport是處理圖像數據的重要工具和庫，它們在機器人視覺系統和圖像處理中扮演著關鍵角色。

實際上，是使用‘cv_bridge’提供了ROS 和OpenCV之間的接口，cv_bridge允許在ROS消息和OpenCV圖像格式之間進行轉換，從而可以在ROS框架中使用OpenCV進行圖像處理。

在ROS中使用OpenCV時，圖像數據通常是作為ROS消息通過話題發布和訂閱的，因此需要使用cv_bridge來轉換數據格式。下面是一個簡單的示例，展示了如何在ROS節點中訂閱圖像話題，并使用OpenCV對圖像進行處理：

import rospy from sensor_msgs.msg import Image from cv_bridge import CvBridge, CvBridgeError import cv2 def image_callback(msg): try: # Convert ROS image messages to OpenCV image format cv_image = bridge.imgmsg_to_cv2(msg, "bgr8") except CvBridgeError as e: print(e) # Process the image, such as converting it to grayscale gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY) # display image cv2.imshow("Image window", gray) cv2.waitKey(3) # Initialize ROS node rospy.init_node('image_listener') # create CvBridge bridge = CvBridge() # Subscribe to image topics image_sub = rospy.Subscriber("/camera/rgb/image_raw", Image, image_callback) # Entering the ROS event loop rospy.spin()
 

雖然在ROS環境中使用OpenCV進行圖像處理引入了數據格式轉換和節點通信的額外步驟，但這種方式也帶來了更高的模塊化和系統集成的靈活性，使得圖像處理能夠更加方便地與機器人的其他系統和功能集成。

場景介紹

該項目旨在實現一個繼承的自動動畫系統，其中包括一個LIMO pro 和 一個mycobot 280 M5。系統設計使得Limo Pro能夠自主導航至指定位置，到達后，Mycobot 280 M5機械臂執行抓取任務，完成后再返回到起始點或另一個特定位置。

項目流程

1.啟動與初始化：
系統啟動時，先進行自檢，包括Limo Pro的導航系統和Mycobot 280 M5機械臂的功能檢查。

2.導航至目標點：
利用Limo Pro上的SLAM技術和導航算法，根據預設或動態輸入的坐標，規劃一條到達目標點的最優路徑。
Limo Pro自主避開障礙物，沿著規劃的路徑移動至目標點。

3.執行抓取任務：
到達目標點后，使用Limo Pro上的傳感器定位目標物體。
Mycobot 280 M5機械臂根據目標物體的位置，執行抓取動作。這一步驟可能涉及精確的運動規劃，確保抓取成功。

4.返回特定位置：
完成抓取任務后，Limo Pro再次規劃路徑，返回到起始點或移動至另一個指定的位置，以進行物品交付或完成任務。

總結

本系列文章被劃分為兩個部分：首篇文章主要介紹了項目的概念設計、系統架構以及關鍵組件的選擇，為讀者提供了一個全面的項目概覽和技術背景。接下來的文章將深入探討項目的技術細節，包括軟件架構的構建、關鍵技術的應用、系統調試過程以及在開發過程中遇到的挑戰和解決方案。

在下一篇文章中，我們將正式進入項目的技術內核，分享實際的編碼實踐、調試技巧以及面對項目挑戰時的思考和解決策略。敬請期待下篇文章，我們將一起深入這個集成自主導航和機械操作的機器人項目，探索技術的深度與廣度。