面向智能加工車間的搬運小車設計

摘要：為解決加工車間人力搬運物料零件效率低、成本高的問題，設計了一種新型的智能車間物流搬運小車。研究內容包括結構設計、電控系統設計和軟件算法三大模塊。小車底盤采用麥克納姆輪，以實現全方位移動，機械臂和機械爪作為執行機構；電控系統采用STM32F407作為主控芯片，結合OpenMV4和M2dock雙視覺模塊進行圖像處理，陀螺儀作為主要傳感器。這些集成部件使物流搬運小車能夠精準識別貨物，并自主完成車間內的物流搬運任務。實驗結果表明，該小車在識別和搬運物料零件方面具有高效性和可靠性，可有效提高車間物流搬運的自動化程度和工作效率。

關鍵詞：物流搬運；智能車間；視覺識別；機械臂；PID算法；麥克納姆輪

中圖分類號：TH112 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2024.07.010

文章編號：1006-0316 （2024） 07-0067-07

Design of Logistics Handling Vehicle Based on Visual Identity

WANG Yongkang，LI Fuhao，YAO Zhen，YIN Luopeng，

CHEN Wenyang，LI Xiaolong，LU Xueyu

（ School of Mechanical Engineering， Jiangnan University， Wuxi 214122， China ）

Abstract：In order to solve the problem of low efficiency and high cost of manual handling of material parts in machining workshops， a new intelligent workshop logistics handling vehicle is designed. The research includes three modules： structure design， electronic control system design and software algorithm. The chassis of the vehicle adopts the Mecanum wheel to realize omnidirectional movement， and the mechanical arm and mechanical claw serve as the executive mechanism. The electronic control system uses STM32F407 as the main control chip， integrating OpenMV4 and M2dock dual vision modules for image processing， with the gyroscope as the main sensor. These integrated components enable the logistics handling vehicles to accurately identify the goods and autonomously complete the logistics handling tasks in the workshop. The experimental results show that the vehicle has high efficiency and reliability in identifying and handling material parts， and can effectively improve the automation level and work efficiency of workshop logistics handling.

Key words：logistics handling；Intelligent workshop；visual identity；robotic arm；PID algorithm；Mecanum Wheel

傳統加工車間的物流搬運過程通常依賴于人力操作，然而，面對大規模加工車間的物流需求時，人力操作可能導致效率低下和企業運營成本增加。同時，目前市場上的大型自動化搬運設備雖然具有一定的自動化程度，但其環境適應性較差且造價昂貴，因此其推廣范圍并不廣泛。

為解決上述物流搬運問題，在國外，Wang等[1]分析了智能車間生產物流系統的關鍵技術，其中包含智能車間生產調度優化模型和算法、車輛路徑規劃算法優化、AGV/RGV調度方法等，并將研究內容應用于輪胎制造車間，將智能化、信息化融合入物流中。Julius等[2]用一種啟發式算法被用來為智能物流裝卸應用尋找最優路徑，并通過大量的仿真和基準測試結果表明標準PSO具有明顯更短的無違反路徑、更快的收斂速度和更短的時間來計算裝載和卸載環境位置之間的距離。在國內，楊智飛等[3]建立智能車間AGV調度問題數學模型并且設計了一種新型的多目標優化算法完成該模型求解，得到了符合智能生產車間需求的調度方案。劉昊等[4]設計了一款基于物聯網的物流搬運機器人，通過云端數據處理器有效實現對物料的搬運、分類和管理。

本文設計了一款面向智能加工車間的物流搬運小車，能夠實現高精準性、高穩定性、高效率、精準地完成貨物各工序間的搬運以及堆放，并且具備環境適應能力強、全自動化、造價低廉等優點。

1 總體方案設計

根據加工車間物流搬運的現實需要，在車側固定了二維碼識別模塊，在夾爪固定中心處安裝OpenMV4，在機械臂大臂處安裝MII DOCK，采用大扭矩直流減速電機驅動四輪麥克納姆輪，采用串口總線舵機控制連桿機械臂以及夾爪，利用高精度水晶陀螺儀實時獲取偏航角信息，并通過串口屏顯示物流信息，將軟件代碼燒錄入芯片實現整個搬運流程的完全自動化、智能化。整體設計如圖1所示。

搬運流程如圖2所示，首先通過二維碼獲取貨物物流信息，根據待加工原料的工序物流信息，采用M2 dock進行圖像識別，實現對待加工原料的準確識別。再執行預先設定的代碼行駛搬運路線，基于高精度水晶陀螺儀和高精度步進電機實現精準距離移動。為提高精度，利用OpenMV4對環境進行識別與定位，進行位置再校準。

