1. 从“搬运”到“系统”：赛项核心与备赛定位

第七届工程训练大赛的智能搬运赛项，我带着队伍完整地走了一遍。赛前，很多人包括我们自己，都把它简单理解为一个“让小车把东西从A点搬到B点”的任务。但真正投入进去，从规则解读、方案设计到现场调试，才发现这个“搬运”二字背后，是一个对机械、电子、控制、算法乃至团队协作的微型工业系统集成能力的全面考察。它远不止是让轮子动起来那么简单，而是要求你构建一个稳定、可靠、能应对复杂现场工况的“智能体”。

这个赛项的魅力也在于此。它没有给你一个现成的平台或套件，从车体结构、驱动方案、传感器选型到核心控制逻辑，全部需要自主设计与实现。这就像给你一堆乐高零件，告诉你最终要搭一座能自动运行的桥梁，至于怎么搭、用什么零件、如何让桥自己走起来，全凭你的本事。因此，备赛的第一步，也是最关键的一步，就是彻底摒弃“做个遥控车加点传感器”的学生思维，转而用“产品经理”和“系统工程师”的视角去审视整个项目。你需要思考的是：我的“产品”（智能搬运系统）在规定的赛场环境下，需要满足哪些功能性指标（如载重、速度、精度）和非功能性指标（如稳定性、鲁棒性、易调试性）？基于这些指标，我如何拆解出机械、硬件、软件三大模块的需求，并确保它们之间能高效协同？

这种思维转变直接决定了后续所有工作的方向与效率。比如，在机械设计时，你就不能只考虑“怎么把电机和轮子装上去”，而要同时考虑重心分布对运动稳定性的影响、结构刚度对循迹精度的影响、以及如何为后续的传感器（如摄像头、激光雷达）安装预留出最优的视野和空间。在硬件选型时，也不能只看参数高低，更要考虑供电系统的负载能力、各模块间的通信带宽与实时性、以及现场强光、电磁干扰等环境因素。软件层面，则要从“单线程顺序执行”升级到“多任务实时调度”的架构思维，确保感知、决策、控制各环节既能独立高效运行，又能通过清晰的数据接口紧密耦合。

2. 机械与硬件：稳定性的基石与性能的边界

机械是智能车的骨骼与肌肉，硬件是神经与感官。这一部分的任何疏漏，都会在软件和算法层面被无限放大，甚至导致整个系统在关键时刻“掉链子”。我们的核心设计原则是：在满足功能与性能的前提下，极致追求结构的简单、可靠与可维护性。

2.1 车体架构：在刚性与轻量化之间寻找平衡

车体架构是整个系统的物理承载平台。我们放弃了市面上常见的玩具车底盘或3D打印的复杂异形结构，选择了基于开源机器人平台（如基于铝合金型材的框架）进行二次开发。原因有三：一是开源平台经过大量项目验证，结构强度和连接可靠性有保障；二是其模块化设计允许我们快速调整尺寸、增减横梁以适应不同任务需求；三是丰富的配件生态（如电机支架、电池托板）能极大缩短机械装配时间。

在具体设计上，我们重点关注了以下几点：

1. 低重心与对称布局：将最重的部件（如电池、主控板）尽量布置在车体中心下方，并保证左右重量分布基本对称。这能显著提升高速行驶和急转弯时的稳定性，防止侧翻。我们通过简单的配重块进行了多次实测调整。
2. 驱动与转向方案选择：这是争论的焦点。常见方案有差速转向（两轮独立驱动）和阿克曼转向（带转向机构）。我们最终选择了四轮差速驱动（前后各一对驱动轮）。虽然阿克曼转向更接近真实汽车，转弯半径小，但其机械结构复杂，存在转向虚位，且需要额外的转向舵机，增加了控制和调试难度。差速驱动通过左右轮速差实现转向，控制算法统一（都是控制电机转速），结构简单可靠，虽然理论上转弯半径稍大，但通过算法优化（如入弯前减速、弯中内外轮差速控制）完全能满足赛场要求。关键在于，我们要搬运货物，结构越简单，出机械故障的概率就越低。
3. 载物机构设计：根据赛题，可能是抓取、铲取或举升。我们的策略是“被动兼容，主动简单”。例如，对于方块搬运，我们设计了一个带有轻度倾角的铲斗，配合车体前进的动能将方块“舀”起来，而非复杂的机械爪。这减少了舵机数量，降低了控制复杂度，提高了动作成功率。所有运动部件都考虑了防卡死设计和磨损余量。

