隨著城市化進程的加快，高樓越來越多，高層建筑的多層和高人口密度讓物品配送變得復雜。雖然配送機器人可以解決“最后一公里”的問題，但現有的機器人主要依賴電梯跨樓層。電梯高峰時段效率低，且占用電梯資源，遇到沒有電梯的樓宇更是束手無策。因此，既能搭電梯又能爬樓的配送機器人，正是市場上急需的創新。

一、項目介紹：

這款作品是基于 RDK X3開發板打造的跨樓層智能配送機器人，能輕松切換行駛模式和爬樓模式。配備可伸縮的爬樓輪結構，不論樓梯多陡或多窄，它都能“爬得上去”，跨層配送so easy！不僅如此，機器人還內建視覺識別和語音識別功能，可以和你“無聲無息”地互動，快遞送到手，連說話都能省力！——哈爾濱工程大學 碧海小隊

二、創新點：

目前市場上的配送機器人依賴電梯跨樓層，還需要人工手動輸入地址，這讓配送變得既不高效又不智能。為了彌補這些不足，本作品著重解決了這些“老大難”問題：

1. 爬樓難題： 針對現有機器人無法爬樓梯的缺點，我們設計了一個四片分離式變形輪，電動推桿一拉一縮，輪轂翻轉伸展，輕松上下樓梯。簡直是機器人中的“樓梯小能手”！
2. 智能配送： 擺脫手動輸入地址的繁瑣，我們通過OCR、NLP、ASR技術，操作人員只需拍照或者說話，機器人就能自動獲取配送地址。語音反饋當前任務信息，跟機器人聊天就能完成配送任務，人機交互走向“智慧時代”！
3. 路徑規劃： 通過激光雷達建圖與障礙物檢測，對A*算法進行了優化，提高了路徑規劃效率和質量，讓機器人不再繞路而是“直達目標”。

三、原理分析 ：

變形輪

為了提高配送效率并避免占用電梯空間，機器人需要能夠上下樓梯和行走。我們設計了可擴式四輪結構，結合電動推桿和電機的運動，使機器人能夠輕松應對樓梯。

當需要爬樓梯時，電動推桿調整輪轂角度并向外擴張，提供支撐力；下樓時，輪轂自動調整，保持穩定。通過這種設計，機器人能適應不同樓梯的高度和角度，確保順利完成樓層間的配送任務。

具體來說，每個移動單元由三篇分離式輪轂組成，為了應對不同高度和寬度 的樓梯，我們采用四桿機構，通過四桿機構的的運動調整輪轂伸縮的距離及角度。

上樓梯時：向里側電動推桿施加正向電流，使得電動推桿伸長，通過左側三 角板帶動連桿向上運動，從而將輪轂翻轉一定角度并向外擴張一定距離以適應樓 梯的高度和寬度。

下樓梯時：向外側電動推桿施加反向電流，使得推桿收縮，通過右側三角板 帶動連桿向下運動，從而將輪轂反方向翻轉一定角度并向外擴張一定距離以適應 樓梯的高度和寬度。

行走時：上側電機通過皮帶帶動右側輪轂及三角板一起旋轉，從而使得機器 人向前運動

路徑規劃原理

A算法是一種啟發式搜索算法，通過從起點開始擴展鄰域節點，比較節點的代價值，選擇代價最小的節點繼續擴展，直到找到目標點，從而避開障礙物，找到最佳路徑。傳統的A算法存在節點過多、路徑冗余以及不夠平滑等問題，這不僅影響機器人的穩定性，還降低了路徑規劃的效率。我們做了以下優化。

1、傳統的 A-star算法只考慮了距離問題，沒有考慮環境地圖上的許多實際因 素。因此 我們在傳統 A*算法評價函數的基礎上，通過引入節點到起始點和目標 點連線的夾角，對評價函數進行改進。

