技术领域
[0001] 本发明涉及体育设备技术领域，尤其涉及一种捡网球机器人及其定位识别捡球方法。
相关背景技术
[0002] 近十年来，网球运动在全球范围内呈现出增长的趋势，越来越多的人参与到网球运动中。在运动中不免涉及到收球的问题。现有的网球捡球设备分为两种，一、纯人工捡球设备，二、智能捡球设备。当前行业以及领域的现状是各式各样的人工捡球设备层出不穷，智能捡球设备有待发展。无论是哪一种都有一定的局限性。经过查阅资料发现捡网球机器人中使用了摩擦轮的技术能够很好的实现捡球的任务，并且在最近机械视觉技术的兴起，结合现有的网球捡球技术，实现对网球的捡球工作。第一种设备主要优势为轻量化，但也只是起到了辅助捡球的作用并没有改善人力的捡球的现状，第二种智能捡球设备，改善并且满足了使用机械替代人工的需求，但是制造成本相对昂贵，亦或者是简单的使用电力提供能源，代替人力但是实际使用起来体验感很差。鉴于此，本领域技术人员设计了一种捡网球机器人及其定位识别捡球方法。
具体实施方式
[0043] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0044] 如图1至图7所示，一方面，本发明公开了一种捡网球机器人，包括机座1、移动机构2、识别定位机构以及捡球机构，所述移动机构2连接在所述机座1底部，所述移动机构2包括设置在所述机座1底部的四个麦克纳姆轮，所述识别定位机构连接在所述机座1上，所述识别定位机构包括垫高架7、设置在所述垫高架7上的云台8、舵机12以及设置在云台8上的摄像头9，所述垫高架7设置在所述机座1上，所述捡球机构连接在所述机座1前侧，所述捡球机构包括安装座3、设置在所述安装座3外侧的两组进球导架4、设置在所述安装座3上的捡球模组5以及设置在所述捡球模组5后侧的储球箱6，所述安装座3下端中部设置有入球口31，所述安装座3表面与所述入球口31连通设置有导球斜槽32，两组所述进球导架4在所述入球口31前侧向中心收口形成导球通道，所述捡球模组5包括对称设置在所述入球口31两侧的驱动电机51以及设置在所述驱动电机51输出端上的摩擦轮52，所述导球斜槽32与所述入球口31连通设置，所述导球斜槽32的宽度大于两组所述摩擦轮52之间的间距，所述安装座3端部设置有水平延伸部33，所述入球口31在所述水平延伸部33的底端呈下沉式设置，所述进球导架3高出地面设置，所述进球导架3与地面之间的间距小于网球的直径，所述进球导架4包括连接部41和一体成型在所述连接部41端部的收拢部42，所述导球通道位于所述两组所述收拢部42之间，所述连接部41连接在所述垫高架7的底部。
[0045] 在本发明的其中一项实施例中，所述摄像机9包含OpenMV模块，以STM32F767CPU为核心，集成了OV7725摄像头芯片，在小巧的硬件模块上，用C语言高效地实现了核心机器视觉算法，提供Python编程接口。所述云台8与舵机12可以实现上下左右各180°的旋转，所述机座1采用亚克力板。所述安装座3为带角度安装座，所述驱动电机51选用DJI的snail‑2305无刷伺服电机，所述摩擦轮52采用聚氨酯包胶作为包边材料的2305摩擦轮。为保证网球在接触车体时首先接触的是摩擦轮52，加长安装座3水平长度形成水平延伸部33，确保摩擦轮52接近地面，同时为了保证安装座3的足够强度，通过安装座3给予多角度斜边进行连接支撑。安装座3用来固定snail‑2305无刷伺服电机。在装配上，snail‑2305无刷伺服电机顶部分别通过M2螺纹孔与2305摩擦轮及底部的M3螺纹孔与安装座3连接。网球导向传输到捡球模组的两个摩擦轮间隙当中，利用两组摩擦轮52旋转挤压网球发射原理反向发射网球，使其进入储球箱6中得以被收集。通过摩擦轮52的高速旋转，网球受到摩擦轮52反向摩擦力和挤压作用，获得动力提升到指定初速度，进入预定路线，沿预定轨迹运动进入储球箱6，完成捡球收集过程。
