SeigRobotics1. 项目概述：边缘侧感知如何赋能移动机器人自主乘梯
在智能制造和智慧物流场景中，移动机器人（AGV/AMR）的跨楼层运输一直是个技术痛点。传统方案依赖电梯改造或中央调度系统，不仅成本高昂，还存在响应延迟问题。我们团队通过边缘侧感知技术，让机器人自主完成电梯呼叫、门状态识别、舱内定位等全套操作，实测平均乘梯时间缩短40%。
这个方案的核心在于将感知决策能力下沉到机器人本体。就像人类乘梯时不需大脑刻意计算每个动作，机器人通过激光雷达、深度相机和边缘计算模块构成的"感官系统"，能实时理解环境并做出智能反应。下面我将从硬件选型、逻辑设计和实际部署三个维度，拆解这套系统的实现细节。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 硬件架构设计与传感器选型
2.1 边缘计算单元配置
选用NVIDIA Jetson AGX Orin作为边缘计算核心，其32TOPS的AI算力足以同时运行多个视觉模型。关键参数配置：
- 工作频率：1.5GHz (节能模式)/3.0GHz (性能模式)
- 内存：32GB LPDDR5
- 存储：1TB NVMe SSD（用于存储地图和日志）
注意：必须禁用自动休眠功能，我们曾因系统休眠导致电梯门检测失效，机器人卡在楼层间长达15分钟。
2.2 多传感器融合方案
采用"激光雷达+RGB-D相机+超声波"的冗余设计：
- 禾赛XT32激光雷达（水平FOV 360°，垂直FOV30°）
- 安装高度1.2米，倾斜15°向下
- 主要检测电梯门开合状态和轿厢位置
- Intel RealSense D455深度相机
- 分辨率1280×720@30fps
- 用于识别电梯按钮和障碍物
- 6个US-100超声波传感器
- 布置在机器人四周
- 检测近距离障碍（特别是电梯门缝）
传感器标定是个技术活。我们开发了自动标定工具，通过识别特制标定板上的AprilTag，一次性完成所有传感器的坐标系对齐，误差控制在±2mm内。
3. 自主乘梯逻辑的核心算法
3.1 电梯状态机设计
将乘梯过程分解为7个状态：
mermaid复制stateDiagram-v2
[*] --> 等待呼叫
等待呼叫 --> 门厅就位: 检测到电梯按钮
门厅就位 --> 等待开门: 按下呼叫按钮
等待开门 --> 进入轿厢: 门开≥80cm
进入轿厢 --> 舱内定位: 超声波全向检测
舱内定位 --> 选择楼层: 识别按钮面板
选择楼层 --> 等待到达: 门关闭
等待到达 --> [*]: 门重新开启
实际编码时需要用超时机制保护每个状态转移。比如"等待开门"状态如果持续30秒未检测到门开，就触发异常处理流程。
3.2 视觉识别关键算法
电梯按钮识别采用改进的YOLOv5s模型：
- 输入尺寸：640×640
- 数据集：采集了15种电梯的2000+张按钮图片
- 特殊处理：针对金属反光问题，在预处理阶段加入MSRCR算法增强
python复制# 按钮状态判断逻辑
def check_button_status(detected_boxes):
active_buttons = []
for box in detected_boxes:
roi = crop_image(box)
if np.mean(roi) > 220: # 高亮度判断
active_buttons.append(box.class_id)
return active_buttons
3.3 激光雷达点云处理
电梯门检测算法流程：
- 截取1.5-2米高度范围内的点云
- 使用RANSAC算法拟合两个垂直平面（门扇）
- 计算两平面间距作为开门宽度
- 当宽度连续5帧＞80cm时判定为可进入
cpp复制// 平面拟合核心代码
pcl::SampleConsensusModelPlane::Ptr model(
new pcl::SampleConsensusModelPlane<PointT>(cloud));
pcl::RandomSampleConsensus<PointT> ransac(model);
ransac.setDistanceThreshold(0.01);
ransac.computeModel();
4. 实际部署中的工程挑战
4.1 多电梯品牌适配
不同厂商的电梯存在三大差异：
- 按钮面板布局：有的横向排列，有的呈圆形分布
- 门运动方式：对开门/侧滑门/折叠门
- 反馈信号：部分电梯有语音提示，需增加音频分析模块
我们的解决方案是建立电梯特征数据库，机器人首次进入新环境时执行学习模式，人工引导完成一次乘梯过程后自动记录特征参数。
4.2 动态避障策略
在轿厢内需要特别处理：
- 静态避障：保持与四周墙壁≥20cm距离
- 动态避障：检测到移动物体（如人）时立即停止
- 紧急情况：任一超声波传感器持续3秒检测到＜10cm距离时触发急停
实测发现，在轿厢内使用2Hz更新速率的自适应蒙特卡洛定位(AMCL)算法，定位误差可控制在±3cm内。
5. 性能优化与实测数据
经过三个月的现场调试，主要性能指标如下：
| 指标 | 初始版本 | 优化版本 |
|---|---|---|
| 平均乘梯耗时 | 82s | 48s |
| 按钮识别准确率 | 91.2% | 99.6% |
| 门状态检测延迟 | 1.2s | 0.3s |
| 系统功耗 | 45W | 28W |
关键优化措施：
- 将视觉模型从FP32量化到INT8，推理速度提升3倍
- 激光雷达采用动态采样策略，空闲时降低到5Hz
- 使用ROS2的Component机制，按需启停功能节点
6. 典型问题排查手册
6.1 电梯按钮无法识别
可能原因及解决方案：
- 反光干扰 → 启用MSRCR预处理
- 视角倾斜 → 调整云台俯仰角
- 新按钮类型 → 进入学习模式采集样本
6.2 定位漂移问题
我们总结的"三步定位法"：
- 进轿厢前记录绝对坐标
- 进轿厢后切换为相对坐标
- 出轿厢时通过门框特征校正
6.3 多机器人调度冲突
通过UWB组网实现协同：
- 优先级机制：载货机器人优先于空载
- 预约机制：提前300ms广播乘梯意图
- 超时释放：占用电梯超过90秒自动退出
这套系统在某汽车工厂部署后，实现了32台AMR的7×24小时跨楼层物料运输，故障间隔时间(MTBF)达到1200小时。最让我自豪的是，有次电梯突发故障自动停运，我们的机器人通过感知系统检测到异常，主动避开了那台电梯，而同期测试的RFID方案机器人全部卡死。这充分证明了边缘智能的可靠性优势。