一、項目介紹：

本項目致力于打造一款智能網球撿發服務型機器人，幫助提升網球場上的撿球效率，讓運動員專注訓練的同時，減少人工成本。機器人將具備自主撿球、精準發球和智能定位等核心功能，讓撿球變得更高效、更聰明！——蘭州交通大學-無盡妙想云團隊

二、研究重點：

聰明規劃，精準定位

我們采用麻雀算法優化柵格地圖，讓機器人能以最短路徑迅速穿梭球場，靈活避開障礙物，提高撿球效率。同時，結合AMCL（自適應蒙特卡洛定位）算法，減少因定位誤差導致的地圖失真風險。為了讓機器人在完全未知的環境中也能游刃有余，我們研究SLAM算法，使其在移動過程中實時構建地圖并精準定位自身位置，讓“迷路”成為過去式！

撿球快、準、穩，發球一氣呵成

依托國產軟硬件平臺，我們將主流目標檢測算法與ROS機器人操作系統結合，實現撿球與發球一體化智能運作。在機械結構方面，采用創新型收球框+絲桿傳輸系統，確保網球被精準收集后，順暢地輸送至螺旋上升裝置。這套巧妙的設計讓機器人邊移動邊高效撿球，無需停頓，實時鎖定目標，確保每一次撿球又快又準！

打造智能模型，自動駕駛演示

組裝全新智能網球機器人，并搭載自動駕駛功能，讓它真正“活”起來！我們將對機器人進行動態演示，全面測試其在球場上的智能表現，確保它能夠穩健執行撿球與發球任務。

升級輪式運動控制，讓機器人更聰明

傳統PID控制算法已經過時？沒關系，我們來優化！采用分層控制策略，在縱向控制中加入RBF神經網絡，賦予機器人自學習能力，讓它能自主優化運動軌跡，提高控制精度。同時，搭配OpenMV攝像頭實時監測路況，編碼器電機精準測速，超聲波雷達反饋周圍距離信息，讓機器人在復雜環境中依然能夠靈活穿梭，穩定撿球！

三、特色與創新

3.1.1機器視覺與自主巡航：精準鎖定網球

本項目聚焦機器視覺與自主巡航技術的融合，賦予機器人精準的網球定位能力，讓它不僅能“看見”網球，還能聰明地追蹤并拾取。

如何做到精準定位？

慧眼識球 ——機器人搭載訓練好的視覺模型，利用**卷積神經網絡（CNN）**等算法，精準識別網球的形狀、顏色和位置，確保不會錯過任何一個球！

實時追蹤 ——機器視覺系統能夠持續鎖定網球軌跡，分析其位置、速度和加速度，提前預測球的落點，讓機器人行動更快、更精準。

深度學習賦能 ——結合深度學習技術，機器人能更聰明地理解球的運動模式，提高識別穩定性，面對復雜環境也能游刃有余。

自主巡航 ——機器人根據視覺信息和傳感器數據，自主規劃路徑，靈活避障，始終保持在最佳位置，確保高效撿球。

智能反饋控制 ——機器人通過持續獲取視覺反饋，動態調整自身位置與移動策略，做到精準鎖定、快速響應。

3.1.2輪式機器人運動控制：多傳感器融合，精準操控

輪式機器人在復雜環境中運動，受非線性和時變因素影響，單靠單一傳感器難以精準掌控。為此，我們采用多傳感器融合技術，讓機器人具備更強的環境感知與決策能力。

通過整合多種傳感器數據，機器人能全方位感知周圍環境，實時監測自身狀態，確保運動控制既精準又穩定，讓它在球場上行動自如，靈活應對各種挑戰！

3.1.3 3D打印賦能：快速打造智能機器人

本項目使用SolidWorks建模，自主設計輪式機器人遙控器外殼、車身結構及螺旋柱框架，并借助3D打印技術將設計變為現實。

結合鋁型材、中空鋼管等金屬材料，完成機器人框架、螺旋柱和物料盤的組裝。3D打印不僅滿足復雜形態與尺寸定制需求，還大幅提升制造精度與效率，讓機器人更輕盈、更堅固、更智能！

