基于ROS与深度学习的智能捡球系统设计

陈芬生 孙李生 吴居进

（佛山科学技术学院，广东 佛山 528000）

一、理论分析与系统方案

上位机采用树莓派的Raspberry Pi 3 Model B，只有信用卡大小的微型电脑，其操作系统基于Linux，64位的1.4GHz四核ARM Cortex-A53处理器，具有1G RAM缓存，10/100 Mbit/s以太网并自带无线网络功能。在上位机上搭载Ubuntu16.04 mate系统，匹配ROS-kinetic版本；ROS 起源于斯坦福大学人工智能实验室与 Willow Garage 公司的机器人项目，是一个面向机器人的开源操作框架，它的本质就是一个类 Linux 二次操作系统，具有与常规操作系统相似的功能，它能够提供常用的机器人传感器或者机器人电机的驱动，帮助实现硬件抽象，同时它也拥有多进程的概念，并提供进程间的相互通信机制，还能够像 Linux 操作系统一样提供常用的软件包与算法包，方便用户的安装与调用。此外ROS系统对计算机视觉提供了很好的平台，不仅支持Opencv、cv_birdge和image_transpor相连接，还提供了物体识别和视觉里程计等算法的功能包，这也是选择使用ROS系统的优势所在。

二、系统设计整体框架

启动树莓派运行ROS系统，调用语音交互系统，通过语音唤醒，可与系统进行简单的日常交流；调用Vision中的USB_cam，TensorFlow和OpenCv，可以对不同的物体进行识别，已检测可以识别鼠标，键盘等；当识别到是网球的时候，此时系统将发送信号到下位机，由下位机通过16路PWM舵机驱动器和LM2596S DC-DC直流可调降压稳压电源模块板实现对机械臂的抓取。

三、软件程序设计

在物体识别方面采用TensorFlow对象检测API，这是一个基于TensorFlow构建的开源框架，可以轻松构建，训练和部署对象检测模型，经实践调试，该程序可以嵌入到树莓派上搭载的ROS系统中执行。

cd tensorflow_ws #进入工作空间

catkin_make #进行编译

roscore #运行节点

roslaunch usb_cam usb_cam-test.launch #打开摄像头

roslaunch ros_tensorflow ros_tensorflow_classify.launch

#执行识别程序

rostopic echo /result_ripe #接收字符串消息

智能捡球系统测试情况：

1.能精准识别出网球

2.能控制机械臂对网球进行抓取

3.能用语音控制系统，并可进行简单的语音交流

四、总结

很多球体识别都是直接利用找圆或颜色进行识别，此类方法识别度不高而且容易受到环境的干扰，本文设计的智能捡球系统采用深度学习算法，利用搭建深度卷积神经网络模型进行识别，更能适应复杂环境，且识别速度和准确率大大提高；并且采用的ROS分布式架构，多语言支持和可伸缩性，将每一个工作进程看成是一个节点，实现了整个机器人多个控制区的紧密连接与消息传递机制，大大地简化了原有的通信方式；通过调用API接口，采用语音模式控制，简化了对捡球系统的操作。