2 總體結構設計

2.1 機械臂設計

機械臂采用平行四邊形連桿結構[5]，雙平行四邊形增加機械臂的輕度和剛度，提高系統穩定性，其連桿的運動由串口總線舵機驅動，如圖3所示，平行四邊形連桿機構的特性執行件即機械爪相對地面保持平行[6]。

2.2 機械爪設計

機械爪采用上下抓取方案，如圖4所示，由插板式框架、舵機、齒輪手爪、OpenMV4視覺模塊和補光燈等部件組成。手爪設計由更換結構，適應性強，還具有較大的誤差容錯性。

2.3 底盤設計

考慮到小車運動的控制以及載重需求，采用大扭矩直流減速電機與麥克納姆輪的組合設計了小車底盤[7]。并且安裝了懸掛以適應各種

各樣的工作環境。所選麥克納姆輪為兩個左旋和兩個右旋。麥克納姆輪主要有2種安裝布局，分別為X型和O型。考慮到所需轉動力矩的力臂也較長，故采用O型安裝布局方式。底座材料和頂板材料均為為碳板，結實耐磨，質地輕盈，有利于減小機器人重量的同時，強化其移動核心。其小車底盤結構如圖5所示。

3 控制系統硬件設計

主控芯片選用高性能32位單片機STM32F407[8]。該芯片的最高主頻有168 MHz， STM32F407 芯片的外設豐富，如UART、USART、USB 、SPI、I2C等，完全可以滿足本搬運小車的設計以及使用要求[9]。

3.1 驅動模塊以及傳感器選用

搬運小車選用的是直流減速電機，其電機驅動調速模塊采用的是集成芯片TB6612FNG構成的驅動模塊。能獨立雙向控制2個直流電機，根據設計要求，運行編寫好的程序，主控板給TB6612FNG芯片發送特定的高低電平以及不同占空比的PWM波，實現對直流減速電機轉動方向和速度的控制。

根據需要，小車選用高精度的單軸石英晶體（水晶）陀螺儀HWT101。該陀螺儀采用高性能的微處理器，能夠反饋精準穩定的偏航角信息，其穩定性極高，采用高速串口通信，經過測試，在搬運小車快速移動或車身劇烈震動時，仍能反饋精準真實的偏航角，將陀螺儀反饋的偏航角融入小車運動控制中，滿足實際使用需要[10]。

3.2" I/O端口的分配。

外部信號與主控芯片I/O端口的對應關系如表1所示，RX、TX分別指串口通信中的串行信號接收接口和發送接口。

4 控制系統軟件算法設計

4.1 麥克納姆輪逆解算

為實現對小車的準確控制，進行了麥克納姆輪運動學解算[11]。小車在平面內的運動可以分解為三個獨立分量：X軸平動、Y軸平動、yaw軸自轉。如圖6所示，底盤的運動也可以分解為三個量。可計算出麥輪軸心位置的速度為：

（1）

式中： 為輪子軸心的運動速度矢量； 為從幾何中心指向輪子軸心的矢量。

vtx表示X軸運動的速度（左右方向），定義向右為正；vty表示Y軸運動的速度（前后方向），定義向前為正；ω為yaw軸自轉的角速度，定義逆時針為正。

沿X、Y軸分解，得到：

（2）

車輪的速度矢量可以分解為垂直于車輥的速度矢量 以及平行于車輥的速度矢量 ，從而得到：

（3）

進而可得到：

（4）

根據圖中對于x、y長度的定義，可以得到：

（5）

故可計算出輪子的轉速為：

（6）

4.2 視覺識別算法設計

視覺識別系統由OpenMV4和M2dock兩個視覺模塊組成，其中OpenMV4用于對環境的識別，采用圓環為定位物品，通過霍夫變換進行圓識別[12]，并反饋該圓的原點坐標用以小車位置定位及校準；MIIDOCK由于對物流貨物或擺放位置進行準確識別[13]。

根據二維碼物流信息，利用M2 dock對原料區的待加工原料進行校對，準確識別后執行機械臂夾取動作。同時，可以訓練并部署基于實時目標檢測算法YOLOv2的AI模型[14]，并通過串口通信將信息傳輸至主控芯片，用以識別物流信息異常貨物，增強了小車對環境的適應能力，提高了其智能化程度。抵達貨物抓取點或存放點時，利用夾爪中心處的OpenMV4識別抓取或存放位置的定位物，實時反饋其坐標。再將反饋坐標并與目標坐標進行比較進而換算出距離偏差，通過串口將偏差傳輸至主控芯片，經麥克納姆輪運動逆解算算法得到四輪相應的速度值，再嵌套串級PID速度環公式得到輸入四輪的PWM值，從而控制搬運小車向目標校準點緩慢移動，最終實現距離的再校正[15]。OpenMV4識別并顯示圓環坐標如圖7所示。

