描述

The Irrigator：人工智能驅(qū)動的灌溉機(jī)器人

Irrigator是一種自主、可持續(xù)發(fā)展的智能機(jī)器人，可以照料室內(nèi)和室外植物。本演示的重點(diǎn)是給植物澆水，但設(shè)計和實現(xiàn)可以擴(kuò)展到執(zhí)行其他任務(wù)，例如分配肥料和殺蟲劑、檢測土壤中的水位、檢測生病的植物。

設(shè)計

廣泛的設(shè)計目標(biāo)：

自主- 它在沒有（或最少的）人為交互的情況下完成工作。

可持續(xù)發(fā)展——它使用太陽能為電池充電，使用雨水為水箱注水，并且盡可能使用回收材料制成（例如，我使用回收木材、金屬和螺絲制作底盤）。

智能- 它使用計算機(jī)視覺和機(jī)器學(xué)習(xí)來執(zhí)行復(fù)雜的任務(wù)。

具體設(shè)計目標(biāo)：

Nvidia Jetson Nano - 用作可以運(yùn)行高級機(jī)器學(xué)習(xí)推理的中央控制單元。

Nvidia Isaac SDK - 用作機(jī)器人的編程平臺。

機(jī)器人整體圖及其主要模塊如圖1所示，實際實現(xiàn)如圖2所示。

圖 1 - 灌溉器的主要模塊

?

圖 2 - 灌溉器及其部分模塊

?

?

硬件

下面（也在這里）是這個項目中使用的材料的詳細(xì)清單（木頭、螺絲、膠水、電線、膠帶等除外）。價格以新加坡元為單位，鏈接僅供參考。對于我從當(dāng)?shù)匚褰鸬曩徺I的某些組件，我找不到鏈接。但是，我在下面提供了詳細(xì)信息和照片。

該項目的估計成本為 459 新元（約合 330 美元）。

我沒有某些組件的網(wǎng)絡(luò)參考，因為我是從我所在地區(qū)的五金店購買的。

圖 3 - 組件

?

在圖 3 中，我展示了 (1) 一塊 20W 太陽能電池板，(2) 一塊 7Ah 可充電鉛酸電池，(3) 2 個帶齒輪箱的電機(jī)，(4) 2 個輪子，(5) 2 個電機(jī)支架，以及(6)太陽能電池板充電器一個。如果你打算建造這個機(jī)器人的復(fù)制品，你可以使用不同規(guī)格的組件，但你需要注意設(shè)計目標(biāo)。例如，電機(jī)應(yīng)能承載至少 10kg 的負(fù)載（主要是水箱）。電池可以具有更高的容量。我不建議使用容量低于 7Ah 的電池。太陽能電池板的功率應(yīng)該足以給電池充電。

圖 4 - 車輪

?

圖 5 - 齒輪箱電機(jī)類型

?

圖 4 和圖 5 顯示了帶有齒輪箱的電機(jī)。這些是 12V、5000 轉(zhuǎn)/分的電機(jī)，而齒輪箱將轉(zhuǎn)速降低到 30 轉(zhuǎn)，并使電機(jī)能夠拉動超過 10 公斤。圖 4 還顯示了輪子。確保支撐輪（未連接到電機(jī)的）可以左右旋轉(zhuǎn)。如果它們是固定的，您的機(jī)器人可能會由于高摩擦力而無法左轉(zhuǎn)或右轉(zhuǎn)。

控制單元

控制單元是機(jī)器人的“大腦”。圖6是控制單元的原理圖，圖7是控制單元的接線圖（我附上了Fritzing做的原理圖），圖8是實際實現(xiàn)。Irrigator的“大腦皮層”是一塊Jetson Nano板，運(yùn)行主控制回路和 AI 算法來檢測植物和花盆。附加到它的是 Raspberry Pi Camera v2.1。

為了控制電機(jī)和讀取所有傳感器，我使用了兩個Arduino Uno板。這些板代表灌溉器的“小腦”。Jetson Nano 和 Arduino Uno 之間的通信是通過SPI完成的。我使用 Jetson 的J41 連接器的 SPI1 和 SPI2 引腳以及對應(yīng)于其SPI 接口的 Arduino Uno 的引腳 10 (SS)、11 (MOSI)、12 (MISO)、13 (SCK) 。

要在 Jetson 上啟用 SPI ，您需要運(yùn)行：

sudo /opt/nvidia/jetson-io/jetson-io.py

完成此步驟后，您可以使用/dev/spidev0.0和/dev/spidev1.0與兩個 Arduino 板進(jìn)行通信。我使用 Linux 源代碼中的SPI 測試程序作為我在 Jetson Nano 上的驅(qū)動程序的起點(diǎn)（請參閱Github上的更多詳細(xì)信息）。

圖 6 - 控制單元圖

?

圖 7 - 控制單元示意圖

?

圖 8 - 控制單元實現(xiàn)

?

