在机器人竞赛领域每一次胜利都不仅仅是荣誉的象征更是对团队技术实力、策略规划与临场应变能力的全面检验。近期我们团队在华南赛区“飞檐走壁”组别中成功斩获区冠这份成绩背后是无数个日夜对机械结构、控制算法、传感器融合与路径规划的深度打磨。本文旨在复盘此次夺冠的核心技术方案与工程实践将备赛过程中的硬件选型、软件架构、算法调优及赛场调试经验系统化地分享出来。无论你是正在备赛的学生团队还是对移动机器人、自动控制感兴趣的开发者都能从中获得一套从零到一构建高性能竞赛机器人的完整方法论。1. 项目背景与“飞檐走壁”赛题解析“飞檐走壁”是近年来在大学生机器人竞赛中兴起的一个极具挑战性的项目。它要求机器人具备在复杂三维空间内运动的能力通常模拟的场景包括攀爬斜坡、跨越障碍、在墙面或特定结构上移动等。其核心挑战在于机器人需要克服重力在非水平面上实现稳定、快速且精准的定位与移动。1.1 赛题核心要求与评分标准本次华南赛区的“飞檐走壁”任务通常包含以下几个关键环节自主启动与初始定位机器人需从指定启动区开始自动识别起始位置。复杂地形穿越包括但不限于不同坡度与摩擦系数的斜坡、连续台阶、模拟“墙壁”的垂直或倾斜平面。任务点操作在移动过程中可能需要触发机械开关、运输小型物品至指定区域或进行视觉识别与抓取。稳定性与速度在完成所有任务的前提下用时最短者获胜。同时机器人在任务执行过程中翻倒、滑落或需要人工干预会被罚时甚至判定任务失败。1.2 技术难点拆解基于赛题要求我们将核心技术难点归纳为以下几点动力与附着系统如何在斜坡、墙面上提供足够的驱动力和附着力防止打滑或跌落。姿态感知与稳定控制机器人需要实时感知自身的俯仰、横滚角度并通过控制算法动态调整重心或轮速以维持稳定。路径规划与运动控制在非结构化地形中规划出一条安全、高效的路径并控制执行机构精确跟踪该路径。环境感知与定位使用摄像头、激光雷达LiDAR、惯性测量单元IMU等传感器实现机器人在比赛场地中的实时定位与障碍物检测。系统集成与可靠性确保机械、电子、软件三大系统在高速、高负载工况下协同工作具备抗干扰能力和故障恢复机制。2. 硬件系统设计与选型硬件是机器人能力的物理基础。我们的设计遵循“可靠优先性能均衡”的原则在成本可控的前提下追求极致性能。2.1 底盘与移动机构“飞檐走壁”的核心在于移动。我们放弃了传统的轮式或履带式底盘采用了麦克纳姆轮Mecanum Wheel结合主动悬挂的方案。麦克纳姆轮提供全向移动能力可以在不改变车身姿态的情况下进行横向平移、斜向移动和原地旋转。这极大地简化了在狭窄空间和复杂地形下的路径跟踪与位姿调整逻辑。主动悬挂系统每个轮子通过独立的舵机或直线电机控制其与车身的相对高度和角度。当机器人攀爬斜坡或应对不平地面时控制系统可以动态调整四轮高度确保所有轮子始终与地面保持有效接触最大化牵引力。关键部件选型清单部件型号/规格选型理由麦克纳姆轮直径100mm聚氨酯胎面提供良好的全向移动性与地面摩擦力。驱动电机直流无刷电机带集成编码器高扭矩、高效率编码器反馈实现闭环速度控制。电机驱动器基于CAN总线的双路直流驱动器支持高功率密度CAN总线简化布线便于集中控制。主动悬挂舵机大扭矩数字舵机如 Dynamixel提供精确的角度与位置控制反馈机器人姿态信息。主控板NVIDIA Jetson Nano / Orin NX强大的算力支持视觉处理与复杂控制算法。传感系统IMU (MPU6050/BNO085) 深度相机 (Intel Realsense D435) 2D激光雷达 (RPLidar A1)IMU提供姿态深度相机提供3D环境信息激光雷达提供2D平面扫描用于SLAM。电源系统4S锂聚合物电池 多路降压模块提供稳定高压大电流降压模块为各子系统供电。2.2 控制系统架构我们采用分层分布式控制架构以提高系统的可靠性和模块化程度。上层决策层 (Jetson) ├── 视觉处理节点 ├── SLAM与定位节点 ├── 全局路径规划节点 └── 任务状态机节点 | v 中层协调层 (STM32F4) ├── 运动学解算模块 ├── 姿态稳定控制模块 (PID/LQR) └── 悬挂系统控制模块 | v 底层执行层 (电机驱动器/舵机控制器) ├── 四轮速度闭环控制 └── 四悬挂位置/力矩控制上层Jetson运行机器人操作系统ROS负责环境感知、高级决策和任务调度。中层STM32作为实时控制核心接收上层的运动指令结合IMU数据进行运动学逆解和姿态稳定控制生成底层执行指令。其高实时性确保了控制的快速响应。底层忠实执行中层的速度、位置或力矩指令。3. 软件算法核心实现软件是机器人的“大脑”。我们基于ROS (Robot Operating System) 搭建了软件框架实现了模块化的算法集成。3.1 环境感知与SLAM在未知或部分已知的赛场环境中实时构建地图并定位自身是关键。# 示例启动SLAM节点的Launch文件片段 (launch/slam.launch) launch !-- 启动激光雷达驱动 -- node pkgrplidar_ros typerplidarNode namerplidar param nameserial_port value/dev/ttyUSB0/ param nameframe_id valuelaser/ /node !-- 启动IMU驱动与数据融合 -- node pkgimu_filter_madgwick typeimu_filter_node nameimu_filter param nameuse_mag valuefalse/ /node !