發布日期：2022-05-18 點擊率：130
如果我們希望機器人巡線時動作更平滑，特別是在線條為曲線時，我們可以采用復雜狀態方法，把顏色傳感器的光強度值分為更多的部分，例如可以把5個條件狀態分為10個。最終，我們找出了更多的條件狀態讓EV3來管理，超大的交換模塊在EV3界面中變得非常臃腫。這時就應該使用比例算法了。
實現比例算法
只要與別人談論機器人和巡線，總會出現PID這個術語，它代表比例、積分和微分。但大多數人們所說的PID程序其實都是比例算法的程序。對于EV3來說，比例程序已經足夠了，一個完整的PID程序對于如此簡單的編程語言來說有點過分了(但是確定有人在EV3中實現了PID算法)。
比例算法使用了一點數學知識來計算讓機器人回到線條上所需的修正量，沒有使用設定好的功率值來修正機器人的方向，而是根據顏色傳感器讀取的光值來計算方向變化，如果誤差值較小，則機器人修正量非常小，如果誤差值較大，則修正量也較大。
我們從下表中描述的變量模塊開始講解比例算法。
變量說明
MidRange(中間值)
這是最小和最大光值之間的中間值。如果顏色傳感器已經校準，則最小值為0，最大值為100，中間值將是50.
Gain(增益)
Gain變量用于對誤差的修正進行微調。如果機器人擺動太大，則Gain的值小于1。如果機器人反應不夠快，則可以讓Gain的值稍微高一點，加大修正量。
Power(功率)
Power變量決定了機器人在直線行走時的功率水平，這個值根據機器人的設計應在30 ~ 70間調整。注意不要把值設定得太高，否則機器人可能會飛線。
Error(誤差)
Error變量是從光值中減去MidRange變量計算得來的，當我們對機器人的電機功率進行修正時，就會用到這個變量。
Correction(修正量)
Correction變量是Error變量與Gain變量的乘積。然后要用它調整兩個電機的功率。
這個代碼的邏輯并不難。首先，用顏色傳感器返回的光值減去MidRange(中間值)變量計算出Error(誤差值)。接下來，用計算出來的Error(誤差)乘以Gain(增益)計算出Correction(修正量)。再將Correction(修正量)應用于功率值，然后傳遞給電機模塊，對于電機B，要用Power(功率)值加上Correction(修正量)，而對于電機C，要用Power(功率)值減去Correction(修正量)。請記住，根據我們的機器人設計的不同，需要對Power(功率)、Gain(增益)和MidRange(中間值)進行一些調整。
使用兩個顏色傳感器
到目前為止，所有例子都使用了單個顏色傳感器。但是如果我們添加了第二個顏色傳感器，讓兩個傳感器跨在線上，會怎樣呢？盡管樂高頭腦風暴套裝中只有一個顏色傳感器(如果需要，我們可以單獨購買第二個傳感器)，但并不妨礙我們使用兩個顏色傳感器。
當我們有兩個顏色傳感器時，被安裝在機器人上時要分開，兩個傳感器之間的距離要比巡線的線條稍寬。如果它們的距離太近，那么機器人永遠都不會找到有效的直行狀態；如果它們相距太遠，機器人需要改變方向時則會過度補償。理想情況下，當機器人在線上居中時，兩個傳感器都不會看到線條，它們應該只看到線條旁邊的區域。下圖顯示了安裝了兩個顏色傳感器的機器人。
如果要使用前面提到的復雜狀態方法，我們只需再添加一個切換模塊，每個顏色傳感器都有一個切換模塊，如果我們把顏色傳感器的讀值分為3段(假定顏色傳感器已經校準，傳感器的讀值范圍是0 ~ 100)，則每個切換模塊有3個條件，而對于機器人來說現在共有5個條件，如下表所示。
顏色傳感器
范圍編號
動作
左
0
向左急轉，降低電機B的速度。
左