2.2 传感器阵列：感知系统的冗余与互补

感知是智能的起点。赛场环境光照多变，地面反光，还可能存在其他队伍的车辆干扰，因此单一传感器极易失效。我们构建了一个以多线激光雷达（LiDAR）为主，视觉传感器（摄像头）为辅，编码器与IMU（惯性测量单元）为基底的复合感知系统。

• 激光雷达（主传感器）：我们选用了一款16线的二维激光雷达。它的核心价值在于提供不受光照影响的、厘米级精度的距离信息。我们主要用它做两件事：一是SLAM（即时定位与地图构建），在赛前建图阶段，让小车在空场地中慢速行走一圈，通过激光雷达数据构建出包含边界、障碍物位置的二维栅格地图；二是实时定位与障碍检测，在运行时，将当前帧的激光点云与已有地图进行匹配（如使用ICP算法或特征匹配），计算出小车在地图中的精确位姿（x, y, 航向角），同时识别出地图中未标注的动态障碍（如其他小车）。
• 摄像头（辅助传感器）：主要用于颜色识别、二维码/ArUco码识别等特征任务。例如，赛道上可能有颜色标记的引导线或需要识别的目标物颜色。我们将摄像头数据与激光雷达定位信息进行融合。当激光雷达告诉我们“你在A区域”时，摄像头就在A区域的图像中寻找特定颜色或图案，大大缩小了图像处理的范围，提高了识别速度和准确率。我们使用了OpenCV库进行图像处理，针对赛场光照条件，重点优化了白平衡和颜色阈值分割的算法，使其能适应一定范围的光照变化。
• 编码器与IMU（底层传感器）：这是常常被忽视但至关重要的部分。电机编码器提供车轮的转速和里程信息，用于实现精确的速度闭环控制和航迹推算（Odometry）。IMU则提供三轴加速度和角速度，用于补偿车辆在急加速、打滑时编码器产生的误差。通过扩展卡尔曼滤波（EKF）算法，融合激光雷达定位、编码器里程计和IMU数据，我们得到了一个高频（100Hz以上）、稳定、平滑的车辆位姿估计，这是所有上层决策和控制的基础。

注意：传感器安装的物理位置至关重要。激光雷达要尽量抬高，减少车体自身对扫描的遮挡，并确保水平；摄像头要避开强光直射角度，必要时加装遮光罩；所有传感器的线缆必须固定好，防止在震动中脱落或干扰运动部件。

2.3 电控系统：动力与控制的可靠保障

电控系统是心脏和神经中枢。我们的设计遵循“分区供电，数字隔离，通信优先”的原则。

1. 动力电源与控制电源分离：使用大容量、高放电倍率的锂电池（如3S或4S锂聚合物电池）单独为驱动电机供电。另一块容量较小的稳压电池（或通过DC-DC降压模块）为控制器、传感器、舵机等逻辑部件供电。这样做避免了电机启停时的大电流波动对敏感电子设备的干扰，极大提高了系统稳定性。
2. 主控制器选型：我们选择了性能强劲的嵌入式微控制器（如STM32H7系列）或单板计算机（如Jetson Nano、树莓派4B）。前者实时性极佳，适合做底层电机控制、传感器数据采集和滤波；后者算力强大，适合运行SLAM、视觉识别等复杂算法。我们采用了上下位机架构：下位机（STM32）负责所有实时控制任务（电机PID控制、编码器读取、IMU数据解算）；上位机（Jetson Nano）负责算法任务（SLAM、视觉、路径规划）。二者通过高速串口（如UART）或CAN总线进行通信。
3. 电机与驱动选型：根据车重、载重和预期速度计算所需扭矩和功率，留出至少1.5倍的余量。我们选择了带减速箱的直流无刷电机，搭配高性能的FOC（磁场定向控制）电调。FOC电调相比传统的方波电调，运行更平稳、噪音小、效率高，能提供更精细的转矩控制，这对于需要精确速度控制的差速转向车辆来说非常重要。
4. 布线工艺：所有电源线、电机线使用粗线径的硅胶线，并套上波纹管保护。信号线使用双绞线或屏蔽线。电源接口一律使用XT60等抗震可靠的接插件，杜绝杜邦线直接连接。良好的布线是现场不掉链子的最后一道物理保障。