2、引入雙向搜索策略。在大規模搜索空間下，傳統的 A*算法采用的單向搜索策略存在搜索效率低 搜索節點數量多等問題。

當計算出的中間點位于障礙物內部時，無法有效搜索到起點和目標點，因此需要選擇新的中間點。具體步驟如下：

1. 確定中間點的位置。
2. 在中間點處繪制一條水平線和一條豎直線。
3. 計算水平線和豎直線穿越障礙物的跨越長度。
4. 選擇跨越長度較長的方向，并找出最早穿越障礙物的點。
5. 將最早穿越障礙物的點作為優化后的中間點。

3、去除冗余節點，在路徑規劃中，冗余節點可能導致內存占用過多和頻繁調整機器人運動。為了解決這個問題，我們采用了一種路徑優化方法來去除冗余節點。具體步驟如下：

1. 將起始點作為開始節點。
2. 沿路徑預定方向逐一連接起始點與路徑中的各個節點。
3. 如果連接線段與障礙物相交，保留相交節點的前一個節點，移除與該節點之間的所有節點，并繼續連接后續節點。
4. 如果連接線段不與障礙物相交，直到目標點，保留目標點并移除起始點與目標點之間的節點。
5. 將保留的節點依次連接，形成優化后的路徑。

人機交互部分

本項目的人機交互部分包括視覺識別和語音識別。首先，通過OCR技術識別配送單據并提取信息，再利用NLP技術獲取最終配送地址。也可以通過語音指令下單，語音識別技術將語音轉為文本，NLP技術提取出地址信息，并通過語音合成技術將地址反饋給操作員確認。

四、硬件系統設計 ：

4.1硬件選型

4.1.1 RoboMaster M2006本作品中，電機采用 RoboMaster M2006直流無刷電機，其作用主要是控制 機器人的移動，控制機器人運動到達指定位置并實時反饋運動狀態信息。 RoboMaster M2006使用C610電調進行驅動，使用CAN通信協議發送接收數據， 電機內置位置傳感器，實時反饋轉子機械角度、轉速和轉矩等信息。

4.1.2電動推桿 在本作品中，一個變形輪需要兩個電動推桿，電動推桿又有兩種狀態——伸 出和縮回。一根推桿的伸縮控制變形輪的變大程度，另一根推桿的伸縮控制變形 輪的旋轉角度。作用是通過推桿的伸縮使輪子達到特定的擴大程度和旋轉角度。

4.1.3 TFT-LCD觸摸屏 在本作品中，LCD觸摸屏的主要作用是顯示經 RDK X3 分析處理后的配送 地址，取件碼等信息。本作品采用的是正點原子 2.8寸的 TFTLCD液晶屏。

4.3硬件電路設計

本系統的硬件連接方式如下：樹莓派負責讀取相機圖像數據和地圖建模，并將里程計數據發送給STM32來控制機器人移動。RDK X3主要處理語音交互和視覺識別，并在屏幕和觸摸屏上顯示結果。STM32控制機器人的底盤運動，通過CAN總線控制電機轉動，通過PWM波控制電動推桿的伸縮，并與樹莓派實時通信，反饋機器人運動狀態信息。

五、軟件設計與流程

5.1建圖與規劃流程

SLAM建圖使用三種地圖：點云圖、柵格圖和八叉樹地圖。雖然激光雷達只能在二維場景中建圖，但它具有較高精度和更遠的建圖范圍，且受外界環境影響較小。路徑規劃中采用2D占用柵格圖模式。激光雷達提供精確的二維信息，而深度相機提供三維信息。為了提高地圖精度，本設計結合了激光雷達和RGBD相機的信息來建立柵格圖，使用激光雷達和深度相機的融合數據，生成2D柵格地圖，并與Cartgrapher算法建立的地圖融合，得到最終的綜合地圖。

5.2人機交互流程 本項目的人機交互過程如圖所示，通過視覺或語音方式識別出最終配送地點 并傳輸給樹莓派作為最終導航地點。

5.3底盤控制軟件流程 在本作品中，底盤控制采用 STM32單片機作為主控芯片，其程序結構圖如 圖所示。當機器人在運動的過程中，會不斷檢測前方是否有樓梯，沒有檢測到樓 梯，變形輪不變形維持原狀；當檢測到樓梯，根據測量的樓梯尺寸，STM32控制 變形輪變形到特定的擴大程度和旋轉角度后，開始爬樓。