1
略微向左轉，略微降低電機B的速度。
左和右
2
保持直行，兩個電機速度相同。
右
1
略微向右轉，略微降低電機C的速度。
右
0
向右急轉，降低電機C的速度
機器人啟動時，兩個顏色傳感器應跨在線條兩側。如果機器人啟動時，兩個顏色傳感器都看到了黑色，則機器人會減速，這是因為切換模塊會根據條件減慢兩個電機的速度，試圖上機器人同時向兩個方向轉動。下圖顯示了雙顏色傳感器的EV3程序示例。
顏色傳感器是大多數機器人在比賽場地上導航時最有用的傳感器之一。在一些機器人比賽中，比賽場地墊上布滿了能被顏色傳感器使用的線條。許多參加比賽的選手都會避開使用它們，只是因為在學習使用它們時遇到了一些困難。但是，不可否認，那些在比賽中能夠獲勝的選手都很會利用顏色傳感器。所以，學好、用好顏色傳感器對于機器人的學習與應用至關重要。
推 薦 閱 讀
利用顏色傳感器控制機器人巡線
學會校準顏色傳感器的正確姿勢
如何在巡線和檢測線條應用中安裝EV3顏色傳感器
陀螺儀傳感器在機器人準確轉彎中的應用
如何設計程序來控制機器人準確轉彎
差速轉向機器人不同轉向方式的轉彎計算
如何做好機器人準確轉彎中的轉向設計
機器人直線移動實現中容易忽視的3件事
做好這3點來保證機器人直線移動
如何設計程序來控制機器人直線移動
樂高EV3機器人設計與控制系列往期精彩內容
掃碼求關注
給我好看
米兔機器人，小米進軍STEAM教育領域的一個產品。發布以來也是深受米粉喜愛。同時在后期也一直在跟進發布相關配件。那么顏色傳感器就是結合機器人使用的一款配件。在官網和相關網站有很多的介紹資料，就不再次重復了。我們重點來看對于這個傳感器的拆解，看看他為什么可以識別不同的顏色。
拆開比較簡單，用尖銳的工具按壓尾部白色塊兩邊的橙色點，再輕輕拉開即可。
1.00mm厚的黑色鍍金PCB板，密布些芯片和阻容器件。電池單獨處于尾部，使用1.25mm插座連接主板。
使用了時下流行的type-c接口，方便直接使用手機數據線進行充電。充電電流為100mAh，充電時間為2小時。
主芯片使用了 nordic的N, ARMCortes-MO 32bit 內核，具備低功耗藍牙模式， 接收電流13mA,發射電流10.5mA@0dBm。這個方案用在這個上面算是非常完美了，主芯片的成本在6元以內。
電池方面是鋰聚合物電池，容量為200mAh，官方公布的工作時間為10小時。由于電池使用膠水粘在電池倉內，嘗試了幾次無法拉出，強行拆開會有風險，所以電池就如圖看下吧。
那么下面的圖片就是傳感器最重要的器件了，正面就是三個透明燈珠，從上到下分別是RGB燈，灰度二極管，發光二極管。用一個黑色罩子將三個器件分開，防止相互間干擾。
那么主要的工作原理就這里，大家知道所有顏色都可以通過RGB來組成，同時不同顏色的物體對顏色吸收和反射不一樣。
那么RGB燈就是內含三個不同顏色燈絲的燈。在R（紅色）燈絲點亮的時候，灰度二極管感應物體的對紅色的反射，在依次點亮G(綠色)B（藍色）燈絲，這樣就可以獲取到當前物體對RGB不同顏色的反射值，就可以分辨出當前識別的物體顏色了。這就是最淺顯的原理解釋，當然要想做成產品可還有更多的事情要做。
同時，這個傳感器有懸崖檢測的功能，簡單的來說就是發光二極管發出燈光，然后灰度二極管感應燈光的反射程度來判斷前方是否有障礙物。當有物體的時候燈光就會發射，而沒有物體時候就不會反射。
舉報/反饋
編者按：本文內容來自大道智創CTO邢志偉在雷鋒網(公眾號：雷鋒網)硬創公開課的分享，由雷鋒網旗下欄目“新智造”整理。
避障是指移動機器人在行走過程中，通過傳感器感知到在其規劃路線上存在靜態或動態障礙物時，按照 一定的算法實時更新路徑，繞過障礙物，最后達到目標點。