3.1.4融合PCB制版技術助力實物制造

本項目對輪式機器人遙控器的PCB電路部分進行了自主設計和制版，并進行了樣板打樣。這種集成PCB技術的遙控器具有多項優勢：

電氣性能優化： 自主設計的PCB確保了電路布局精確，消除了電氣干擾，提高了遙控器的可靠性和安全性。

集成度提升： 集成度高，減少了外部組件，優化了體積和重量，使遙控器更加緊湊、輕便，便于攜帶和操作。

易用性： 自主設計無需額外學習，降低了用戶的使用門檻，提升了易用性。

該遙控器的設計不僅在輪式機器人控制中取得成功，也為其他機器人控制領域提供了借鑒，預計隨著技術的進步，能夠在更廣泛的領域得到推廣應用。

3.1.5雙模式控制適應復雜環境

• 自動模式： 機器人采用全局遍歷算法，通過攝像頭和超聲波傳感器信息，避開障礙物（如運動員和防護網），確保正常訓練，并通過算法遍歷場地，完成網球的收集。
• 手動模式： 通過遙控器控制機器人行進，適用于復雜區域或突發情況，采用NRF模塊和Barsa板，以確保在干擾較大時機器人能夠正常工作。

3.2創新點

3.2.1依托人工智能算法，實現自動巡回功能

采用人工智能算法優化機器人行為，分析周圍環境數據，自主構建策略庫，選擇最佳路徑，避免繞行，提高工作效率。同時，機器人綜合考慮任務優先級和能源消耗，減少人工干預，降低巡回成本。

3.2.2激光雷達自主巡航技術提升安全性與穩定性

引入激光雷達傳感器實現自動避障，實時監測環境，確保機器人在復雜環境中安全穩定運行。機器人能夠根據環境變化自動調整，避開障礙物并繼續工作，提高了安全性和穩定性。

3.2.3采用絲桿與彈力框網球拾取方式

相比傳統的機械臂拾取方式，本項目采用絲桿與彈力框技術，降低了維護成本，并提高了拾球效率。絲桿技術減少機械部件的損耗，彈力框使機器人能靈活移動，適應不同的任務環境，適合預算有限的用戶。

3.2.4電動摩擦輪發球技術：精準高效，穩定發射

本項目采用雙伺服電機驅動的旋轉摩擦輪，打造高效穩定的網球發射系統。

當網球進入高速旋轉的摩擦輪之間，會受到擠壓與摩擦力的雙重作用，被迅速加速并精準發射。該設計不僅結構簡單可靠，還能精準控制發球頻率與速度，確保網球發射的穩定性，為訓練者提供多樣化、可調節的發球模式，助力高效訓練！

3.2.5雷達三維建圖：精準感知，智能導航

本項目采用3D激光雷達進行數據采集，通過特征點掃描匹配與非線性優化精確估算機器人運動狀態。

激光里程計的輸出數據與地圖實時匹配，包括直線匹配與平面匹配，確保機器人精準定位，無需額外回環檢測，助力高效智能導航！

激光三維雷達建圖：精準感知，全景探索

1??傳感器布置：合理安裝3D激光雷達，確保從多個角度全方位掃描環境，采集高精度數據。

2??數據采集：啟動雷達，獲取目標區域的三維點云數據，記錄環境中每個點的精確位置。

3??數據預處理：對點云數據進行清理和優化，提取關鍵特征，如障礙物、建筑物等，確保信息清晰。

4??建圖算法：利用SLAM技術，將傳感器數據轉化為高精度環境地圖，同時實現機器人精準定位。

5??地圖優化與應用：優化地圖精度，存儲數據，并用于導航、路徑規劃、環境監測等智能任務，讓機器人行動更高效！

四、功能設計

4.1網球識別：YOLOv5讓捕捉高速網球更精準

利用YOLOv5進行網球識別，是深度學習與計算機視覺的強強結合，能夠精準鎖定網球位置，即便是高速飛行的球也能輕松捕捉。整個流程涵蓋數據準備、環境配置、模型訓練、優化調整及效果評估，確保識別高效、精準。