六、系統測試

6.1機械結構測試

驗證機械結構可行性、操作穩定性及功能完備性。測試確認：

變形輪通過電動推桿伸縮實現輪轂角度與擴張距離調節，滿足樓梯尺寸自適應需求。

結構設計合理，通過仿真與實際測試驗證，可穩定完成爬樓與行走模式切換。

6.2目標檢測測試

流程與結果：

數據集構建：采集圖像并標注，轉換為YOLOv5s適配格式（圖片+txt）。

模型訓練：基于YOLOv5s，訓練后輸出評估指標：

1. Precision: 0.6086
2. Recall: 0.5641
3. mAP@0.5: 0.5703
4. mAP@0.5:0.95: 0.3221

實測效果：成功檢測目標，滿足基礎需求，但精度待優化。

5.3底盤控制測試

電動推桿：PWM控制精度達標，可精準調節變形輪擴張與角度。

里程計：STM32實時讀取速度、加速度、位置信息，誤差<5%。

結論：底盤控制穩定，滿足多模式運動需求。

5.4 SLAM建圖測試

方法對比：

激光雷達：建圖范圍廣，但易受環境縫隙干擾。

RGBD相機：受光照影響，邊界模糊。

融合方案：激光雷達+RGBD投影融合，生成高精度2D柵格地圖，消除縫隙干擾，邊界清晰。

5.5路徑規劃測試

改進A*算法（對比傳統A*）：

搜索節點數減少30%，路徑長度縮短15%，規劃時間降低25%。

冗余節點去除后，路徑平滑度提升，內存占用減少20%。

5.6人機交互測試

OCR+NLP：成功從虛擬配送單提取地址，準確率>85%。

ASR+NLP：語音指令中地址抽取準確率>80%，支持模糊語義（如“送到三號樓二層”）。

語音反饋：合成語音播報任務信息，用戶可確認指令正確性。

關鍵結論

• 各模塊功能均通過測試，滿足跨樓層配送需求。
• 目標檢測與路徑規劃精度待優化，可通過擴展數據集與算法調參進一步提升。

隨著城市化進程的加快，高樓越來越多，高層建筑的多層和高人口密度讓物品配送變得復雜。雖然配送機器人可以解決“最后一公里”的問題，但現有的機器人主要依賴電梯跨樓層。電梯高峰時段效率低，且占用電梯資源，遇到沒有電梯的樓宇更是束手無策。因此，既能搭電梯又能爬樓的配送機器人，正是市場上急需的創新。

一、項目介紹：

這款作品是基于 RDK X3開發板打造的跨樓層智能配送機器人，能輕松切換行駛模式和爬樓模式。配備可伸縮的爬樓輪結構，不論樓梯多陡或多窄，它都能“爬得上去”，跨層配送so easy！不僅如此，機器人還內建視覺識別和語音識別功能，可以和你“無聲無息”地互動，快遞送到手，連說話都能省力！——哈爾濱工程大學 碧海小隊

二、創新點：

目前市場上的配送機器人依賴電梯跨樓層，還需要人工手動輸入地址，這讓配送變得既不高效又不智能。為了彌補這些不足，本作品著重解決了這些“老大難”問題：

1. 爬樓難題： 針對現有機器人無法爬樓梯的缺點，我們設計了一個四片分離式變形輪，電動推桿一拉一縮，輪轂翻轉伸展，輕松上下樓梯。簡直是機器人中的“樓梯小能手”！
2. 智能配送： 擺脫手動輸入地址的繁瑣，我們通過OCR、NLP、ASR技術，操作人員只需拍照或者說話，機器人就能自動獲取配送地址。語音反饋當前任務信息，跟機器人聊天就能完成配送任務，人機交互走向“智慧時代”！
3. 路徑規劃： 通過激光雷達建圖與障礙物檢測，對A*算法進行了優化，提高了路徑規劃效率和質量，讓機器人不再繞路而是“直達目標”。