避障常用哪些傳感器
不管是要進行導航規劃還是避障，感知周邊環境信息是第一步。就避障來說，移動機器人需要通過傳感器 實時獲取自身周圍障礙物信息，包括尺寸、形狀和位置等信息。避障使用的傳感器多種多樣，各有不同的原理和特點，目前常見的主要有視覺傳感器、激光傳感器、紅外傳感器、超聲波傳感器等。下面我簡單介紹一下這幾種傳感器的基本工作原理。
超聲波
超聲波傳感器的基本原理是測量超聲波的飛行時間，通過d=vt/2測量距離，其中d是距離，v是聲速，t是 飛行時間。由于超聲波在空氣中的速度與溫濕度有關，在比較精確的測量中，需把溫濕度的變化和其它因素考慮進去。
上面這個圖就是超聲波傳感器信號的一個示意。通過壓電或靜電變送器產生一個頻率在幾十kHz的超聲波脈沖組成波包，系統檢測高于某閾值的反向聲波，檢測到后使用測量到的飛行時間計算距離。超聲波傳感器一般作用距離較短，普通的有效探測距離都在幾米，但是會有一個幾十毫米左右的最小探測盲區。由于超聲傳感器的成本低、實現方法簡單、技術成熟，是移動機器人中常用的傳感器。超聲波傳感器也有一些缺點，首先看下面這個圖。
因為聲音是錐形傳播的，所以我們實際測到的距離并不是 一個點，而是某個錐形角度范圍內最近物體的距離。
另外，超聲波的測量周期較長，比如3米左右的物體，聲波傳輸這么遠的距離需要約20ms的時間。再者，不同材料對聲波的反射或者吸引是不相同的，還有多個超聲傳感器之間有可能會互相干擾，這都是實際應用的過程中需要考慮的。
紅外
一般的紅外測距都是采用三角測距的原理。紅外發射器按照一定角度發射紅外光束，遇到物體之后，光會反向回來，檢測到反射光之后，通過結構上的幾何三角關系，就可以計算出物體距離D。
當D的距離足夠近的時候，上圖中L值會相當大，如果超過CCD的探測范圍，這時，雖然物體很近，但是傳感器反而看不到了。當物體距離D很大時，L值就會很小，測量量精度會變差。因此，常見的紅外傳感器 測量距離都比較近，小于超聲波，同時遠距離測量也有最小距離的限制。另外，對于透明的或者近似黑體的物體，紅外傳感器是無法檢測距離的。但相對于超聲來說，紅外傳感器具有更高的帶寬。
激光
常見的激光雷達是基于飛行時間的（ToF，time of flight），通過測量激光的飛行時間來進行測距d=ct/2，類似于前面提到的超聲測距公式，其中d是距離，c是光速，t是從發射到接收的時間間隔。激光雷達包括發射器和接收器 ，發射器用激光照射目標，接收器接收反向回的光波。機械式的激光雷達包括一個帶有鏡子的機械機構，鏡子的旋轉使得光束可以覆蓋 一個平面，這樣我們就可以測量到一個平面上的距離信息。
對飛行時間的測量也有不同的方法，比如使用脈沖激光，然后類似前面講的超聲方案，直接測量占用的時間，但因為光速遠高于聲速，需要非常高精度的時間測量元件，所以非常昂貴；另一種發射調頻后的連續激光波，通過測量接收到的反射波之間的差頻來測量時間。
圖一
圖二
比較簡單的方案是測量反射光的相移，傳感器以已知的頻率發射一定幅度的調制光，并測量發射和反向信號之間的相移，如上圖一。調制信號的波長為lamda=c/f，其中c是光速，f是調制頻率，測量到發射和反射光束之間的相移差theta之后，距離可由lamda*theta/4pi計算得到，如上圖二。
激光雷達的測量距離可以達到幾十米甚至上百米，角度分辨率高，通常可以達到零點幾度，測距的精度也高。但測量距離的置信度會反比于接收信號幅度的平方，因此，黑體或者遠距離的物體距離測量不會像光亮的、近距離的物體那么好的估計。并且，對于透明材料，比如玻璃，激光雷達就無能為力了。還有，由于結構的復雜、器件成本高，激光雷達的成本也很高。