3. 软件与算法：从感知到执行的智能闭环

软件是系统的灵魂，它将冰冷的硬件转化为有智能的实体。我们的软件架构分为感知、定位、决策、规划、控制五大模块，运行在ROS（机器人操作系统）框架上。ROS提供了节点间通信、消息传递、包管理等强大工具，让模块化开发变得清晰高效。

3.1 定位与建图：搞清楚“我在哪”

这是所有自主移动的基础。我们采用激光SLAM方案。在赛前调试阶段，我们使用Gmapping或Cartographer算法，手动遥控小车在空旷的赛场地图中行走，激光雷达数据实时构建出二维栅格地图（.pgm或.png图像格式，配有一个描述文件.yaml）。这张地图包含了静态障碍物的位置信息。

比赛时，我们使用AMCL（自适应蒙特卡洛定位）算法。AMCL是一种粒子滤波算法，它在我们预先建好的地图中，撒下一大把“粒子”（每个粒子代表一个可能的位置和朝向假设），然后根据当前激光雷达的观测数据，计算每个粒子的权重（观测数据与地图的匹配程度），权重高的粒子存活并繁殖，权重低的粒子被淘汰。经过多次迭代，粒子会聚集在小车真实位置周围，从而实现精准定位。AMCL的优势在于能有效处理机器人“绑架”问题（即被突然移动到别处），且计算量相对可控。

3.2 路径规划：找到“怎么去”的路

知道自己在哪，也知道目标点在哪（由任务决定，如取货点、卸货点坐标），接下来就需要规划一条路径。我们在ROS中使用Nav2导航框架。它提供了完整的导航功能栈。

1. 全局规划器：负责从起点到终点规划一条宏观路径。我们常用A*算法或Dijkstra算法。它们在地图的栅格上搜索，考虑静态障碍物，规划出一条最短或近似最短的路径。Nav2默认的nav2_navfn_planner或更先进的nav2_smac_planner都能很好地完成这个任务。
2. 局部规划器：这是关键中的关键。全局路径是一条理想的折线，但小车实际运动时，会遇到地图中未标明的动态障碍（其他车辆），或者由于控制误差偏离了全局路径。局部规划器负责根据实时传感器数据（主要是激光雷达），生成近期（未来几秒内）的线速度和角速度指令，使小车既能跟随全局路径，又能实时避障。我们主要使用TEB（Timed Elastic Band）局部规划器。TEB将路径视为一条由一系列位姿点组成的、有弹性的带子。它通过优化这些位姿点之间的时间和空间关系，生成一条动力学可行的、平滑的轨迹。TEB特别适合像我们这种差速驱动的机器人，它能直接优化出控制指令（v, ω），并且避障反应非常迅速。
3. 代价地图：这是规划器决策的依据。它由多层信息融合而成：static_layer来自静态地图；obstacle_layer来自实时激光雷达数据，标注动态障碍；inflation_layer在障碍物周围生成“膨胀区”，让规划器提前远离障碍，保证安全。合理设置膨胀半径（通常设为机器人半径的1.2-1.5倍）非常重要，太小会撞上，太大会导致在狭窄通道无法通过。

3.3 运动控制：执行“如何走”的指令

规划器输出的速度指令（cmd_vel话题，包含线速度v和角速度ω）需要被精准地转化为左右轮的电机的转速。对于差速驱动模型，转换公式是：v_left = v - (ω * wheel_base / 2)v_right = v + (ω * wheel_base / 2)其中，wheel_base是左右轮之间的轴距。

但这只是开环控制。实际中，由于地面摩擦、电池电压波动、负载不同，电机可能无法达到指定转速。因此，我们必须对每个电机进行PID闭环控制。下位机（STM32）以高频率（如1kHz）运行PID控制循环：

