前言

回顧上篇：基于RK3576 + ROS2 Humble + SLAM Toolbox + Nav2，我們實現(xiàn)了機器人的建圖與自主導航。機器人已經能夠“走到哪里”。但真正的智能機器人不僅要“走到哪”，還要“看到并操作”——識別特定物體、主動跟隨、近距離抓取。本文將在此基礎上，集成深度攝像頭，實現(xiàn)機器人核心功能：

· 使用米爾RK3576 NPU加速MixFormerV2進行目標跟蹤，替代傳統(tǒng)OpenCV算法;

· 移動底盤跟隨目標物體，保持安全距離;

· 機器人機械臂抓取物體，完成“識別-跟隨-抓取”閉環(huán)。

名詞預先了解：

· 手眼轉換：將相機看到的物體坐標轉換到機械臂可執(zhí)行的坐標系下。

· 逆運動學：給定末端目標位姿，反解出機械臂各關節(jié)應轉動的角度。

圖：米爾基于RK3576核心板開發(fā)板

第一章：系統(tǒng)總體架構與硬件連接

1.1 硬件組成

· 主控平臺：米爾基于RK3576核心板開發(fā)板(內置6TOPS NPU)

· 深度攝像頭：RGB-D深度相機(輸出RGB、IR、深度三路數(shù)據(jù))

· 機械臂：6軸輕量機械臂(串口控制)

· 移動底盤：STM32控制，麥克納姆輪

1.2 軟件模塊與數(shù)據(jù)流

整個系統(tǒng)分為五個核心ROS2節(jié)點：

整體數(shù)據(jù)流：

相機 → MixFormerV2跟蹤器 → 手眼轉換 → 底盤跟隨節(jié)點 → 靠近停止 → 機械臂逆運動學規(guī)劃 → 抓取執(zhí)行。

第二章：深度相機數(shù)據(jù)獲取

與普通USB攝像頭不同，深度相機在ROS2下通過標準驅動節(jié)點發(fā)布話題數(shù)據(jù)。本文使用的RGB-D相機輸出三路信息：

· RGB圖像：用于目標跟蹤的視覺輸入

· IR圖像：輔助深度計算(夜間或弱光可用)

· 深度圖像：每個像素的毫米級距離值

相機輸出格式為：640×400 NV12，幀率13~15 FPS。主控RK3576通過訂閱ROS話題(如 /camera/color/image_raw 和 /camera/depth/image_raw)即可獲取數(shù)據(jù)，無需直接操作 /dev/video* 節(jié)點。

關鍵點：深度圖像與RGB圖像需要時間對齊和空間對齊(通常相機驅動已提供對齊后的深度圖)，以便后續(xù)將目標2D框映射到3D坐標。

第三章：NPU加速的MixFormerV2目標跟蹤

3.1 為什么放棄OpenCV，改用NPU+MixFormerV2?

傳統(tǒng)OpenCV跟蹤算法(KCF、CSRT等)在光照變化、遮擋、快速運動下容易丟失目標，且完全依賴CPU，幀率受限。而MixFormerV2是一種基于Transformer的端到端跟蹤器，精度高、魯棒性好。配合RK3576內置的6TOPS NPU，可以：

? 推理速度提升：單幀推理30ms左右，實際跟蹤幀率可達15~20 FPS;

? CPU占用大幅降低：NPU獨立處理視覺任務，CPU可專注ROS2通信與運動控制;

? 功耗更低，適合嵌入式移動機器人。

3.2 模型轉換與部署流程

1. 模型轉換：下載MixFormerV2的PyTorch權重，使用RKNN-Toolkit2工具轉換為 .rknn 格式，并做INT8量化。

2. ROS2節(jié)點實現(xiàn)：

? 訂閱RGB圖像話題;

? 將圖像縮放至模型輸入尺寸(如224×224)，進行預處理;

? 調用NPU推理，輸出目標邊界框;

? 結合深度圖中對應區(qū)域的有效深度值，通過手眼轉換得到目標在機器人坐標系下的3D坐標(X, Y, Z);

? 發(fā)布 /target_3d_position 和 /tracking_box 話題。

3. 性能匹配：相機幀率約15 FPS，MixFormerV2采用累計3幀一起推理的方式(batch size=3)，單次耗時約70ms，整體匹配流暢。

3.3 手眼轉換

本文采用 “眼在手上” 的配置：深度相機固定在機械臂末端，隨機械臂一起運動。此時，相機到機械臂末端(camera_link → end_effector_link)的變換是固定的(可通過標定獲得)，而機械臂末端到基座(end_effector_link → arm_base_link)的變換則隨關節(jié)角度實時變化。