-- 使用 gmapping 进行2D SLAM -- node pkggmapping typeslam_gmapping nameslam_gmapping param namebase_frame valuebase_footprint/ param nameodom_frame valueodom/ param namemap_frame valuemap/ remap fromscan toscan/ /node !-- 发布 base_footprint 到 base_link 的静态变换 -- node pkgtf2_ros typestatic_transform_publisher namebase_to_laser args0 0 0.1 0 0 0 base_footprint laser / /launch我们采用gmapping算法进行2D激光SLAM构建赛场平面的占据栅格地图。同时融合IMU数据以提高在机器人加速、减速时的定位精度。对于需要高度信息的任务深度相机点云数据用于辅助识别特定障碍物或任务道具。3.2 运动控制与姿态稳定这是“飞檐走壁”能力的核心算法层。1. 运动学模型麦克纳姆轮机器人的运动学模型是控制的基础。我们建立了从车身坐标系下的速度指令[vx, vy, ω]到四个轮子转速[w1, w2, w3, w4]的转换矩阵。2. 姿态稳定控制器我们设计了一个串级PID控制器。外环姿态环输入是期望的俯仰/横滚角度在水平面上均为0反馈来自IMU。输出为期望的车身重心调整量或力矩补偿。内环速度环输入是经过运动学解算和姿态环补偿后的各轮期望转速反馈来自电机编码器。输出为电机的PWM占空比或电流指令。// 简化的姿态PID控制逻辑片段 (STM32固件) typedef struct { float kp, ki, kd; float integral; float prev_error; } PIDController; float PID_Update(PIDController* pid, float setpoint, float measurement, float dt) { float error setpoint - measurement; pid-integral error * dt; float derivative (error - pid-prev_error) / dt; pid-prev_error error; return pid-kp * error pid-ki * pid-integral pid-kd * derivative; } // 在主控制循环中 void ControlLoop() { float dt get_loop_time(); // 获取循环周期 // 读取IMU数据 float pitch read_imu_pitch(); float roll read_imu_roll(); // 姿态环PID计算 float pitch_correction PID_Update(pitch_pid, TARGET_PITCH, pitch, dt); float roll_correction PID_Update(roll_pid, TARGET_ROLL, roll, dt); // 将修正量转化为对四个轮子的速度补偿 (Δw1, Δw2, Δw3, Δw4) calculate_wheel_speed_compensation(pitch_correction, roll_correction, comp); // 原始路径跟踪速度 姿态补偿速度 最终各轮目标速度 for(int i0; i4; i) { target_wheel_speed[i] path_speed[i] comp[i]; // 然后送入内环速度PID控制器控制电机 motor_set_speed(i, target_wheel_speed[i]); } }3. 主动悬挂控制根据当前姿态误差和地形预估来自前方深度相机提前调整悬挂高度使车轮更好贴合地面属于前馈控制。3.3 路径规划与任务调度我们使用ROS的move_base框架进行全局和局部路径规划。全局规划器采用global_planner或navfn在已知的栅格地图上规划出一条从起点到目标点的最优路径。局部规划器采用dwa_local_planner或teb_local_planner负责根据实时传感器数据激光、深度避开动态或未映射的障碍物并输出机器人底盘的速度指令[vx, vy, ω]。任务调度由一个有限状态机FSM实现控制机器人“启动 - 导航至A点 - 执行任务A - 导航至B点 - ...”的整个流程确保比赛流程的自动化与鲁棒性。4. 系统集成与调试实战4.1 开发环境搭建# 在Jetson上安装ROS Melodic/Noetic (以Noetic为例) sudo sh -c echo deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main /etc/apt/sources.list.d/ros-latest.list sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 sudo apt update sudo apt install ros-noetic-desktop-full # 初始化rosdep sudo rosdep init rosdep update # 创建ROS工作空间 mkdir -p ~/catkin_ws/src cd ~/catkin_ws/ catkin_make source devel/setup.bash4.2 通信协议与驱动中层STM32与上层Jetson通过串口UART或USB转TTL进行通信协议采用自定义的二进制协议或简单的字符串协议如$v,0.1,0.0,0.05*checksum\r\n表示速度指令。