?一些低端的激光雷達會采用三角測距的方案進行測距。但這時它們的量程會受到限制，一般幾米以內，并且精度相對低一些，但用于室內低速環境的SLAM或者在室外環境只用于避障的話，效果還是不錯的。
視覺
常用的計算機視覺方案也有很多種， 比如雙目視覺，基于TOF的深度相機，基于結構光的深度相機等。深度相機可以同時獲得RGB圖和深度圖，不管是基于TOF還是結構光，在室外強光環境下效果都并不太理想，因為它們都是需要主動發光的。像基于結構光的深度相機，發射出的光會生成相對隨機但又固定的斑點圖樣，這些光斑打在物體上后，因為與攝像頭距離不同，被攝像頭捕捉到的位置也不相同，之后先計算拍到的圖的斑點與標定的標準圖案在不同位置的偏移，利用攝像頭位置、傳感器大小等參數就可以計算出物體與攝像頭的距離。而我們目前的E巡機器人主要是工作在室外環境，主動光源會受到太陽光等條件的很大影響，所以雙目視覺這種被動視覺方案更適合，因此我們采用的視覺方案是基于雙目視覺的。
雙目視覺的測距本質上也是三角測距法，由于兩個攝像頭的位置不同，就像我們人的兩只眼睛一樣，看到的物體不一樣。兩個攝像頭看到的同一個點P，在成像的時候會有不同的像素位置，此時通過三角測距就可以測出這個點的距離。與結構光方法不同的是，結構光計算的點是主動發出的、已知確定的，而雙目算法計算的點一般是利用算法抓取到的圖像特征，如SIFT或SURF特征等，這樣通過特征計算出來的是稀疏圖。
要做良好的避障，稀疏圖還是不太夠的，我們需要獲得的是稠密的點云圖，整個場景的深度信息。稠密匹配的算法大致可以分為兩類，局部算法和全局算法。局部算法使用像素局部的信息來計算其深度，而全局算法采用圖像中的所有信息進行計算。一般來說，局部算法的速度更快，但全局算法的精度更高。
這兩類各有很多種不同方式的具體算法實現。能過它們的輸出我們可以估算出整個場景中的深度信息，這個深度信息可以幫助我們尋找地圖場景中的可行走區域以及障礙物。整個的輸出類似于激光雷達輸出的3D點云圖，但是相比來講得到信息會更豐富，視覺同激光相比優點是價格低很多，缺點也比較明顯，測量精度要差 一些，對計算能力的要求也高很多。當然，這個精度差是相對的，在實用的過程中是完全足夠的，并且我們目前的算法在我們的平臺NVIDIA TK1和TX1上是可以做到實時運行。?
KITTI采集的圖
實際輸出的深度圖，不同的顏色代表不同的距離
在實際應用的過程中，我們從攝像頭讀取到的是連續的視頻幀流，我們還可以通過這些幀來估計場景中 目標物體的運動，給它們建立運動模型，估計和預測它們的運動方向、運動速度，這對我們實際行走、避障規劃是很有用的。
以上幾種是最常見的幾種傳感器 ，各有其優點和缺點，在真正實際應用的過程中，一般是綜合配置使用多種不同的傳感器 ，以最大化保證在各種不同的應用和環境條件下，機器人都能正確感知到障礙物信息。我們公司的E巡機器人的避障方案就是以雙目視覺為主，再輔助以多種其他傳感器，保證機器人周邊360度空間立體范圍內的障礙物都能被有效偵測到，保證機器人行走的安全性。
避障常用算法原理
在講避障算法之前，我們假定機器人已經有了一個導航規劃算法對自己的運動進行規劃，并按照規劃的路徑行走。避障算法的任務就是在機器人執行正常行走任務的時候，由于傳感器的輸入感知到了障礙物的存在，實時地更新目標軌跡，繞過障礙物。
Bug算法
Bug算法應該是最簡單的一種避障算法了，它的基本思想是在發現障礙后，圍著檢測到的障礙物輪廓行走，從而繞開它。Bug算法目前有很多變種， 比如Bug1算法，機器人首先完全地圍繞物體，然后從距目標最短距離的點離開。Bug1算法的效率很低，但可以保證機器人達到目標。