在ROS中，我們需要：

? 標定相機到機械臂末端的靜態(tài)TF。

? 機械臂驅動節(jié)點根據(jù)當前關節(jié)角度實時發(fā)布 end_effector_link → arm_base_link 的動態(tài)TF。

? 通過 tf2 監(jiān)聽完整變換鏈，將物體坐標從相機系轉換到機械臂基座系。

第四章：底盤移動跟隨目標

當跟蹤節(jié)點輸出目標在機器人底盤坐標系下的3D位置后，底盤跟隨節(jié)點 object_follower 執(zhí)行以下邏輯：

? 計算相對位置：得到目標相對于機器人中心的水平距離和角度偏差。

? 優(yōu)先調整方向：先原地旋轉，使機器人正對目標(角度偏差 < 5°)。

? 前進至抓取距離：保持正對，以線速度向前移動，直到距離目標約0.5米(安全抓取范圍)。

? 停止并通知抓取：到達抓取范圍后，發(fā)布速度零指令，并觸發(fā)抓取標志。

第五章：機械臂抓取物體

當?shù)妆P停止在抓取距離(約0.5米)后，抓取節(jié)點啟動。本系統(tǒng)不依賴MoveIt 2，所有機械臂控制通過串口直接下發(fā)各關節(jié)角度，逆運動學由我們自行實現(xiàn)。

5.1 手眼轉換(眼在手上)

相機固定在機械臂末端，因此手眼轉換分為兩部分：

? 靜態(tài)部分：相機到機械臂末端的變換(camera_link → end_effector_link)，通過一次標定得到固定值。

? 動態(tài)部分：機械臂末端到基座的變換(end_effector_link → arm_base_link)，由機械臂當前關節(jié)角度實時決定。

在抓取流程中，目標物體在相機圖像中被檢測到后，首先得到物體在相機坐標系下的3D坐標，然后通過ROS的tf2監(jiān)聽完整的變換鏈：camera_link → end_effector_link → arm_base_link，自動轉換到機械臂基座坐標系。這一過程無需手動干預，只要機械臂驅動節(jié)點正確發(fā)布關節(jié)狀態(tài)和TF即可。

5.2 逆運動學解算

六軸機械臂通過串口接收角度指令(每個軸一個角度值)。為了抓取目標點，需要求解逆運動學：已知末端夾爪在機械臂基座下的目標位置(以及期望的姿態(tài)，例如垂直向下抓取)，反算出6個關節(jié)的角度。

? 實現(xiàn)方式：針對具體機械臂的幾何參數(shù)(D-H參數(shù))，編寫解析解或數(shù)值迭代解(如雅可比偽逆法)。解析解速度快，適合固定構型;數(shù)值法通用但需注意收斂。

? 輸出：6個關節(jié)角度(單位：度或弧度)，通過串口逐條發(fā)送(可同時發(fā)送或按順序移動)。

5.3 抓取流程

? 獲取目標坐標：從跟蹤節(jié)點讀取底盤停止瞬間的目標3D點(已轉換到arm_base_link坐標系)。

? 設定抓取姿態(tài)：根據(jù)物體形狀和相機視角，設定夾爪的期望方向(例如讓夾爪水平或垂直接近)。這一步需結合經驗預設。

? 逆運動學求解：輸入末端目標位姿，計算出各關節(jié)角度。若求解失敗(如目標超出工作空間)，則調整底盤位置重新跟隨。

? 發(fā)送關節(jié)角度：通過串口依次發(fā)送6個關節(jié)的角度指令，等待機械臂運動到位(可簡單延時或讀取狀態(tài)反饋)。

? 夾?。喊l(fā)送夾爪閉合指令(串口另一命令)，通過電流反饋或限位開關判斷是否夾住物體。

? 完成：抓取成功后，機械臂保持閉合，底盤可原地等待下一步指令。

第六章：總結與展望

本文在上篇“建圖與導航”的基礎上，為米爾RK3576機器人增加了“視覺跟隨與抓取”能力，實現(xiàn)了完整的“識別-跟隨-抓取”閉環(huán)。關鍵技術包括：

? MixFormerV2 + NPU 實現(xiàn)高能效目標跟蹤;

? 手眼轉換：將相機看到的物體坐標轉換到機械臂可執(zhí)行的坐標系下。本文采用“眼在手上”配置(相機固定在機械臂末端)，需同時考慮固定偏移和關節(jié)運動。

? 自研逆運動學 控制6軸機械臂精準抓取(不依賴MoveIt 2)。

米爾RK3576這一方案可廣泛應用于服務機器人、巡檢機器人、教育競賽等場景。下一步可探索：

? 多目標切換跟隨;

? 動態(tài)避障與跟隨并行;

? 抓取后自動放置(結合上篇的導航回位功能)。