?數據準備：多樣化的數據集是訓練高性能模型的關鍵。涵蓋不同運動場景、光照條件、軌跡變化的數據，能讓模型適應各種復雜情況，提升泛化能力。

?環境配置：選用合適的硬件設備、深度學習框架及優化工具，確保訓練過程高效流暢，發揮最大計算性能。

?模型訓練：通過調整超參數、優化損失函數、數據增強等手段，使模型深度學習網球特征，提升識別精度。

?優化與評估：不斷調整網絡結構、優化超參數、測試多種數據集，確保識別的準確性和穩定性，優化實際應用效果。

YOLOv5以高幀率處理能力見長，能精準適應多場景需求，為體育賽事、智能訓練等提供強大的技術支撐，讓網球識別更加智能高效

4.2雙控制模式

雙控制模式包括自動模式和手動模式，讓機器人既能自動執行任務，也能在需要時由人工控制。

• 自動模式：機器人使用全局遍歷算法自動掃場，通過攝像頭和超聲波傳感器獲取場地信息，避開運動員和障礙物，確保不干擾訓練，且能覆蓋整個網球場，保證網球的完全收集。
• 手動模式：使用遙控器控制機器人，在復雜區域或遇到意外時進行干預調整。控制器通過NRF模塊和Barsa板，提高在干擾環境中的穩定性和靈活性。

4.3多模式發球

該發球模塊支持上旋、下旋、側旋等多種發球方式，并可調節摩擦輪速度和速度差，以改變球的弧線和頻率，實現可控的發球落點和個性化發球。

通過壓電加速度傳感器，系統獲取并處理網球的落點信號，確保準確性并實現定點發球。此設計讓球員能精確控制發球的旋轉和落點，提高訓練與比賽中的技術水平與戰術應變能力。

4.3.1定點順序發球

球員可從28個發球定位點中選擇，并按順序安排這些點，使發球模塊依次執行。此系統增強了發球的靈活性和戰術性，為訓練和比賽增添變化與挑戰，有助于提升球員的技術和應變能力。

4.3.2定點隨機發球

用戶可以從28個發球點中選擇目標，并讓系統隨機選擇發球點位進行發球。此系統模擬比賽中的多變發球場景，幫助球員提升應對不同發球方向和旋轉的能力。通過隨機發球，訓練更加多樣化和有趣，促進發球技術和應變能力的提高。

此外，教練可以根據球員需求設置不同的隨機發球方案，提升訓練效果，幫助球員更好地適應比賽中的挑戰，并激發他們的學習動力。

4.3.3自定義發球

這款智能發球機支持手機端調節發球的力度、弧度、轉速和頻率等參數。用戶通過手機輕松控制，無需專業調試，節省時間和人力。手機端控制不僅提高了操作便利性，還能根據個人需求快速調整發球設置，提升訓練和比賽準備效率。此創新的智能控制方式使訓練更加個性化，增強了用戶體驗并提供了更多訓練選擇。

4.3.4 PCB制版技術

本團隊設計并制作了輪式機器人遙控器的PCB電路，顯著提高了電路的穩定性、安全性和集成度。自制的電路使遙控器更小巧、易于維護，并優化了能效管理。這提升了產品的可靠性和用戶體驗，減少了學習電路知識的需求，為用戶提供了更高效、更穩定的操作體驗。