Bug1算法示例
改進后的Bug2算法中，機器人開始時會跟蹤物體的輪廓，但不會完全圍繞物體一圈，當機器人可以直接移動至目標時，就可以直接從障礙分離，這樣可以達到比較短的機器人行走總路徑。
Bug2算法示例
除此之外，Bug算法還有很多其他的變種， 比如正切Bug算法等等。在許多簡單的場景中，Bug算法是實現起來比較容易和方便的，但是它們并沒有考慮到機器人的動力學等限制，因此在更復雜的實際環境中就不是那么可靠好用了。
勢場法（PFM）
實際上，勢場法不僅僅可以用來避障，還可以用來進行路徑的規劃。勢場法把機器人處理在勢場下的 一個點，隨著勢場而移動，目標表現為低谷值，即對機器人的吸引力，而障礙物扮演的勢場中的一個高峰，即斥力，所有這些力迭加于機器人身上，平滑地引導機器人走向目標，同時避免碰撞已知的障礙物。當機器人移動過程中檢測新的障礙物，則需要更新勢場并重新規劃。
上面這個圖是勢場比較典型的示例圖，最上的圖a左上角是出發點，右下角是目標點，中間三個方塊是障礙物。中間的圖b就是等勢位圖，圖中的每條連續的線就代表了一個等勢位的一條線，然后虛線表示的在整個勢場里面所規劃出來的一條路徑，我們的機器人是沿著勢場所指向的那個方向一直行走，可以看見它會繞過這個比較高的障礙物。最下面的圖，即我們整個目標的吸引力還有我們所有障礙物產生的斥力最終形成的一個勢場效果圖，可以看到機器人從左上角的出發點出發，一路沿著勢場下降的方向達到最終的目標點，而每個障礙物勢場表現出在很高的平臺，所以，它規劃出來的路徑是不會從這個障礙物上面走的。
一種擴展的方法在基本的勢場上附加了了另外兩個勢場：轉運勢場和任務勢場。它們額外考慮了由于機器人本身運動方向、運動速度等狀態和障礙物之間的相互影響。
轉動勢場考慮了障礙與機器人的相對方位，當機器人朝著障礙物行走時，增加斥力， 而當平行于物體行走時，因為很明顯并不會撞到障礙物，則減小斥力。任務勢場則排除了那些根據當前機器人速度不會對近期勢能造成影響的障礙，因此允許規劃出 一條更為平滑的軌跡。
另外還有諧波勢場法等其他改進方法。勢場法在理論上有諸多局限性， 比如局部最小點問題，或者震蕩性的問題，但實際應用過程中效果還是不錯的，實現起來也比較容易。
向量場直方圖（VFH）
它執行過程中針對移動機器人當前周邊環境創建了一個基于極坐標表示的局部地圖，這個局部使用柵格圖的表示方法，會被最近的一些傳感器數據所更新。VFH算法產生的極坐標直方圖如圖所示：
圖中x軸是以機器人為中心感知到的障礙物的角度，y軸表示在該方向存在障礙物的概率大小p。實際應用的過程中會根據這個直方圖首先辨識出允許機器人通過的足夠大的所有空隙，然后對所有這些空隙計算其代價函數，最終選擇具有最低代價函數的通路通過。
代價函數受三個因素影響： 目標方向、機器人當前方向、之前選擇的方向，最終生成的代價是這三個因素的加權值，通過調節不同的權重可以調整機器人的選擇偏好。VFH算法也有其他的擴展和改進，比如在VFH+算法中，就考慮了機器人運動學的限制。由于實際底層運動結構的不同，機器的實際運動能力是受限的，比如汽車結構，就不能隨心所欲地原地轉向等。VFH+算法會考慮障礙物對機器人實際運動能力下軌跡的阻擋效應，屏蔽掉那些雖然沒有被障礙物占據但由于其阻擋實際無法達到的運動軌跡。我們的E巡機器人采用的是兩輪差動驅動的運動形式，運動非常靈活，實際應用較少受到這些因素的影響。
具體可以看 一下這個圖示：
類似這樣傳統的避障方法還有很多，除此之外，還有許多其他的智能避障技術，比如神經網絡、模糊邏輯等。
