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(fā)，使得消殺工作成為當前亟須解決的重要問題。傳統(tǒng)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(shù)進行智能消殺則成為一種備受關(guān)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(shù)，實現(xiàn)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(shù)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(nèi)外各地區(qū)都無法及時地研發(fā)智能消殺機器人，但隨著疫情形勢越來越嚴重，國內(nèi)外高新技術(shù)企業(yè)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(fā)，市場上許多新型的智能消殺機器人也層現(xiàn)疊出。比如美國已經(jīng)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(nèi)進行消毒，同時感知消毒區(qū)域是否有人員存在。山東日照的創(chuàng)澤智能的創(chuàng)創(chuàng)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(xiàn)對工作區(qū)域的噴灑消毒。深圳的優(yōu)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(xiàn)無人值守，遠程遙控[1]。

消殺機器人涉及的核心技術(shù)包括：感知技術(shù)、建圖技術(shù)、路徑規(guī)劃技術(shù)、消殺系統(tǒng)技術(shù)。

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

建圖技術(shù)：消殺機器人獲取激光雷達和里程計數(shù)據(jù)，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(shù)據(jù)來構(gòu)建二維柵格地圖，以幫助機器人更好地了解其周圍環(huán)境，并進行路徑規(guī)劃的任務(wù)。

路徑規(guī)劃技術(shù)：路徑規(guī)劃是消殺機器人自主移動的關(guān)鍵技術(shù)，通過路徑規(guī)劃算法（本系統(tǒng)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(wù)等，為機器人規(guī)劃一條最優(yōu)路徑。

消殺系統(tǒng)技術(shù)：消殺系統(tǒng)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(wù)。本系統(tǒng)使用消毒液噴灑技術(shù)和紫外光照射技術(shù)相結(jié)合。

1 智能消殺機器人設(shè)計

1.1 消殺機器人的總體框架構(gòu)建

智能消殺機器人的總體框架主要包括硬件系統(tǒng)和軟件系統(tǒng)兩個方面。

硬件系統(tǒng)主要包括底盤、傳感器、執(zhí)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(qū)動電機、車輪、霍爾編碼器等組件，用于實現(xiàn)機器人的移動和姿態(tài)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(huán)境的信息。執(zhí)行器選用吸水棉棒和繼電器，用于控制機器人執(zhí)行具體的消殺任務(wù)。消殺裝置選用噴霧器，用于實現(xiàn)消殺操作。

軟件系統(tǒng)主要包括機器人的控制軟件、感知軟件、路徑規(guī)劃軟件和消殺軟件等組成部分?？刂栖浖刂茩C器人的移動和姿態(tài)。感知軟件處理傳感器獲取的數(shù)據(jù)，以實現(xiàn)對消殺區(qū)域、人員、障礙物等的感知。路徑規(guī)劃軟件根據(jù)目標區(qū)域的地圖信息和感知數(shù)據(jù)，生成機器人的運動路徑，以實現(xiàn)自主導航。消殺軟件控制消殺裝置的開關(guān)和消殺時間，以實現(xiàn)消殺操作。

在整個框架中，機器人的感知和路徑規(guī)劃是兩個重要的環(huán)節(jié)，需要通過各種算法和技術(shù)來實現(xiàn)。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(guān)鍵考慮因素。綜合上述分析，將智能消殺機器人系統(tǒng)框圖如圖1 所示。

圖1 消殺機器人系統(tǒng)結(jié)構(gòu)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(qū)動電機選擇JGB37-520 直流減速電機。電機驅(qū)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(jié)構(gòu)

從控制的角度來看，機器人系統(tǒng)可以分為四部分：傳感系統(tǒng)、控制系統(tǒng)、驅(qū)動系統(tǒng)、執(zhí)行機構(gòu)。而執(zhí)行機構(gòu)與驅(qū)動系統(tǒng)構(gòu)成了機器人底盤，也就是本章重點介紹的部分。

2.1 驅(qū)動系統(tǒng)

在本智能消殺機器人中，采用電池驅(qū)動TB6612FNG 電機驅(qū)動芯片進而驅(qū)動JGB37-520 直流減速電機作為驅(qū)動系統(tǒng)。作為最簡單的能源，電池驅(qū)動的優(yōu)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(qū)動電機[2]。

2.2 執(zhí)行系統(tǒng)

在執(zhí)行系統(tǒng)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(gòu)動力輪，但考慮到在不添加其他維持平衡的系統(tǒng)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(cè)安裝了兩個同構(gòu)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(zhí)行系統(tǒng)[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(shù)，可以計算出機器人的位移和轉(zhuǎn)角。假設(shè)機器人在t 時刻的位姿已知，包括位置和姿態(tài)，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(shù)，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(shè)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(zhuǎn)角?θ 可以由式(4)計算出來。

圖3 差速模型示意圖

根據(jù)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(shè)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(nèi)轉(zhuǎn)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(zhuǎn)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(zhuǎn)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(shù)計算機器人的位移和轉(zhuǎn)角，然后根據(jù)左右輪速不等的假設(shè)，計算出機器人走過的圓弧軌跡的弧長和轉(zhuǎn)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(zhuǎn)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(zhuǎn)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(zhuǎn)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(zhuǎn)式過的(5角)度不變，則最終位置的橫縱坐標應(yīng)為其初始位置與其根據(jù)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(gòu)建室內(nèi)環(huán)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(shù)所決定的[6]。