4.3.5半場裁判車

功能：

監督比賽： 負責確保比賽有序進行，運動員遵守規則和裁判判決。

裁決比賽局： 負責判斷球員動作，如球是否出界或犯規等。

記錄比分： 記錄每一局的比分，確保準確性。

做法：

就位： 裁判車通常位于底線附近，方便觀察球員動作和球的落點。

觀察球： 觀察球員擊球和球的落點，確保做出準確判決。

發出判決： 判斷球是否出界、打中網等，做出相應裁決。

標記得分： 報出分數并記錄。

處理申訴： 如果球員有異議，裁判車會向上級裁判報告并處理。

半場裁判車通過準確裁決和記錄，為比賽提供公平、公正的環境。

五、系統實現

5.1系統總架構

本系統采用本地開發與云端監控結合的軟硬件集成方案。感知層使用地平線攝像頭模組、超聲波雷達和三維雷達建圖模組，實現自動駕駛和網球掉落監測，確保迅速撿起網球。控制層采用RDK X3主控，處理采集到的數據。該方案提升了系統智能化水平，增強了自動駕駛精度和可靠性，確保高效、安全的網球撿拾操作。

5.2軟件開發應用

5.2.1掉落網球識別模型

為解決網球在不同光照下的顏色變化問題，本項目采用OpenCV中的HSV顏色空間進行圖像處理。由于網球在BGR顏色空間下顏色不均，難以準確分割，HSV顏色空間提供了更好的解決方案。HSV使用三個參數表示顏色：

色調（Hue）：表示顏色的種類，用角度度量，范圍為0°到360°。在OpenCV中，范圍為0至180，0°為紅色，120°為綠色，240°為藍色。

飽和度（Saturation）：表示顏色接近光譜色的程度，范圍為0至255。值越大，顏色越飽和，越接近原色；值越小，顏色越接近白色。

明度（Value）：表示顏色的亮度，范圍從0（黑色）到255（白色）。值越大，顏色越明亮。

在HSV顏色空間中，網球的色調集中在某個狹窄的區間。通過保留這一色調區間，并調整飽和度和明度，能夠從圖像中準確提取出網球。通過這種方法，可以有效應對光照變化，提升網球識別的準確性。

5.2.2輪式機器人的姿態控制

在姿態控制中，粒子群算法（PSO）與Simulink模型之間的連接通過粒子（PID控制器的參數）和對應的適應值（控制系統的性能指標）來實現。優化過程如下：

PSO生成粒子群，粒子可以是初始化的或更新后的。

將每個粒子的參數（Kp、Ki、Kd）傳遞給PID控制器。

使用Simulink模型運行控制器，得到對應的性能指標。

該性能指標反饋到PSO，作為粒子的適應值。

判斷是否滿足退出條件，若滿足，則結束優化。

這一過程通過不斷優化PID控制器的參數，提升輪式機器人的姿態控制性能。

粒子群算法中速度和位置是根據下面兩個公式進行更新

其中，x表示粒子的位置；v表示粒子的速度；ω為慣性因子；c1、c2為加速度常數；r1、r2為[0,1]區間的隨機數；Pt是粒子迄今為止搜索到的最優為止；Gt是整個粒子群迄今為止搜索到的最優為止。

PSO的流程如下：

1.初始化粒子群，隨機產生所有粒子的位置和速度，并確定粒子的Pt和Gt。

2.對每個粒子，將其適應值與該粒子所經歷過的最優位置Pt的適應值進行比較，若較好，則將其作為當前的Pt。

3.對每個粒子，將其適應值與整個粒子群所經歷過的最優位置Gt的適應值進行比較，若較好，則將其作為當前的Gt。

4.按照上面的公式進行速度和位置的更新。

5.如果沒有滿足終止條件（通常為預設的最大迭代次數和適應值下限值），則返回步驟2；否則，推出算法，得到最優解。

由公式可知：通過姿態和速度傳感器測量到實時數據后，通過當前測量數據和上一次測量數據計算出誤差，給定一定大小KP（比例）,KI（積分）,KD（微分）三個影響因子的值，引入速度環和位置環，利用串級PID實時調整車輛姿態，使車輛在一定空間內趨于相對平穩的狀態。