神經網絡方法對機器人從初始位置到目標位置的整個行走路徑進行訓練建模，應用的時候，神經網絡的輸 入為之前機器人的位姿和速度以及傳感器的輸 入，輸出期望的下一目標或運動方向。
模糊邏輯方法核心是模糊控制器，需要將專家的知識或操作人員的經驗寫成多條模糊邏輯語句，以此控制機器人的避障過程。 比如這樣的模糊邏輯：第一條，若右前方較遠處檢測到障礙物，則稍向左轉；第 二條，若右前方較近處檢測到障礙物，則減速并向左轉更多角度；等等。
避障過程中存在哪些問題
傳感器失效
從原理上來講，沒有哪個傳感器是完美的，比方說機器人面前是一塊完全透明的玻璃，那么采用紅外、激光雷達或視覺的方案，就可能因為這個光線直接穿過玻璃導致檢測失敗，這時候就需要超聲波這樣的傳感器來進行障礙物的偵測。所以我們在真正應用的過程中，肯定都需要采取多種傳感器的結合，對不同傳感器采集到的數據進行一個交叉驗證，以及信息的融合，保證機器人能夠穩定可靠的工作。
除此之外也有其他模式可能導致傳感器失效，比如超聲波測距，一般需要超聲陣列，而陣列之間的傳感器如果同時工作的話，會容易互相產生干擾，傳感器A發射的光波反射回來被傳感器B接收，導致測量結果出現錯誤，但是如果按照順序一個個工作，由于超聲波傳感器采樣的周期相對比較長，會減慢整個采集的速度，對實時避障造成影響，這就要求從硬件的結構到算法都必須設計好，盡可能提高采樣速度，減少傳感器之間的串擾。
還有比如說，機器人如果需要運動的話，一般都需要電機和驅動器，它們在工作過程中都會產生電容兼容性的問題，有可能會導致傳感器采集出現錯誤，尤其是模擬的傳感器，所以在實現過程中要把電機驅動器等設備、傳感器的采集部分，以及電源通信部分保持隔離，保證整個系統是能夠正常工作的。
算法設計
在剛剛提到的幾個算法，很多在設計的時候都并沒有完善考慮到整個移動機器人本身運動學模型和動力學模型，這樣的算法規劃出來的軌跡有可能在運動學上是實現不了的，有可能在運動學上可以實現，但是控制起來非常困難，比如剛剛提到的如果一臺機器人的底盤是汽車的結構，就不能隨心所欲地原地轉向，或者哪怕這個機器人是可以原地轉向，但是如果一下子做一個很大的機動的話，我們的整個電機是執行不出來的。所以在設計的時候，就要優化好機器人本身的結構和控制，設計避障方案的時候，也要考慮到可行性的問題。
然后在整個算法的架構設計的時候，我們要考慮到為了避讓或者是避免傷人或者傷了機器人本身，在執行工作的時候，避障是優先級比較高的任務，甚至是最高的任務，并且自身運行的優先級最高，對機器人的控制優先級也要最高，同時這個算法實現起來速度要足夠快，這樣才能滿足我們實時性的要求。
總之，在我看來，避障在某種程度上可以看做機器人在自主導航規劃的一種特殊情況，相比整體全局的導航，它對實時性和可靠性的要求更高一些，然后，局部性和動態性是它的一個特點，這是我們在設計整個機器人硬件軟件架構時一定要注意的。
讀者提問環節
多機協同的避障策略有哪些？
多機協同避障策略在整個SLAM方向上都還是一個在鉆研的熱點領域，單純就避障來說，目前的方案是，當有兩個或多個機器人協同工作的時候，每個機器人會在一個局部各自維護一個相對的動態地圖，所有機器人共享一個相對靜態的地圖，而對于單個機器人來說，它們會各自維護一個更加動態的地圖，這樣當兩個機器人接近一個位置時，它們會將它們維護的動態地圖合并起來。
這樣子有什么好處呢，比如視覺只能看到前方一個方向，這時候跟后面機器人的動態地圖合并之后，就能看到前后整個局部的動態信息，然后完成避障。