STM32与电机驱动器、舵机之间通过CAN总线或PWM/串口指令通信。 编写对应的ROS驱动节点发布传感器数据如/imu/data和订阅控制指令如/cmd_vel。4.3 标定与参数整定流程轮子里程计标定让机器人直线行走一定距离对比实际移动距离与编码器累计值修正轮子直径和轮距参数。IMU标定在水平静止状态下采集数据计算零偏和比例因子。相机-激光雷达联合标定获取两者之间的坐标变换关系。控制器PID参数整定速度环先整定P使电机能快速响应再加入I消除静差D项谨慎添加以防振荡。姿态环在安全悬空状态下如架起机器人给予一个小角度干扰调整PID参数使机器人能快速、平稳地恢复到水平姿态且无超调或持续振荡。4.4 赛场快速调试清单比赛现场环境多变需有一套快速调试方案电源检查电池电压、各模块供电是否正常。传感器预热与检查IMU、激光雷达、相机启动是否正常数据流是否持续。通信检查ROS节点是否全部正常启动rostopic list和rostopic echo查看关键话题。基础运动测试发送简单的cmd_vel指令检查机器人移动方向是否正确有无异响。地图构建测试在比赛场地相似环境下快速建图检查地图质量。任务流程模拟在不实际执行动作的情况下完整跑一遍任务状态机检查逻辑。5. 常见问题与故障排查在开发与比赛中我们遇到了诸多问题以下是典型问题的排查思路问题现象可能原因排查步骤与解决方案机器人启动后原地旋转或乱跑1. IMU数据未正确初始化或零偏过大。2. 轮子接线顺序错误导致运动学解算错误。3./cmd_vel话题有异常数据发布。1. 检查IMU话题数据静止时角度、角速度是否接近零。重新标定IMU。2. 依次给每个轮子发送正转指令确认实际转向与代码定义一致。3. 使用rostopic echo /cmd_vel查看是否有未知节点发布指令使用rostopic hz检查频率是否异常。爬坡时严重打滑或后翻1. 轮子附着力不足。2. 姿态环PID参数过于激进导致重心调整过度。3. 整体速度过快动力不足。1. 更换胎面更粗糙的轮子或增加配重。2. 减小姿态环的P和D参数增加I参数使调节更平缓。3. 在坡道前降低全局路径规划的最大速度参数。SLAM建图扭曲、定位漂移1. 机器人底盘滑移严重轮式里程计不准。2. 激光雷达安装不稳固数据抖动。3. IMU与激光雷达时间未同步。1. 优化轮子抓地力在SLAM参数中降低对里程计的信任度(odom_alpha)。2. 加固雷达安装支架使用防震材料。3. 检查tf树确保时间戳同步或使用robot_pose_ekf包融合里程计与IMU。执行任务动作失败1. 机械结构卡死或舵机力矩不足。2. 视觉识别定位不准。3. 程序逻辑条件判断有误。1. 手动测试机械机构检查舵机ID和配置是否正确增大舵机电流限值。2. 重新标定相机优化视觉识别算法如调整HSV阈值使用更稳定的特征点。3. 增加调试输出确认状态机切换的条件是否被正确触发。系统运行一段时间后卡死1. 主控板过热降频。2. 内存泄漏或某个ROS节点崩溃。3. 电源电压跌落导致某些模块复位。1. 为Jetson加装散热风扇或散热片监控温度tegrastats。2. 使用top或htop查看内存和CPU占用使用rosnode list和rosnode info检查节点状态。3. 监测电池电压确保电池容量充足检查各降压模块输出是否稳定。6. 最佳实践与工程经验总结回顾整个项目以下几点经验对于成功至关重要仿真先行在实物制作前使用 Gazebo、CoppeliaSim 等工具进行机器人动力学与控制算法仿真能极大降低前期试错成本验证方案可行性。模块化与版本控制机械图纸、电路设计、软件代码全部使用 Git 进行版本管理。软件采用 ROS Package 形式组织每个功能模块独立便于调试和复用。日志记录与可视化充分利用 ROS 的rosbag记录所有传感器和话题数据。比赛或测试中出现问题时可以回放数据包进行离线分析。使用rqt_graph、rviz可视化节点关系和机器人状态直观高效。电源管理为关键部件如主控、传感器设计独立的电源开关或软开关避免因电机等大电流设备启动导致电压骤降而引起系统复位。机械可靠性所有关键机械连接如轮轴、悬挂臂必须使用螺丝胶防止松动。线缆需用扎带固定避免被运动部件缠绕。预留充足的传感器和执行器接口。参数配置文件化所有PID参数、运动学参数、任务坐标等应写入 YAML 或 JSON 配置文件中避免硬编码。这样可以在比赛现场根据不同场地条件快速调整而无需重新编译程序。制定详细的测试流程从单元测试单个电机、单个传感器到集成测试底盘运动、SLAM建图再到系统测试全自动任务流程每一步都有明确的通过标准。夺冠之路是技术、毅力与团队协作的共同成果。本文分享的方案并非唯一解但它是一个经过实战检验的、系统性的解决思路。机器人的世界充满挑战与乐趣希望这篇详实的复盘能为你提供有价值的参考。下一步可以深入探索更先进的算法如基于强化学习的自适应控制、多传感器融合的精密定位等让机器人的能力更上一层楼。