RM2025 工程机器人
电控负责人 · 嵌入式系统与整机集成
为 38 kg 工程机器人构建从自定义控制器、双主控到六轴机械臂、舵轮底盘与真空系统的协同控制，并把模型、保护与现场调试收敛为可上场的整机系统。
- 系统范围
- 双主控 + 自定义控制器，覆盖机械臂、舵轮、升降、云台与真空执行
- 现场结果
- 训练、正式比赛与全明星任务均完成实机验证
- 上线边界
- 运动学与补偿上线；实验功能单独标注
- 个人角色
- 电控负责人：架构、控制、联调与赛场保障
背景
为 38 kg 工程机器人构建从自定义控制器、双主控到六轴机械臂、舵轮底盘与真空系统的协同控制，并把模型、保护与现场调试收敛为可上场的整机系统。
完成三端嵌入式架构、机械臂与舵轮控制、真空吸取和整车保护，并在 2025 赛季及全明星赛进行实机任务验证。
数字均限定在 2025 赛季实际任务范围内：约 90% 为个人观察估计，5.8 秒为一次全明星任务计时，均不作为普遍性能承诺。
个人贡献
- 设计并维护三端嵌入式架构，划分输入采集、整车决策与执行控制边界。
- 完成机械臂运动学、关节控制、舵轮底盘、升降与真空系统的协同控制。
- 建立回零、超时、速度与舵向约束及状态观测，组织整车联调和赛前检查。
- 与机械、视觉和操作手共同迭代任务流程，并在赛场承担快速排障与参数收敛。
- 技术环境
- STM32G473 / STM32G431 · FreeRTOS · FDCAN / Modbus RTU · 6-DoF Arm · Swerve Chassis · Kinematics · Vacuum System
系统实现
输入与状态
云台/机械臂板采集 VTM 与自定义控制器输入，并以 0xBA 状态帧回传到底盘板。
整车决策
底盘板统一管理机器人模式、互锁与任务状态，通过 0xAA 指令帧向机械臂侧下发协同命令。
冗余通信
Modbus 485 为主要板间链路，FDCAN3 保留为备份路径；链路状态被纳入超时和保护逻辑。
执行机构
六轴机械臂、四舵轮、升降、云台、真空泵和电磁阀由统一状态机编排。
VTM / 自定义控制器操作输入
机械臂 / 云台主控输入、机械臂、真空
底盘主控模式、互锁、舵轮与升降
0xBA 状态回传 → ← 0xAA 指令下发 · Modbus 485 主链路 / FDCAN3 备份
功能上线边界
| 功能 | 状态 | 依据 |
|---|---|---|
| 关节闭环与重力 / 静态补偿 | 已部署 | 赛场任务路径实际调用；第二、三关节补偿在输出计算中启用。 |
| 逆运动学自动目标路径 | 验证过，未上线 | 求解函数与实验路径存在，但最终任务路径未启用整段自动 IK。 |
| 机械臂工作空间限制 | 验证过，未上线 | 限制函数完成并测试，正式任务路径中的调用保持关闭。 |
| 动态侧翻模型 | 已放弃 / 保持关闭 | 未进入赛场版本；实际使用速度、舵向约束与操作流程管理风险。 |
| 遥操作力反馈 | 已放弃 / 保持关闭 | 因链路频率和模型可信度不足，从正式任务模式移除。 |
技术决策
从完整动力学退回可部署补偿
- 背景
- 完整 RNE 模型对质量、质心和摩擦参数敏感，实机辨识成本高，赛季时间内难以保证跨姿态稳定。
- 选择
- 保留运动学与关节级闭环，采用更易验证的重力/静态补偿和阻尼手感，把复杂度放在真实任务需要的位置。
- 完成结果
- 控制策略能够在实际机械误差和负载变化下稳定部署，也为现场调参留下了清晰边界。
用约束和回零管理 38 kg 整车风险
- 背景
- 长机械臂带来显著惯量与重心变化，但尚不具备可依赖的在线动态侧翻模型。
- 选择
- 启用速度、舵向变化约束，配合回零、姿态检查和操作流程保护；不把代码中关闭的动态侧翻模型当作已上线能力。
- 完成结果
- 任务执行阶段未发生翻车，风险控制可以由代码状态和赛前流程共同验证。
用现有反馈完成吸取检测
- 背景
- 重量限制不允许每个吸盘都配置独立泵和压力传感器。
- 选择
- 机械臂吸盘利用 M3508 泵的转速与电流判断工作状态，储矿吸盘使用气压反馈。
- 完成结果
- 在不增加不可接受硬件重量的前提下获得可用的吸取状态观测。
放弃不可靠的力反馈
- 背景
- 遥操作链路频率和机械臂模型精度不足，试验中的力反馈会带来延迟与误导性的手感。
- 选择
- 停止将力反馈用于赛场操作，保留更稳定的输入映射、补偿与状态提示。
- 完成结果
- 减少了难以解释的振荡和操作负担，系统能力描述也与实际上线状态一致。
调试过程
力反馈实验为何没有进入赛场版本
为了让操作手感知机械臂负载，我尝试把模型估计与执行端状态回传到自定义控制器。
现象
- 快速动作时反馈落后于视觉和本体运动，手感与真实接触不同步。
- 不同姿态和负载下估计偏差变化明显，操作手难以形成一致预期。
排查
- 分别检查控制周期、板间链路更新频率和模型参数对输出的影响。
- 在相同动作下对比开启与关闭反馈时的操作稳定性和重复性。
根因
链路频率与模型准确性共同限制了反馈质量；继续叠加滤波只能掩盖延迟，不能建立可信触觉。
修复
- 从正式任务模式移除力反馈闭环。
- 保留可验证的重力/静态补偿、输入映射和状态提示。
- 把未启用实验功能与赛场能力在代码和文档中明确区分。
验证与证据
- 由操作手重复完成存取、兑换和移动任务，确认动作可预测。
- 在赛前检查中逐项验证通信、回零、真空和底盘约束。
复盘工程控制不是模型越完整越好；当反馈不能被操作手信任时，及时缩小系统边界比继续堆叠算法更可靠。
验证与证据
- 分模块完成关节、舵轮、升降和真空执行测试，再进行多节点整车联调。
- 用实机任务视频、赛场第一视角和赛事结果交叉验证功能，而非只展示仿真。
- 据赛季训练和比赛中的个人观察，矿石存取动作成功率约 90%；未保留逐次任务统计表，因此该数字作为范围估计，而非正式测量。
- 在本人参与的比赛任务阶段没有发生翻车；这是特定赛季运行记录，不代表所有姿态下的安全证明。
- RoboMaster 2025 全明星赛的一次四级矿石兑换计时为 5.8 秒；该结果来自整车、机构、操作和现场协作，不归因于单一控制算法。
数字均限定在 2025 赛季实际任务范围内：约 90% 为个人观察估计，5.8 秒为一次全明星任务计时，均不作为普遍性能承诺。