多機協同的關鍵在于，兩個局部地圖之間的分享，就是它們分別在整個相對靜態的全局地圖上是有一小塊一個窗口的位置，到這兩個窗口可能融合的話，會把它們融合在一起，同時去指導兩個機器人的避障。在具體實現過程中，也要考慮整個信息傳輸的問題，如果是自己本身的局部地圖，由于都是本機的運算，速度一般都比較快，如果是兩個機器人協作的話，就要考慮到傳輸的延時，以及帶寬的問題。
避障有無標準的測試標準和指標？
目前就我所了解業界并沒有什么統一的測試標準和指標，我們目前測試的時候會考慮這些指標，比如在單個障礙物或是多個障礙物，障礙物是靜態的或動態的情況下避障效果如何，以及實際規劃出的路徑完美度如何，還有這個軌跡是否平滑，符合我們觀感的效果。
當然，這個最重要的指標我覺得應該避障是否失敗就是成功率的問題，要保證這個避障不管是碰到靜態的或者是動態的物體，然后那個物體不管是什么材質，比如說如果是動態的人，我們穿什么樣的衣服會不會對整個避障功能造成影響，另外就是不同的環境又會有什么樣的影響，比如光線充足或暗淡。對于避障來說，成功率才是最為關鍵的。
雷鋒網原創文章，網頁轉載請注明來自雷鋒網，署名作者和原文鏈接。移動端轉載授權，請聯系雷鋒網公眾號，詳情見轉載須知。
機 器 人 大賽傳感器系統及其選型（循跡、顏色、測距）
這次傳感器選型主要介紹循跡/灰度傳感器、顏色傳感器及各種測距傳感器。
循跡/灰度傳感器
循跡/灰度傳感器（以下簡稱灰度）是通過檢測場地灰度，進而識別場地跡線進行循跡的傳感器。這是一種主動型傳感器，一個探頭發射紅外光或可見光，另一個探頭進行接收，通過探頭接收到的光線強度來判斷場地反射率，也即灰度。
循跡傳感器有很多產品及類型，最常見也最便宜的是以下兩種：
截屏2020-10-13 09.52.06.png (340.18 KB, 下載次數: 9)
下載附件
保存到相冊
2020-10-13 09:53 上傳
這兩種傳感器均使用TCR T5000紅外探頭，特點是……便宜。具體到使用上，強烈不建議使用左邊的傳感器，因為它無法調節靈敏度，難以適應不同的安裝高度和場地反射率。同時，由于一致性比較差，這款灰度的靈敏度有很大的個體差異，可能同一高度上，這個能準確分辨黑白線，那個就始終顯示白色，無法實現多路探測。右邊那款傳感器工作起來性能尚可，靈敏度可調節，有模擬信號和數字信號兩種輸出模式，可以適應不同的場地條件，缺點是體積較大，分辨率和抗干擾能力不算特別強。
特別注意，任何不可調節靈敏度的灰度，都強烈不建議使用！！！
還有一些灰度傳感器，使用了可見光探頭，價格稍貴。工作時，作為TX的LED燈泡發出強烈的白光，使得它擁有較好的抗干擾能力和分辨率。這類產品較多，隨便配一款的圖片了：
截屏2020-10-13 09.52.36.png (120.96 KB, 下載次數: 11)
下載附件
保存到相冊
2020-10-13 10:01 上傳
在精度、靈敏度和抗干擾能力上表現最強的，是漫反射激光循跡傳感器。基本原理都是一樣的，但它采用了激光頭作為TX。缺點是體積大并且價格昂貴，使用不是很多。
截屏2020-10-13 09.52.47.png (671.01 KB, 下載次數: 6)
下載附件
保存到相冊
2020-10-13 09:53 上傳
在正式競賽中，建議使用可調的可見光灰度傳感器。一般作多路使用，以求較好的循跡效果。一般而言，各個探頭間的距離越短，循跡精度越好。
另外，市面上還有多路循跡傳感器出售。此處建議使用可見光灰度傳感器，并且各個探頭的靈敏度可以單獨調節的型號，比如下圖這款。切記，采用TCR T5000探頭的多路循跡傳感器一般是無法使用的，除非各個探頭有單獨的靈敏度調節功能。
截屏2020-10-13 09.52.56.png (168.43 KB, 下載次數: 11)
下載附件
保存到相冊
