智能消殺機器人設計

張恪尹，成瀚，高寶滿，楊賢哲，鄭英

（東南大學 成賢學院，江蘇南京，210088）

0 引言

新型冠狀病毒疫情的暴發，使得消殺工作成為當前亟須解決的重要問題。傳統的消殺方式存在著效率低、安全難以保證等問題，而采用機器人技術進行智能消殺則成為一種備受關注的解決方案。智能消殺機器人可以通過集成多種傳感器和機器學習技術，實現對多種病毒、細菌的高效、自主、安全和可靠的管理。與此同時，該技術還可以有效減少人工消殺的風險，提高消殺的效率和準確性。

疫情的突如其來，導致國內外各地區都無法及時地研發智能消殺機器人，但隨著疫情形勢越來越嚴重，國內外高新技術企業和許多科研單位也都進行了智能消殺機器人的研究和開發，市場上許多新型的智能消殺機器人也層現疊出。比如美國已經研制出的Xenex 公司的LightStrike Germ-Zapping robot，該機器人底盤裝有四個被動輪，移動平臺上裝有高強度氣脈沖紫外線燈和運動傳感器，可對室內進行消毒，同時感知消毒區域是否有人員存在。山東日照的創澤智能的創創智能消毒機器人，特點是仿人型輪式機器人，在機器人背部加裝噴灑裝置，實現對工作區域的噴灑消毒。深圳的優艾智合消毒機器人，特點是輪式移動機器人，移動平臺上配備紫外線消殺管，可實現無人值守，遠程遙控[1]。

消殺機器人涉及的核心技術包括：感知技術、建圖技術、路徑規劃技術、消殺系統技術。

感知技術：消殺機器人能夠通過攝像頭來識別待消殺區域的人員和物體，以實現對消殺場景的感知。

建圖技術：消殺機器人獲取激光雷達和里程計數據，并通過自己的運動來確定自身位置。然后，機器人使用這些數據來構建二維柵格地圖，以幫助機器人更好地了解其周圍環境，并進行路徑規劃的任務。

路徑規劃技術：路徑規劃是消殺機器人自主移動的關鍵技術，通過路徑規劃算法（本系統使用全局Dijkstra 算法配合局部DWA 算法）綜合考慮多種因素，包括地形、障礙物、消殺任務等，為機器人規劃一條最優路徑。

消殺系統技術：消殺系統是消殺機器人的核心，它需要綜合考慮多種因素，包括消殺劑的類型、噴灑量、噴灑方式、紫外光的光照強度等，為機器人提供高效、安全、可靠的消殺服務。本系統使用消毒液噴灑技術和紫外光照射技術相結合。

1 智能消殺機器人設計

1.1 消殺機器人的總體框架構建

智能消殺機器人的總體框架主要包括硬件系統和軟件系統兩個方面。

硬件系統主要包括底盤、傳感器、執行器、消殺裝置等組成部分。底盤是機器人的運動平臺，包括驅動電機、車輪、霍爾編碼器等組件，用于實現機器人的移動和姿態控制。傳感器包括激光雷達、攝像頭等，用于獲取機器人周圍環境的信息。執行器選用吸水棉棒和繼電器，用于控制機器人執行具體的消殺任務。消殺裝置選用噴霧器，用于實現消殺操作。

軟件系統主要包括機器人的控制軟件、感知軟件、路徑規劃軟件和消殺軟件等組成部分。控制軟件控制機器人的移動和姿態。感知軟件處理傳感器獲取的數據，以實現對消殺區域、人員、障礙物等的感知。路徑規劃軟件根據目標區域的地圖信息和感知數據，生成機器人的運動路徑，以實現自主導航。消殺軟件控制消殺裝置的開關和消殺時間，以實現消殺操作。

在整個框架中，機器人的感知和路徑規劃是兩個重要的環節，需要通過各種算法和技術來實現。此外，機器人的安全性、可靠性和智能化程度也是整個框架的關鍵考慮因素。綜合上述分析，將智能消殺機器人系統框圖如圖1 所示。

圖1 消殺機器人系統結構框圖

1.2 硬件選型

上位機選擇NVIDIA Jetson Nano 2GB。下位機選擇Arduino Nano 單片機。驅動電機選擇JGB37-520 直流減速電機。電機驅動芯片選擇TB6612FNG。激光雷達選擇RPLIDARA1。并在直流減速電機上裝載霍爾編碼器實時測速。