1. 读取编码器反馈值，计算当前电机实际转速。
2. 与目标转速比较，得到误差e。
3. 计算PID输出：output = Kp * e + Ki * ∫e dt + Kd * de/dt。
4. 将输出值（通常是PWM占空比）发送给电调，驱动电机。

PID参数（Kp, Ki, Kd）的整定是个经验活。我们的心得是：先调P（比例），让电机能快速响应但又不振荡；再调D（微分），抑制超调和振荡；最后调I（积分），消除静态误差。在现场，由于地面材质可能变化，我们准备了几组针对不同摩擦系数的PID参数，可以在上位机通过服务调用快速切换。

3.4 任务调度与状态机：让行为有序

智能搬运不是从一个点跑到另一个点就结束，而是一系列有序的动作：出发→识别并驶向取货点→执行取货动作（如铲起）→载货驶向卸货点→执行卸货动作→返回起点或进行下一轮。我们需要一个大脑来协调这些顺序和可能发生的异常（如取货失败、路径被堵）。

我们使用行为树（Behavior Tree）来实现任务调度。与传统的有限状态机相比，行为树更模块化，易于扩展和调试。在ROS中，可以使用BehaviorTree.CPP库。我们将整个任务分解成多个行为节点，例如：

• Sequence节点：按顺序执行子节点，所有子节点成功才算成功。
• Fallback节点：按顺序执行子节点，直到有一个成功为止。
• Condition节点：检查某个条件（如“是否到达取货点附近？”）。
• Action节点：执行具体动作（如“向取货点移动”、“执行铲取动作”、“等待2秒”）。

通过将复杂的任务逻辑可视化为树形结构，我们可以清晰地看到机器人的决策流程，并且在某个环节失败时（比如“执行铲取动作”失败），行为树可以自动回退到父节点（如“重试”或“执行恢复流程”），使系统更加健壮。

4. 现场调试与竞赛策略：稳定压倒一切

实验室里跑得再流畅，到了比赛现场都可能变成“薛定谔的车”。现场调试的目标，是将系统从“能工作”优化到“稳定可靠地工作”。

4.1 赛前场地适应性调试

拿到场地后，有限的调试时间极其宝贵，必须分秒必争，有条不紊。

1. 第一要务：重建地图。比赛场地和实验室的地形、障碍物摆放绝对不同。进场后，第一时间用建图模式，重新构建一张高精度的赛场地图。建图时小车速度要慢，确保激光雷达数据质量。
2. 传感器标定与验证：
   • 激光雷达：检查扫描数据是否完整，有无固定盲区。测量几个已知距离的物体，验证测距精度。
   • 摄像头：在不同光照位置（赛场上可能的不同位置）测试颜色识别和标签识别。现场调整颜色HSV阈值或曝光参数，并保存为不同的配置文件。
   • IMU与编码器：让小车在原地旋转数圈，再回到原点，检查通过IMU和编码器融合计算出的航向角与真实位置误差有多大。这个误差会影响定位精度。
3. 核心参数现场微调：
   • AMCL定位参数：适当增加粒子数（如从2000增加到5000）以提高定位稳定性，尤其是在特征较少的空旷区域。
   • TEB局部规划器参数：这是调试重点。根据赛场实际通道宽度，调整min_obstacle_dist（最小障碍距离）和inflation_radius（代价地图膨胀半径）。如果小车在转弯时过于“犹豫”或抖动，可以调整max_vel_x（最大线速度）、max_vel_theta（最大角速度）以及acc_lim_x（加速度限制）。我们的黄金法则是：在确保能通过最窄通道的前提下，尽可能限制最高速度。比赛求稳不求快，一次成功的慢速运行远胜于多次失败的冲刺。
   • PID参数：如果赛场地面摩擦力与实验室差异很大（如更光滑的环氧地坪），需要重新微调电机PID的速度环参数，主要是P和D值，确保启停平稳，不打滑。