三、原理分析 ：

變形輪

為了提高配送效率并避免占用電梯空間，機器人需要能夠上下樓梯和行走。我們設計了可擴式四輪結構，結合電動推桿和電機的運動，使機器人能夠輕松應對樓梯。

當需要爬樓梯時，電動推桿調整輪轂角度并向外擴張，提供支撐力；下樓時，輪轂自動調整，保持穩定。通過這種設計，機器人能適應不同樓梯的高度和角度，確保順利完成樓層間的配送任務。

具體來說，每個移動單元由三篇分離式輪轂組成，為了應對不同高度和寬度 的樓梯，我們采用四桿機構，通過四桿機構的的運動調整輪轂伸縮的距離及角度。

上樓梯時：向里側電動推桿施加正向電流，使得電動推桿伸長，通過左側三 角板帶動連桿向上運動，從而將輪轂翻轉一定角度并向外擴張一定距離以適應樓 梯的高度和寬度。

下樓梯時：向外側電動推桿施加反向電流，使得推桿收縮，通過右側三角板 帶動連桿向下運動，從而將輪轂反方向翻轉一定角度并向外擴張一定距離以適應 樓梯的高度和寬度。

行走時：上側電機通過皮帶帶動右側輪轂及三角板一起旋轉，從而使得機器 人向前運動

路徑規劃原理

A算法是一種啟發式搜索算法，通過從起點開始擴展鄰域節點，比較節點的代價值，選擇代價最小的節點繼續擴展，直到找到目標點，從而避開障礙物，找到最佳路徑。傳統的A算法存在節點過多、路徑冗余以及不夠平滑等問題，這不僅影響機器人的穩定性，還降低了路徑規劃的效率。我們做了以下優化。

1、傳統的 A-star算法只考慮了距離問題，沒有考慮環境地圖上的許多實際因 素。因此 我們在傳統 A*算法評價函數的基礎上，通過引入節點到起始點和目標 點連線的夾角，對評價函數進行改進。

2、引入雙向搜索策略。在大規模搜索空間下，傳統的 A*算法采用的單向搜索策略存在搜索效率低 搜索節點數量多等問題。

當計算出的中間點位于障礙物內部時，無法有效搜索到起點和目標點，因此需要選擇新的中間點。具體步驟如下：

1. 確定中間點的位置。
2. 在中間點處繪制一條水平線和一條豎直線。
3. 計算水平線和豎直線穿越障礙物的跨越長度。
4. 選擇跨越長度較長的方向，并找出最早穿越障礙物的點。
5. 將最早穿越障礙物的點作為優化后的中間點。

3、去除冗余節點，在路徑規劃中，冗余節點可能導致內存占用過多和頻繁調整機器人運動。為了解決這個問題，我們采用了一種路徑優化方法來去除冗余節點。具體步驟如下：

1. 將起始點作為開始節點。
2. 沿路徑預定方向逐一連接起始點與路徑中的各個節點。
3. 如果連接線段與障礙物相交，保留相交節點的前一個節點，移除與該節點之間的所有節點，并繼續連接后續節點。
4. 如果連接線段不與障礙物相交，直到目標點，保留目標點并移除起始點與目標點之間的節點。
5. 將保留的節點依次連接，形成優化后的路徑。

人機交互部分

本項目的人機交互部分包括視覺識別和語音識別。首先，通過OCR技術識別配送單據并提取信息，再利用NLP技術獲取最終配送地址。也可以通過語音指令下單，語音識別技術將語音轉為文本，NLP技術提取出地址信息，并通過語音合成技術將地址反饋給操作員確認。

四、硬件系統設計 ：

4.1硬件選型

4.1.1 RoboMaster M2006本作品中，電機采用 RoboMaster M2006直流無刷電機，其作用主要是控制 機器人的移動，控制機器人運動到達指定位置并實時反饋運動狀態信息。 RoboMaster M2006使用C610電調進行驅動，使用CAN通信協議發送接收數據， 電機內置位置傳感器，實時反饋轉子機械角度、轉速和轉矩等信息。

4.1.2電動推桿 在本作品中，一個變形輪需要兩個電動推桿，電動推桿又有兩種狀態——伸 出和縮回。一根推桿的伸縮控制變形輪的變大程度，另一根推桿的伸縮控制變形 輪的旋轉角度。作用是通過推桿的伸縮使輪子達到特定的擴大程度和旋轉角度。