舉例說明：在自動駕駛中引入PID的好處在于，使用常規開環手段控制機器人時，當檢測到網球前方有障礙物機器人要進行轉向時，會由于速度，障礙物距離等因素發生轉向過沖現象，往往發生這種現象的結果是致命的，極有可能影響其他運動員的活動，引發事故。引入PID閉環控制后，在發生此類現象后，KD因子發揮作用，抑制過沖現象，并在縱向層面配合RBF神經網絡瞬時降低車速和規劃路徑，從而避免危險發生。代碼如下：

1. import time
2. classPIDController:
3. definit(self, Kp, Ki, Kd, setpoint):
4. self.Kp = Kp
5. self.Ki = Ki
6. self.Kd = Kd
7. self.setpoint = setpoint
8. self.error =0
9. self.integral =0
10. self.derivative =0
11. self.last_error =0
12. defupdate(self, feedback_value):
13. self.error =self.setpoint - feedback_value
14. self.integral +=self.error
15. self.derivative =self.error -self.last_error
16. self.last_error =self.error
17. return (self.Kp *self.error) + (self.Ki *self.integral) + (self.Kd *self.derivative)
18. defget_current_attitude():
19. #獲取傳感器數據
20. #實際應用中，這里應返回傳感器測量的姿態值
21. #例如，可以通過陀螺儀或加速度計獲取姿態角度
22. return0 #示例：假設初始姿態為0度
23. defapply_control_to_robot(control):
24. #將控制量應用到機器人
25. #實際應用中，這里應設置電機的轉速或功率
26. print(f"Applying control: {control}")
27. #示例：可以將控制量轉換為電機控制信號
28. #初始化PID控制器
29. pid = PIDController(Kp=0.1, Ki=0.01, Kd=0.05, setpoint=90) #設置PID參數和期望姿態
30. #主控制循環
31. whileTrue:
32. #從傳感器中獲取當前姿態
33. feedback_value = get_current_attitude()
34. #使用PID計算控制量
35. control = pid.update(feedback_value)
36. #應用控制量到機器人
37. apply_control_to_robot(control)
38. #延時一段時間（例如10毫秒），以模擬控制周期
39. time.sleep(0.01)

5.2.3輪式機器人的路徑控制

在路徑規劃方面，本項目采用蜘蛛蜂優化算法（SWO）來實現機器人在復雜路況下的最優行進路線。該算法模擬蜘蛛和蜂的行為，通過蜘蛛的網和蜜蜂的飛行路徑進行優化搜索，已廣泛應用于多個領域。

在網球場這種復雜環境中，傳統路徑規劃算法難以找到最優解，因為復雜的障礙和大規模的搜索空間容易導致局部最優解。SWO算法通過模擬蜘蛛和蜜蜂的行為，能夠更高效地探索搜索空間，快速找到全局最優解。

SWO算法的基本步驟如下：

1. 初始化種群：隨機生成機器人的初始位置和速度。
2. 評估適應度：計算機器人的適應度值，即路徑規劃的目標函數值。
3. 更新位置和速度：根據蜘蛛和蜜蜂的行為策略更新機器人的位置和速度。
4. 蜘蛛行為：局部和全局搜索策略更新位置。
5. 黃蜂行為：通過隨機和精英搜索策略進一步更新位置。
6. 評估適應度：重新計算每個機器人位置和速度的適應度值。
7. 更新最優解：更新全局最優解和個體最優解。
8. 終止條件：達到預設的迭代次數或停止準則時終止算法，輸出最優解。