2 智能消殺機器人底盤結構

從控制的角度來看，機器人系統可以分為四部分：傳感系統、控制系統、驅動系統、執行機構。而執行機構與驅動系統構成了機器人底盤，也就是本章重點介紹的部分。

2.1 驅動系統

在本智能消殺機器人中，采用電池驅動TB6612FNG 電機驅動芯片進而驅動JGB37-520 直流減速電機作為驅動系統。作為最簡單的能源，電池驅動的優點是：速度變化范圍大，效率高，速度和位姿精度很高。缺點也同樣明顯，不能直接驅動電機[2]。

2.2 執行系統

在執行系統中，兩輪差速模型是最簡單的底盤模型，通常是在底盤兩邊安裝兩個平行的同構動力輪，但考慮到在不添加其他維持平衡的系統的情況下至少需要三個點作為支撐點才能維持機器人的平衡。在底盤的后方兩側安裝了兩個同構動力輪，在底盤前方中間安裝一個萬向輪，由此組成了智能消殺機器人的執行系統[3]。簡易示意圖如圖2 所示。

圖2 三輪差速機器人簡易模型

2.3 差速模型

差速模型可以用來推算機器人的軌跡，通過左右輪編碼器的讀數，可以計算出機器人的位移和轉角。假設機器人在t 時刻的位姿已知，包括位置和姿態，輪距和輪子半徑也已知，同時知道t 時刻左右輪的編碼器讀數，那么就可以推算出t+1 時刻的位姿。

在采樣間隔中，如果機器人的左右輪速不同，那么機器人走過的軌跡就是一個圓弧，如圖3 所示。圖中Xw,Yw為世界坐標系，紅色和綠色坐標軸分別表示機器人的x 軸和y軸，假設機器人在初始時刻的位置為 (x0,y0)，朝向為θ0，兩個輪子的速度分別為vL和vR，運動時間為t。機器人底盤的半軸距為L，則機器人的運動模型可以表示為式(1)圓弧的弧長?SK可以由式(2)和(3)計算出，轉角?θ 可以由式(4)計算出來。

圖3 差速模型示意圖

根據機器人的運動軌跡，我們可以計算出機器人在每個時刻的位置和朝向。假設機器人在時刻t的位置為(x(t),y(t))，在時刻t+dt的位置為 (x(t+dt),y(t+dt))，則機器人在這段時間內轉過的弧長可以近似表示為式（2）：

因此，機器人在整個運動過程中轉過的弧長可以表示為式(3)：

并且，機器人在整個運動過程中轉過的角度可以表示為式(4)：

因此，在推算機器人的軌跡時，可以使用差速模型配合編碼器讀數計算機器人的位移和轉角，然后根據左右輪速不等的假設，計算出機器人走過的圓弧軌跡的弧長和轉角。最終可以得到機器人在t+1 時刻的位姿如圖3 所示。

顯然，在這個圓弧模型中，機器人邊走邊轉過全部的角度，也就是圓弧的圓心到機器人中心的半徑從起始位置，到終止位置，轉過了?θ，先采用向量運算，通過機器人位置，推出圓心位置，然后通過半徑轉了?θ，推導出最終位置，方程組如式(5)所示。

顯而易見，當機器人走直線時，?θ=0，即轉式過的(5角)度不變，則最終位置的橫縱坐標應為其初始位置與其根據行進角度在世界坐標軸上的投影之和[5]。

3 SLAM 建圖與導航

3.1 Gmapping 建圖

Gmapping 算法是一個基于2D 激光雷達（本課題選用RPLIDARA1）使用RBPF 算法建出二位柵格地圖的SLAM算法。該算法可以實時構建室內環境地圖，計算量少，地圖精度高，對激光雷達掃描頻率要求低。依照粒子濾波的思想，地圖信息包含在各粒子之中，因此該算法的算法復雜度也是由粒子數所決定的[6]。