4.2 竞赛中的策略与应急处理

比赛时，心态和策略与技术同等重要。

1. 制定保守的任务策略：除非赛制是纯粹竞速，否则优先选择成功率最高的方案。例如，取货时，宁愿让车多花1秒对准，也不要冒险高速冲撞；路径规划时，宁愿绕远一点走宽阔区域，也不要贴着障碍物走。
2. 设计完备的异常处理机制：
   • 定位丢失：在行为树中设置监控节点。如果AMCL报告的定位协方差突然增大（表示定位不确定度增高），或者长时间收不到有效的cmd_vel指令（可能规划失败），则触发恢复行为：让小车缓慢停止，原地缓慢旋转（试图重新获取特征匹配），或播放一段预设的“恢复轨迹”。
   • 任务失败：例如，铲取动作后，通过传感器（如摄像头看货物是否在铲斗内，或重量传感器）判断取货失败。行为树应能触发重试流程（后退，重新对准，再次尝试），并设置最大重试次数（如3次），超过则放弃该任务，尝试继续后续流程或返回待命区，避免死锁。
   • 通信看门狗：在下位机程序中设置软件看门狗，监控与上位机的通信。如果超过一定时间未收到心跳包或控制指令，下位机应自动执行安全停车程序，防止小车失控。
3. 团队分工与现场协作：明确分工，一人主控电脑（负责启动程序、监控日志），一人手持遥控器（负责紧急接管和手动恢复），一人观察场地和对手（提供策略信息）。使用统一的术语沟通，如“定位飘了”、“规划器卡住了”。所有关键的启动命令、参数修改命令，最好写成脚本，一键执行，避免现场输入错误。

5. 那些“踩过坑”才明白的事

回顾整个备赛历程，有些经验教训是文档里不会写，只有亲身踩过坑才能深刻理解的。

1. 供电是万恶之源：超过一半的现场诡异问题，最终都指向供电。电机启动瞬间的电压跌落可能导致主控制器重启；劣质线缆或虚接的接头会产生压降和发热；不同设备共地不良会引入噪声。我们的终极解决方案是：使用高质量的动力电池和BEC（稳压模块），所有电源接口上电前必用万用表测量，关键电路（如主控、雷达）增加磁珠或π型滤波电路，并在软件中增加电压监测告警。
2. “差不多”就是“差很多”：机械装配时，觉得轮子有点晃“差不多就行”；标定时，觉得参数差一点“差不多能用”。到了赛场上，这些“差不多”会累积放大，导致循迹跑偏、定位漂移。必须用工程师的严谨来要求每一个细节：轮子要锁紧，同轴度要调，传感器安装角度要用水平仪校准，标定数据要多次测量取平均。
3. 日志系统是你的“黑匣子”：一定要在软件中构建完善的日志记录系统。不仅记录INFO、WARN、ERROR，更要把关键数据（如实时位姿、速度指令、传感器原始数据）以较高的频率写入文件或ROS Bag。当出现无法复现的bug时，这些日志是唯一的问题溯源依据。我们曾遇到小车在某个特定角落总是规划失败的问题，就是通过回放ROS Bag，发现那个角落的激光雷达出现了罕见的镜面反射干扰，导致代价地图出现幽灵障碍物。
4. 测试，测试，再测试：实验室测试要模拟极端情况：用手挡住激光雷达一部分视野；突然改变光照；在地面撒些碎屑模拟打滑；频繁地手动打断任务。只有经过“虐待式”测试的系统，才有资格上赛场。我们建立了完整的测试清单，每一项都必须通过才能进入下一阶段。
5. 文档与代码管理：从第一天起就使用Git进行版本控制，每一次硬件改动、参数调整、代码更新都必须有记录。机械图纸、电路图、接线表、软件参数配置文件，全部整理归档。这不仅是为了团队协作，更是为了在最后紧张的调试阶段，当你想回溯“上周那个跑得很稳的参数是什么”时，能立刻找到答案。

智能搬运赛项，就像一场微缩的工业自动化项目研发。它带给你的远不止一张奖状，而是一套完整的、从问题定义到产品落地的系统工程方法论。当你看到自己设计的机器人，在嘈杂的赛场中，稳定、准确、有条不紊地完成一个个任务时，那种将想法变为现实的成就感，是任何理论课程都无法给予的。这份经历，无论是对于继续深造，还是走向产业界，都是一笔宝贵的财富。