這種算法相較于遺傳算法和粒子群算法，具有更強的全局搜索能力和更快的優化速度，能有效提升機器人在復雜環境下的路徑規劃效率。

5.2.4定位系統

輪式機器人通過定位模塊ATGM332DR準確獲得自己當前的位置，上位機將目標坐標通過數傳模塊發送給云平臺，再由云平臺將各類信息下發至APP或PC端。

• 定位模塊

ATGM332DR是雙模混合定位模塊，可以實現GPS定位和北斗定位。其定位精度強，準度高，可以實現分米級的定位。

（2）數傳模塊

數傳模塊ATK-LORA-01是LORA無線串口模塊，基于擴頻技術的超遠距離無線傳輸方案，具有傳輸距離遠，工作功耗低等特點，其優勢如下：

支持定點發射，支持省電模式，支持廣播和監聽功能，支持6級可調空中速率，支持AT指令控制，配置靈活。

5.3硬件應用

主控采用RDK X3，搭載MPU6050陀螺儀、HC-SR04超聲波模塊等外設，實現對掉落網球的檢測、記錄反饋以及復雜路段的自由運動。

遙控器主控使用ESP32模組，MPU6050進行動作識別，搖桿電位器控制小車姿態，OLED顯示運行參數。遙控器主要由以下部分組成：

• 外殼：保護內部電路和元件。
• 按鍵/按鈕：控制設備功能，如開關、方向等。
• 顯示屏：顯示設備狀態、菜單選項等信息。
• 指示燈：顯示電源、連接狀態等。
• 電池倉：用于電池供電，方便更換。
• 無線通信模塊：通過射頻等技術與設備進行通信。
• 電子電路板：連接按鍵、無線模塊等電子元件，處理操作指令。

5.3.1攝像頭模組

使用RDK X3電路板進行網球識別與回傳。識別網球的步驟如下：

1. 啟動識別程序：啟動RDK X3的視覺系統，用于檢測和跟蹤網球。
2. 初始化攝像頭：確保攝像頭正確初始化，以捕捉周圍環境圖像。
3. 網球檢測：RDK X3使用卷積神經網絡識別網球。
4. 跟蹤網球：檢測到網球后，啟用跟蹤算法追蹤網球的移動。
5. 反饋：根據網球的位置和運動，提供反饋。
6. 執行任務：根據網球的位置和軌跡執行任務，如撿球、回傳等。
7. 結束識別程序：任務完成后，停止程序，進入待機狀態。

5.3.2 RDK X3：小車運動的主控

RDK X3是一款模塊化開發板，用于機器人控制、感知、定位和規劃等功能。在智能撿球車中，RDK X3負責實現定位、避障和路徑規劃等功能，通過傳感器和算法處理，幫助機器人精確撿拾網球。

RDK X3的作用包括：

1. 定位和導航：通過激光雷達、攝像頭等傳感器，RDK X3實現精準定位和導航，幫助機器人找到網球。
2. 避障和安全：利用傳感器檢測障礙物，確保機器人安全撿拾網球。
3. 運動控制：RDK X3實現精確運動控制，使機器人靈活移動。
4. 數據處理和決策：RDK X3處理傳感器數據，做出決策，調整撿球策略。

5.3.3北斗和UWB（超寬帶）雙定位模組

北斗定位模塊和UWB定位模塊在定位網球時發揮重要作用。

• 北斗定位模塊：基于我國自主研發的北斗衛星導航系統，提供全球范圍的定位服務。通過接收衛星信號，利用三角定位原理計算位置信息，支持多頻點、多系統聯合定位，能夠在復雜環境中穩定、可靠地提供定位服務。
• UWB定位模塊：具有高精度、高實時性和抗干擾性，尤其適用于隧道等復雜環境中的精準定位。

應用：

1. 全局定位和場地規劃：北斗模塊用于室外球場的全球定位，幫助機器人精確識別位置，規劃路徑，確保安全撿球并有效返回發球位置。
2. 精準室內定位和球位置識別：UWB模塊提供室內高精度定位，幫助機器人準確識別網球位置，提升撿球效率。
3. 動態避障和交互式撿拾：UWB模塊實時感知環境，避免障礙物，結合兩種定位技術，機器人能夠精準撿拾網球并送回發球位置。

通過結合北斗和UWB雙定位模組，機器人可實現高精度定位、路徑規劃、避障和撿拾