2020-10-13 10:00 上傳
最后，給大家講一下循跡傳感器的安裝原則。首先，用于直線循跡的探頭一定要盡量遠離機器人的旋轉中心，這樣可以讓車身的歪斜在傳感器處的表現更靈敏；另外，相鄰兩個探頭之間的距離最好不要超過地面跡線的寬度；對于偶數數目的循跡傳感器，可以通過調整中間兩個探頭的距離使得中央部分的循跡更精確。例如我自己用的某型自身寬度為10mm的循跡傳感器，采用四路對20mm寬的跡線進行循線。中間相鄰兩個探頭距離15mm，其余為10mm，對20mm跡線進行循線時，會在偏離中心2.5mm時就產生偏差信號，以使穩態循線更加精確。
順帶一提我自己使用的灰度。我自己使用的是DFRobot出品的“智能灰度傳感器”，價格30rmb，優點是體積小（寬度10mm），并且可以半自動地調節靈敏度。缺點是價格昂貴，靈敏度調節范圍稍小。s
截屏2020-10-13 09.53.05.png (111.89 KB, 下載次數: 9)
下載附件
保存到相冊
2020-10-13 10:00 上傳
顏色傳感器
顏色傳感器也是一種主動傳感器，通過對近距離（2cm以內）的物體發射白色光線，分別接收檢測反射光中的R、G、B色光光強來判斷物體顏色的。在此推薦使用兩款顏色傳感器，均是我本人使用過的型號。分別是左邊的GY-31/TCS3200顏色傳感器和右邊的GY-33顏色傳感器
截屏2020-10-13 09.53.18.png (453.71 KB, 下載次數: 9)
下載附件
保存到相冊
2020-10-13 09:54 上傳
這兩種傳感器使用起來沒有太大的區別，主要在于安裝尺寸以及通訊信號。GY-31是一種廉價的傳感器，尺寸較大，通過若干引腳的高低電平來選擇色光模式，反饋出根據光強變化的脈沖信號，需要單片機進行信號處理；而GY-33成本較高，通過串口進行通訊，體積小、集成度高，可以自動控制傳感器進行信號采集，既可以傳出原始信號也可以直接給出顏色判斷。
不建議使用任何沒有遮光罩的顏色傳感器。
測距傳感器
測距傳感器的類型多種多樣，原理主要包括三角測距法和時間測距法。
最常見的是超聲測距傳感器，采用時間測距法，誰用誰知道有多坑，不建議使用。
另外一種可以可靠運行的就是采用三角測距的“紅外測距傳感器”，基本全部由夏普公司出品，模擬信號輸出，有多種規格，使用方便，在武術擂臺賽上的應用極其廣泛。其基本原理是發射一束紅外激光，然后一個紅外攝像頭對其進行追蹤，根據光點在攝像頭視野中的位置判斷距離，所以這是一種點測距（紅外激光光點）式測距傳感器。淘寶有授權的代理店鋪“SHARP夏普店”進行全系列銷售。
截屏2020-10-13 09.53.30.png (456.2 KB, 下載次數: 9)
下載附件
保存到相冊
2020-10-13 09:54 上傳
采用時間測距法的傳感器一般叫作“飛行時間測距傳感器”或“激光測距傳感器模塊”，一般采用IIC總線進行通訊，也有多種規格，但并沒有專賣店，需要自己去尋找合適的型號。大部分為面測距（激光扇面大約25°）。（夏普也有這類產品，不過產品線較窄，也比較昂貴，SHARP夏普店有售）
作者：南京航空航天大學，周子陽
本文未獲得作者授權，不得轉載
2019/7/6
相關文章跳轉：
機器人大賽動力系統及其選型（電源篇）
機器人大賽傳感器系統及其選型（旋轉編碼器專篇）
機器人大賽傳感器系統及其選型（循跡、顏色、測距）
機器人大賽動力系統及其選型（執行機構篇）（上）
機器人大賽動力系統及其選型（執行機構篇）（中）
機器人大賽動力系統及其選型（執行機構篇）（下）
下一篇： PLC、DCS、FCS三大控
上一篇： 電氣控制線路圖控制原