控制單元讀取以下傳感器：

• 用于對象識別的Raspberry Pi 相機(jī)模塊v2.1。
• 兩個聲納 ( HC04 ) 分別放置在距地面約 5 厘米和約 50 厘米處（見圖 2）。您可能想要添加更多的接近傳感器以獲得更高的精度。
• 兩個編碼器分別檢測左右兩個車輪的運(yùn)動。目前，我使用 IR 接近傳感器實現(xiàn)這些編碼器，但它們不是很準(zhǔn)確。
• 水箱水位傳感器（YwRobot Water Level ）。
• 【選配】四個電流傳感器，測量不同模塊的用電量。這些是ADS712基于霍爾效應(yīng)的線性電流傳感器。

控制單元命令：

• 使用L298 H 橋的電機(jī)。
• 打開/關(guān)閉水泵和燈的繼電器 ( SRD-05VDC-SL-C )。這些繼電器需要一個額外的晶體管 ( BD137 )，因為 Arduino GPIO 電流可能不足以流過繼電器的線圈。

為了分配和測量這些模塊使用的能量，我創(chuàng)建了一個自定義配電單元。請注意，某些組件使用 12V：

• 馬達(dá)
• 泵（需要 ~ 3A 電流）
• 光

一些組件使用 5V：

• Jetson Nano（需要 ~3A）
• 阿杜諾
• 所有的傳感器

軟件

Irrigator的代碼托管在 Github 上。您可以在README.md中找到有關(guān)設(shè)置的更多詳細(xì)信息。

該代碼有兩個主要層，(1) 機(jī)器人控制和 (2) 使用 AI 進(jìn)行植物檢測。對于第一層，您需要使用 Arduino IDE 和 USB-B 電纜對 Arduino 板進(jìn)行編程。兩塊板的代碼在src/arduino文件夾中。

接下來，您需要在 Jetson Nano 上運(yùn)行驅(qū)動程序。控制單元的主循環(huán)用C代碼表示如下：

while (run_flag) {
    go_forward();
    if (dist1 < 100 || dist2 < 100) {
        stop();
        usleep(250000);
        on_light();
        int ret = run_ai();
        if ((ret >> 8) == 1) {
            printf("Plant detected!\n");
            go_forward();
            sleep(2);
            stop();
            usleep(250000);
            on_pump();
            sleep(5);
            off_pump();
            usleep(250000);
            go_backwards();
            sleep(2);
            stop();
            usleep(250000);
        }
        off_light();
        usleep(250000);
        go_left_90();
    }
    sleep(1);
}

上面的代碼告訴機(jī)器人只要聲納沒有檢測到障礙物（1m 以內(nèi)）就向前移動。如果檢測到某些障礙物，機(jī)器人將執(zhí)行以下任務(wù)：

• 停止
• 在燈上
• 拍張照片
• 運(yùn)行物體檢測
• 如果檢測到植物或花盆，則向前移動一點(diǎn)，在水面上，等待幾秒鐘，離開水面，向后移動
• 關(guān)燈
• 向左轉(zhuǎn)以避開障礙物

請注意，需要一些延遲（usleep() ）以避免 Arduino 上的 SPI 消息丟失。

控制器可以通過兩種方式實現(xiàn)。首先，編寫 C 或 Python 程序來控制機(jī)器人的經(jīng)典整體方式。這是在irrigator_spi.c中實現(xiàn)的。要運(yùn)行它，請在 Jetson 上執(zhí)行這些 shell 命令：

$ cd git/irrigator/src/jetson/driver
$ make
$ ./irrigator_spi

第二種方式，模塊化且靈活，是使用 Nvidia 的Isaac SDK。對于這個版本的 Irrigator，我在 Github 上的src/jetson/isaac文件夾中的兩個小代碼 Driver 和 Detector 中實現(xiàn)了我的代碼。Driver 處理機(jī)器人的硬件和運(yùn)動，而 Detector 處理 AI 部分。他們使用 Isaac Messaging API 進(jìn)行通信。

該軟件的第二層包括使用 AI 對象檢測的植物和盆栽檢測。由于代碼在 Jetson Nano 上運(yùn)行，我首先考慮使用jetson-inference存儲庫中的教程。但是，我使用 TensorFlow Lite (TFLite) 模型獲得了最佳結(jié)果。特別是，我正在使用coco_ssd_mobilenet_v1_1.0_quant_2018_06_29和 inception_resnet_v2_2018_04_27。有關(guān)更多 TFLite 模型，請參閱TFLite 托管模型。我從每個模型中獲取前 3 個檢測結(jié)果并搜索plant of pot關(guān)鍵字（參見run-all-models.sh). 目前，檢測（包括拍照）需要 10-11 秒。光是拍照就需要 4 秒。

未來的工作

我計劃在不久的將來進(jìn)行這些優(yōu)化：

• 只在晚上開燈（使用光檢測傳感器或模型來檢測太陽升起）
• 根據(jù)圖像中檢測到的罐/計劃的位置將軟管槍（或機(jī)器人）居中
• 如果檢測到多個盆/植物，使用一系列灌溉步驟使機(jī)器人居中并為每株植物澆水
• 使用 cron 作業(yè)在晚上開始灌溉，在早上為電池充電