在ROS 中，Gmapping 需要訂閱機器人關節變換話題(/tf) 和激光雷達掃描數據話題(/scan)，發布柵格地圖話題(/map) 。將智能消殺機器人從開機到t 時刻傳感器測量的數據表示為 z1:t(/scan)，里程計的測量值表示為u1:t(/odom)，同時估計地圖信息為m(/map)，運動軌跡狀態為x1:t。由此，SLAM 問題概率能夠被描述為一個條件聯合概率分布，表述如式(6)所示。

為了將SLAM 問題劃分得更細一點，用概率論原理將上述公式進行分解，分解過程如式(7)所示。

式中p(x1:t,m|u1:t,z1:t)表示機器人運動軌跡的估計，p(m|x1:t,z1:t)表示在已知機器人軌跡和傳感器測量數據的情況下對地圖構建的閉式運算，也就是Rao-Blackwellized分解。這樣一來SLAM 建圖就被分解為兩個問題，即機器人軌跡的估計和已知機器人位姿的地圖構建。

通過上述分析，可以知道p(x1:t|u1:t,z1:t)估計了機器人的運動軌跡，接下來使用條件貝葉斯公式和條件聯合概率公式將其繼續分解，結果如式(8)所示。

理論上，xt只與xt-1和ut有關，所以將軌跡估計問題轉化為一個增量估計問題，p(x1:t-1|u1:t-1|u1:t-1,z1:t-1)表示上一時刻機器人的位姿，用上一時刻的粒子群表示。每一個粒子都有運動學模型p(xt|xt-1,ut)進行狀態傳播，以得到每個粒子的預測軌跡。對每個傳播后的粒子，用觀測模型p(zt|xt)進行權重計算歸一化處理，這樣就得到現在時刻的機器人軌跡。之后根據估計的軌跡以及傳感器觀測數據進行地圖構建[7]。

3.2 路徑自主規劃的Dijkstra 算法

作為一種經典的用于解決單源最短路徑問題的算法，它的優點有很多，比如：

正確性：Dijkstra 算法能夠在無向圖中，正確地找到某個源點到其他所有節點的最短路徑。這是因為Dijkstra 算法使用了貪心策略，每次都選擇當前距離源點最近的節點進行擴展，并利用已知的最短路徑來更新其他節點的距離值。

可優化性：Dijkstra 算法的時間復雜度可以通過使用優先隊列等數據結構進行優化，從而達到更快的運行速度。

靈活性：Dijkstra 算法可以用于有向圖和無向圖，并且可以處理帶權圖和不帶權圖。

當然，它的缺點也很明顯，Dijkstra 算法的時間復雜度通常比其他算法高，為O((V+E)logV)，其中V 和E 分別為圖中的節點數和邊數。可能導致機器人路徑規劃的實時性降低。

在智能消殺機器人的應用場景中，實時性很重要，因為機器人需要在短時間內快速響應環境變化并調整路徑。如果路徑規劃算法耗費太長時間，機器人可能無法及時調整路徑，從而無法避開障礙物或到達目標位置，甚至可能導致任務失敗或機器人受損。

對于這種情況，本文嘗試引入啟發式信息以優化Dijkstra 算法。通過引入啟發式信息，機器人有效地減少了搜索范圍，從而降低算法時間復雜度。啟發式信息是指一種對搜索問題的估計，它可以幫助算法更快地找到最優解。

3.3 Dijkstra 算法的優化

在Dijkstra 算法中引入啟發式信息的具體實現步驟包括：定義啟發式函數、初始化最短距離和優先級、計算節點優先級、搜索并更新節點的最短距離、使用優先隊列進行節點排序。

定義一個啟發式函數，該函數用于估算節點到目標節點的距離。常用的啟發式函數有曼哈頓距離、歐幾里得距離等。與曼哈頓距離相比，歐幾里得距離更精確地估算了節點之間的距離，因為歐幾里得距離是兩點在平面上的直線距離，而曼哈頓距離只是兩點在網格狀地圖上的距離。所以本文選用歐幾里得距離為模型定義啟發式函數。將節點n到起點的距離作為節點的估計值，定義為h(n) 函數。設節點n的坐標為(xn,yn)，起點的坐標為(x0,y0)，則節點n到起點的歐幾里得距離為。則節點n的估計值h(n) 為到起點的歐幾里得距離d。通過這樣定義啟發式函數能夠有效減少搜索的節點數量，加快算法的運行速度。