5 實驗

實驗是基于中國大學生工程實踐與創新能力大賽的“智能＋”智能物流小車賽道展開的，其賽制要求與現實智能加工車間的物流搬運流

程相似，因此以它作為實驗具有實踐意義。

具體搬運流程：小車由啟停區出發通過掃描二維碼獲取待加工原料搬運順序，在原料區依次抓取原料后抵達粗加工區，并按順序進行放置和抓取，再抵達至暫存區放置原料，第一輪放置完成后再此行駛至原料區獲取第二輪物料，要求如上，在堆放完第二輪原料后返回啟停區。其搬運路線俯視圖如圖8所示。

在原料識別方面，由于單純的顏色識別容易受到現場光線情況影響，因此訓練AI模型并部署在M2dock上，能有效正確抓取，識別準確率接近100%，其識別多姿態物料圖如圖9所示。在PID算法控制小車速度、位移的大量調試過程中，多次調整參數，最終使小車速度響應快，受外界干擾后仍然能穩定在目標速度，并且速度精確度高、穩態偏差小（目標速度為3 r/s，在PID算法的控制下，直流減速電機轉速迅速從0啟動并且穩定在3 r/s）。

利用粗加工區，以及暫存區的色環作為位置校準點，其實驗誤差采用色環尺寸進行計算。采用經多次實驗調整PID參數，最終原料放置精度在3 mm以內，物料擺放以及碼垛如圖10所示。

6 結語

該搬運小車選用大扭矩直流減速電機驅動四輪麥克納姆輪，結合雙平行四邊形機械臂和機械爪，利用M2dock以及OpenMV4雙視覺模塊進行圖像識別，小車移動融合高精度水晶陀螺儀偏航角參數，能夠降低物流搬運成本，顯著提升了加工車間物流搬運的效率，具有較強的實用價值和商業價值。

參考文獻：

[1]WANG H，LU G，LIU J. Intelligent Pronalytics for Cyber-

Physical-Systems. Springduction Logistics System Based on Internet of Things[C]. Singapore：International conference on Big Data Aer，2019：313-319.

[2]JULIUS S F，R S，SHEIK S M，et al. Autonomous vehicle path planning for smart logistics mobile applications based on modified heuristic algorithm[J]. Measurement Science and Technology，2023，34（3）：1361-1364.

[3]楊智飛，蘇春，胡祥濤，等. 面向智能生產車間的多AGV系統多目標調度優化[J]. 東南大學學報（自然科學版），2019，49（6）：1033-1040.

[4]劉昊，鐘皓陽，胡博雅. 基于物聯網的物流搬運機器人設計[J]. 無線互聯科技，2023，20（4）：26-28.

[5]吳麗麗，黃海燕，孫文駿. 智能物流搬運機器人設計[J]. 機電工程技術，2023，52（11）：107-112.

[6]羅恩澤. 六軸機器臂搬運過程軌跡規劃與仿真研究[J]. 機械，2023，50（1）：74-80.

[7]劉孝賢，余江，鄭徐凱，等. 基于STM32的全地形越障排爆機器人設計[J]. 機械，2022，49（9）：76-80.

[8]單申，留惠雯，趙新銘，等. 基于STM32單片機的居家智能窗[J]. 機械，2023，50（4）：74-80.

[9]田杰，胡秋霞，楊畢康. 基于STM32的物流搬運小車控制系統設計[J]. 現代電子技術，2023，46（18）：172-176.

[10]張承岫，李鐵鷹，王耀力. 基于MPU6050和互補濾波的四旋翼飛控系統設計[J]. 傳感技術學報，2016，29（7）：1011-1015.

[11]宋明謙. 全向移動機器人運動控制系統研究[D]. 桂林：桂林電子科技大學，2022.

[12]段傳輝，田大慶，宋洪睿，等. 基于圖像處理的改進電纜角度識別算法[J]. 機械，2022，49（11）：36-42.

[13]邵延華，張鐸，楚紅雨，等. 基于深度學習的YOLO目標檢測綜述[J]. 電子與信息學報，2022，44（10）：3697-3708.

[14]周明聰，樊慶文，裴宏亮，等. 一種基于單目定焦相機免標定的尺寸測量方法[J]. 機械，2022，49（4）：57-62.