边缘计算在移动机器人电梯交互中的实践与优化

1. 项目背景与核心挑战

移动机器人（AGV/AMR）在工业物流、医疗配送等场景的应用日益广泛，但跨楼层作业时仍面临电梯交互这一关键瓶颈。传统方案多依赖电梯改造或中央调度系统，存在部署成本高、响应延迟等问题。我们团队开发的边缘侧感知方案，通过在机器人本体实现完整的乘梯决策闭环，将平均乘梯耗时从行业平均的82秒降至45秒，故障率降低67%。

关键突破：采用多传感器融合的边缘计算架构，使机器人具备自主呼叫、门状态检测、楼层识别等核心能力，无需依赖电梯厂商接口或云端调度。

2. 系统架构设计

2.1 硬件感知层配置

• 激光雷达：SICK TIM571（270°视场角），安装高度0.6m，用于电梯门缝检测（精度±3mm）
• RGB-D相机：Intel RealSense D435i，倾斜15°向下安装，实现按钮识别与防夹检测
• 惯性测量单元：BMI088 6轴IMU，补偿机器人进出电梯时的姿态变化
• 边缘计算单元：NVIDIA Jetson AGX Xavier（32TOPS算力），运行自主开发的轻量化推理模型

2.2 软件逻辑分层

mermaid复制graph TD
    A[感知层] -->|原始数据| B(特征提取)
    B --> C{决策引擎}
    C -->|门状态| D[运动控制]
    C -->|楼层确认| E[电梯交互]
    C -->|异常检测| F[安全协议]

3. 核心算法实现

3.1 电梯门状态检测

采用改进的线段特征提取算法：

python复制def detect_door_lines(scan_data):
    lines = cv2.HoughLinesP(scan_data, 1, np.pi/180, 10, 
                           minLineLength=50, maxLineGap=10)
    vertical_lines = [l for l in lines if 85°<calc_angle(l)<95°]
    return merge_lines(vertical_lines, gap_threshold=20)

• 实测指标：检测成功率98.7%（光照>50lux场景）
• 避坑经验：需针对不同电梯门材质（不锈钢/镜面）调整激光反射强度阈值

3.2 乘梯决策状态机

mermaid复制stateDiagram
    [*] --> 等待电梯
    等待电梯 --> 门开启检测: 收到到达信号
    门开启检测 --> 进梯确认: 持续500ms检测到门缝>30cm
    进梯确认 --> 楼层选择: IMU姿态稳定
    楼层选择 --> 出梯准备: 到达目标楼层
    出梯准备 --> [*]: 门开启检测持续1s

4. 实际部署优化

4.1 动态延时补偿

电梯机械门存在±200ms的动作延迟，我们建立延迟预测模型：

code复制预测延时 = 基础延时(150ms) + 0.2×当前负载重量(kg)

通过压力传感器数据实时修正等待时间，使平均对接成功率达到99.2%。

4.2 多机器人协同策略

• 时间窗预约：将电梯运行周期划分为5s间隔的时隙
• 冲突解决：采用改良的PBFT算法，3轮通信内达成共识
• 实测数据：4台AMR共用电梯时，吞吐量提升40%

5. 故障排查手册

关键技巧：部署前需采集目标电梯的EMI频谱，预存到机器人的环境特征库中。

6. 性能对比测试

实际在某三甲医院的药品配送场景中，12台AMR累计完成28,569次自主乘梯，成功率99.18%。特别在急诊时段，乘梯响应速度比人工操作快37%。

7. 扩展应用方向

本方案的核心边缘感知框架可迁移至：

• 自动门禁通行
• 狭窄通道会车
• 特种设备巡检
  当前正与电梯厂商合作开发标准化接口模块，预计可将部署时间从8小时缩短至30分钟。