在算法開始之前，將起點的最短距離初始化為0，將所有其他節點的最短距離初始化為正無窮大，并將所有節點的優先級初始化為無窮大。

對于每個節點，我們定義一個優先級f(n)=g(n)+h(n)，其中g(n) 表示起點到節點n的最短距離，h(n) 表示節點n到目標節點的估計距離。

搜索時，我們首先選取優先級最小的節點作為當前節點，并標記該節點為已訪問。然后，更新該節點的相鄰節點的最短距離，并重新計算相鄰節點的優先級。

重復前一步，直到找到目標節點或者未訪問的節點集合為空。至此，完成了定義啟發式函數的所有步驟。

上述引入啟發式信息是使用優先隊列的思想來實現的，即每次從隊列中選取優先級最小的節點作為當前節點。在每次更新節點的最短距離后，機器人會將該節點重新加入優先隊列中，并按照更新后的優先級進行排序。這樣，在每次選擇下一個節點時，算法會優先考慮優先級較小的節點，從而加速算法的運行。

3.4 Dijkstra 算法優化的驗證

完成Dijkstra 算法的優化后，搭載好Dijkstra 算法，控制機器人在相對密閉的空間內移動，使用激光雷達掃描周圍環境獲得數據來構建地圖，在ROS 系統中通過可視化工具RVIZ 可以觀察到地圖逐步被構建出來。生成的地圖如圖4 所示。

圖4 SLAM 建圖例圖

地圖創建好后，在RVIZ 中，可以看到機器人所在的具體位置。在地圖上設置目標位置，機器人就能夠基于啟發式函數改進的Dijkstra 算法自主規劃最優路徑，完美避開障礙物，運動到目標位置。

4 智能消殺機器人整體設計

4.1 機器人移動系統的設計與組裝

首先根據Arduino Nano、TB6612 大小尺寸，確定洞洞板尺寸和安裝位置。確定好架子尺寸之后，進行底盤驅動板的安裝。

其次，移動機器人底盤和電機支架的尺寸根據電機的尺寸、激光雷達的尺寸、Jetson Nano 大小等來確定。確定好尺寸后，打印出亞克力板進行安裝。

4.2 消殺系統的設計

消殺系統由噴霧器、紫外線消毒燈和各類傳感器組成，吸水裝置利用虹吸原理將消毒液從瓶底吸到瓶口，霧化噴灑器由Arduino 通過繼電器控制，它可以通過吸水裝置從下到上吸出消毒液，再經由霧化噴頭將消毒液噴出。系統結構圖如圖5 所示。配合紫外線消毒燈對消殺區域進行一定時間的照射，來實現定點定時消殺的功能。并外接DHT11 傳感器、CO2傳感器實時監測并反饋環境溫濕度數據和空氣的滯留量，讓機器人及時制定合適的消殺方案（控制紫外線照射時間、控制消毒液噴射量）。與此同時，Jetson Nano 會接收攝像頭傳輸的數據，進行實時檢測和分析，獲取目標位置、形狀、顏色等信息。根據目標物體的類型和狀態，通過Arduino 使用相應的消殺方案進行消殺操作。

圖5 消殺系統結構圖

接著，將消殺系統、控制系統和感知系統有機地結合在一起，從而實現自主、高效、智能地消殺操作。這種有機結合可以使它們相互協調，提高整個系統的效率和精度。消殺系統框圖如圖6 所示，展示了整個系統的架構和各個組件之間的聯系。

圖6 消殺系統運行示意圖

通過在消殺裝置下方安裝壓力傳感器，并在上位機上訂閱壓力傳感器傳輸的信息，實現消殺系統與機器人端的通信，獲取壓力變化的信息。當消毒液減少到一定程度后，發出警報并適當減少消毒液噴灑量，保證消毒液的正常噴射功能。

5 結論

本文設計了一個基于ROS 環境、SLAM 建圖和基于啟發式函數改進的Dijkstra 算法導航的智能消殺機器人，將建圖導航功能與消殺系統緊密結合。機器人的軟硬件配合工作，實現了各個模塊的互相協作，提高了消毒殺菌的效率，大大減少防疫工作人員的風險。作為這樣一種高效、智能、安全的消殺工具，具有廣泛的應用前景和推廣價值。