在ROS 中，Gmapping 需要訂閱機器人關(guān)節(jié)變換話題(/tf) 和激光雷達掃描數(shù)據(jù)話題(/scan)，發(fā)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(shù)據(jù)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(tài)為x1:t。由此，SLAM 問題概率能夠被描述為一個條件聯(lián)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(shù)據(jù)的情況下對地圖構(gòu)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(gòu)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(lián)合概率公式將其繼續(xù)分解，結(jié)果如式(8)所示。

理論上，xt只與xt-1和ut有關(guān)，所以將軌跡估計問題轉(zhuǎn)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(tài)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(quán)重計算歸一化處理，這樣就得到現(xiàn)在時刻的機器人軌跡。之后根據(jù)估計的軌跡以及傳感器觀測數(shù)據(jù)進行地圖構(gòu)建[7]。

3.2 路徑自主規(guī)劃的Dijkstra 算法

作為一種經(jīng)典的用于解決單源最短路徑問題的算法，它的優(yōu)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(jié)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(jié)點進行擴展，并利用已知的最短路徑來更新其他節(jié)點的距離值。

可優(yōu)化性：Dijkstra 算法的時間復雜度可以通過使用優(yōu)先隊列等數(shù)據(jù)結(jié)構(gòu)進行優(yōu)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(quán)圖和不帶權(quán)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(jié)點數(shù)和邊數(shù)。可能導致機器人路徑規(guī)劃的實時性降低。

在智能消殺機器人的應(yīng)用場景中，實時性很重要，因為機器人需要在短時間內(nèi)快速響應(yīng)環(huán)境變化并調(diào)整路徑。如果路徑規(guī)劃算法耗費太長時間，機器人可能無法及時調(diào)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(wù)失敗或機器人受損。

對于這種情況，本文嘗試引入啟發(fā)式信息以優(yōu)化Dijkstra 算法。通過引入啟發(fā)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(fā)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(yōu)解。

3.3 Dijkstra 算法的優(yōu)化

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

定義一個啟發(fā)式函數(shù)，該函數(shù)用于估算節(jié)點到目標節(jié)點的距離。常用的啟發(fā)式函數(shù)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(jié)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(wǎng)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(fā)式函數(shù)。將節(jié)點n到起點的距離作為節(jié)點的估計值，定義為h(n) 函數(shù)。設(shè)節(jié)點n的坐標為(xn,yn)，起點的坐標為(x0,y0)，則節(jié)點n到起點的歐幾里得距離為。則節(jié)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(fā)式函數(shù)能夠有效減少搜索的節(jié)點數(shù)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(jié)點的最短距離初始化為正無窮大，并將所有節(jié)點的優(yōu)先級初始化為無窮大。

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

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

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

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

3.4 Dijkstra 算法優(yōu)化的驗證

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

圖4 SLAM 建圖例圖

地圖創(chuàng)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(shè)置目標位置，機器人就能夠基于啟發(fā)式函數(shù)改進的Dijkstra 算法自主規(guī)劃最優(yōu)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(shè)計

4.1 機器人移動系統(tǒng)的設(shè)計與組裝

首先根據(jù)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(qū)動板的安裝。

其次，移動機器人底盤和電機支架的尺寸根據(jù)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(tǒng)的設(shè)計

消殺系統(tǒng)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(jīng)由霧化噴頭將消毒液噴出。系統(tǒng)結(jié)構(gòu)圖如圖5 所示。配合紫外線消毒燈對消殺區(qū)域進行一定時間的照射，來實現(xiàn)定點定時消殺的功能。并外接DHT11 傳感器、CO2傳感器實時監(jiān)測并反饋環(huán)境溫濕度數(shù)據(jù)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?shù)臄?shù)據(jù)，進行實時檢測和分析，獲取目標位置、形狀、顏色等信息。根據(jù)目標物體的類型和狀態(tài)，通過Arduino 使用相應(yīng)的消殺方案進行消殺操作。

圖5 消殺系統(tǒng)結(jié)構(gòu)圖

接著，將消殺系統(tǒng)、控制系統(tǒng)和感知系統(tǒng)有機地結(jié)合在一起，從而實現(xiàn)自主、高效、智能地消殺操作。這種有機結(jié)合可以使它們相互協(xié)調(diào)，提高整個系統(tǒng)的效率和精度。消殺系統(tǒng)框圖如圖6 所示，展示了整個系統(tǒng)的架構(gòu)和各個組件之間的聯(lián)系。

圖6 消殺系統(tǒng)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?shù)男畔ⅲ瑢崿F(xiàn)消殺系統(tǒng)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(fā)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(jié)論

本文設(shè)計了一個基于ROS 環(huán)境、SLAM 建圖和基于啟發(fā)式函數(shù)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(tǒng)緊密結(jié)合。機器人的軟硬件配合工作，實現(xiàn)了各個模塊的互相協(xié)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(yīng)用前景和推廣價值。