4.1.3 TFT-LCD觸摸屏 在本作品中，LCD觸摸屏的主要作用是顯示經 RDK X3 分析處理后的配送 地址，取件碼等信息。本作品采用的是正點原子 2.8寸的 TFTLCD液晶屏。

4.3硬件電路設計

本系統的硬件連接方式如下：樹莓派負責讀取相機圖像數據和地圖建模，并將里程計數據發送給STM32來控制機器人移動。RDK X3主要處理語音交互和視覺識別，并在屏幕和觸摸屏上顯示結果。STM32控制機器人的底盤運動，通過CAN總線控制電機轉動，通過PWM波控制電動推桿的伸縮，并與樹莓派實時通信，反饋機器人運動狀態信息。

五、軟件設計與流程

5.1建圖與規劃流程

SLAM建圖使用三種地圖：點云圖、柵格圖和八叉樹地圖。雖然激光雷達只能在二維場景中建圖，但它具有較高精度和更遠的建圖范圍，且受外界環境影響較小。路徑規劃中采用2D占用柵格圖模式。激光雷達提供精確的二維信息，而深度相機提供三維信息。為了提高地圖精度，本設計結合了激光雷達和RGBD相機的信息來建立柵格圖，使用激光雷達和深度相機的融合數據，生成2D柵格地圖，并與Cartgrapher算法建立的地圖融合，得到最終的綜合地圖。

5.2人機交互流程 本項目的人機交互過程如圖所示，通過視覺或語音方式識別出最終配送地點 并傳輸給樹莓派作為最終導航地點。

5.3底盤控制軟件流程 在本作品中，底盤控制采用 STM32單片機作為主控芯片，其程序結構圖如 圖所示。當機器人在運動的過程中，會不斷檢測前方是否有樓梯，沒有檢測到樓 梯，變形輪不變形維持原狀；當檢測到樓梯，根據測量的樓梯尺寸，STM32控制 變形輪變形到特定的擴大程度和旋轉角度后，開始爬樓。

六、系統測試

6.1機械結構測試

驗證機械結構可行性、操作穩定性及功能完備性。測試確認：

變形輪通過電動推桿伸縮實現輪轂角度與擴張距離調節，滿足樓梯尺寸自適應需求。

結構設計合理，通過仿真與實際測試驗證，可穩定完成爬樓與行走模式切換。

6.2目標檢測測試

流程與結果：

數據集構建：采集圖像并標注，轉換為YOLOv5s適配格式（圖片+txt）。

模型訓練：基于YOLOv5s，訓練后輸出評估指標：

1. Precision: 0.6086
2. Recall: 0.5641
3. mAP@0.5: 0.5703
4. mAP@0.5:0.95: 0.3221

實測效果：成功檢測目標，滿足基礎需求，但精度待優化。

6.3底盤控制測試

電動推桿：PWM控制精度達標，可精準調節變形輪擴張與角度。

里程計：STM32實時讀取速度、加速度、位置信息，誤差<5%。

結論：底盤控制穩定，滿足多模式運動需求。

6.4 SLAM建圖測試

方法對比：

激光雷達：建圖范圍廣，但易受環境縫隙干擾。

RGBD相機：受光照影響，邊界模糊。

融合方案：激光雷達+RGBD投影融合，生成高精度2D柵格地圖，消除縫隙干擾，邊界清晰。

6.5路徑規劃測試

改進A*算法（對比傳統A*）：

搜索節點數減少30%，路徑長度縮短15%，規劃時間降低25%。

冗余節點去除后，路徑平滑度提升，內存占用減少20%。

6.6人機交互測試

OCR+NLP：成功從虛擬配送單提取地址，準確率>85%。

ASR+NLP：語音指令中地址抽取準確率>80%，支持模糊語義（如“送到三號樓二層”）。

語音反饋：合成語音播報任務信息，用戶可確認指令正確性。

關鍵結論

• 各模塊功能均通過測試，滿足跨樓層配送需求。
• 目標檢測與路徑規劃精度待優化，可通過擴展數據集與算法調參進一步提升。