基于ROS與深度學習的智能撿球系統設計

陳芬生 孫李生 吳居進

（佛山科學技術學院，廣東 佛山 528000）

一、理論分析與系統方案

上位機采用樹莓派的Raspberry Pi 3 Model B，只有信用卡大小的微型電腦，其操作系統基于Linux，64位的1.4GHz四核ARM Cortex-A53處理器，具有1G RAM緩存，10/100 Mbit/s以太網并自帶無線網絡功能。在上位機上搭載Ubuntu16.04 mate系統，匹配ROS-kinetic版本；ROS 起源于斯坦福大學人工智能實驗室與 Willow Garage 公司的機器人項目，是一個面向機器人的開源操作框架，它的本質就是一個類 Linux 二次操作系統，具有與常規操作系統相似的功能，它能夠提供常用的機器人傳感器或者機器人電機的驅動，幫助實現硬件抽象，同時它也擁有多進程的概念，并提供進程間的相互通信機制，還能夠像 Linux 操作系統一樣提供常用的軟件包與算法包，方便用戶的安裝與調用。此外ROS系統對計算機視覺提供了很好的平臺，不僅支持Opencv、cv_birdge和image_transpor相連接，還提供了物體識別和視覺里程計等算法的功能包，這也是選擇使用ROS系統的優勢所在。

二、系統設計整體框架

啟動樹莓派運行ROS系統，調用語音交互系統，通過語音喚醒，可與系統進行簡單的日常交流；調用Vision中的USB_cam，TensorFlow和OpenCv，可以對不同的物體進行識別，已檢測可以識別鼠標，鍵盤等；當識別到是網球的時候，此時系統將發送信號到下位機，由下位機通過16路PWM舵機驅動器和LM2596S DC-DC直流可調降壓穩壓電源模塊板實現對機械臂的抓取。

三、軟件程序設計

在物體識別方面采用TensorFlow對象檢測API，這是一個基于TensorFlow構建的開源框架，可以輕松構建，訓練和部署對象檢測模型，經實踐調試，該程序可以嵌入到樹莓派上搭載的ROS系統中執行。

cd tensorflow_ws #進入工作空間

catkin_make #進行編譯

roscore #運行節點

roslaunch usb_cam usb_cam-test.launch #打開攝像頭

roslaunch ros_tensorflow ros_tensorflow_classify.launch

#執行識別程序

rostopic echo /result_ripe #接收字符串消息

智能撿球系統測試情況：

1.能精準識別出網球

2.能控制機械臂對網球進行抓取

3.能用語音控制系統，并可進行簡單的語音交流

四、總結

很多球體識別都是直接利用找圓或顏色進行識別，此類方法識別度不高而且容易受到環境的干擾，本文設計的智能撿球系統采用深度學習算法，利用搭建深度卷積神經網絡模型進行識別，更能適應復雜環境，且識別速度和準確率大大提高；并且采用的ROS分布式架構，多語言支持和可伸縮性，將每一個工作進程看成是一個節點，實現了整個機器人多個控制區的緊密連接與消息傳遞機制，大大地簡化了原有的通信方式；通過調用API接口，采用語音模式控制，簡化了對撿球系統的操作。