[0046] 为了辅助提升小车的定位效果，设计进球导架4帮助网球在入球处更好地接触摩擦轮52，使小车收集网球更有效率。因此确定好摄像头9的死角距离L后，测量进球导架4与摩擦轮52的切线长度L1，由勾股定理求得进球导架4的斜边S。完成进球导架4的尺寸设计。进球导架4尺寸设计计算如下图5，确定摄像头9的最低定位距离，即摄像头9获取到网球位置信息后，驱动至逐渐丢失网球信息处距离摄像头9距离，在此距离上增加些许冗余长度，则该长度为进球导架的长度L；接下来以一侧进球导架4垂直到该侧摩擦轮52所连直线L1和摩擦轮52到进球导架9最远端的竖直距离L2视为直角三角形的两个直角边，由勾股定理求出将所定位网球送入摩擦轮52入球点的斜边长度S即为进球导架4的斜边长，由此直角三角形计算，进球导架4竖置长度与斜边长度的角度为60°。由此计算得出进球导架4的尺寸。
[0047] 所述机座1上还设置有控制模块，所述控制模块包括主控板10以及电池11，所述控制模块分别与所述移动机构2、识别定位机构以及捡球机构电性连接，所述控制模块信号连接有远程监控终端。在本发明的其中一项实施例中，所述电池11为一大一小双电池设计，大电池主要用于供电，小电池可作为备用电源，所述远程监控终端为手机APP或专用的控制平台，用户可以实时查看机器人的状态信息，包括电量、位置、任务进度等关键指标。一旦检测到异常情况或故障预警，系统会立即发出警报，用户或技术人员可以远程介入，进行必要的调整或维护，确保机器人始终处于最佳工作状态。这种远程监控与维护机制，不仅简化了日常的管理和维护工作，也为机器人在复杂环境下的长期稳定运行提供了坚实的保障。
[0048] 另一方面，本发明公开了一种定位识别捡球方法，该方法包括以下步骤：
[0049] S1、启动电源，麦克纳姆轮带动实现360度旋转，捡球机器人步进式前进，此时摄像头9以自身为原点进行360度的扫描工作，搜寻需要拾取的目标；
[0050] S2、判定摄像头9识别范围内是否存在网球，若不存在，返回S1；若存在，进入S3；
[0051] S3、对摄像头9视野中的所有目标物进行测距，根据三角相似原理，利用下述公式计算目标距离：
[0052]
[0053] 则
[0054]
[0055] 其中，Lm表示机器人与目标之间的距离，Bpix表示摄像头9中目标物占的像素，Apix表示固定的图像像素，a表示镜头视角的一半，K表示常数；
[0056] 并根据目标距离计算距离因子：
[0057]
[0058] 其中，distance＝Lm，d表示距离因子；
[0059] S4、将网球以及锐利物品等障碍物分别赋予一个类别标签，基于目标的类型，为每个目标一一分配相应的初始优先级，其中，网球的初始优先极设为正值，锐利物品、障碍物等物体的初始优先级设为负值；
[0060] S5、基于目标带来的潜在性威胁，利用下述公式计算出风险因子：
[0061] r＝risk_factor
[0062] 其中，r表示风险因子，risk_factor是预先设定好的危险值；
[0063] S6、机器人通过初始优先级、距离因子以及风险因子计算出最终优先级：
[0064] p＝(initial_p+d)*|r|
[0065] 其中，p表示最终优先级，initial_p表示初始优先级，d表示距离因子，r表示风险因子；
[0066] S7、若最终优先值为正值，机器人根据最终优先级的最大数值优先进入S8实现捡球；若最终优先值为负值，机器人优先对最终优先极的绝对值最大值实现避让；
[0067] S8、麦克纳姆轮带动摄像头9移动，使得待捡网球精确置于摄像头9的视野中心；
[0068] S9、进球导架4将球收拢到入球口31处，入球口31两侧的驱动电机51驱动摩擦轮52转动带动网球进行发射，网球沿导球斜槽32进入到储球箱6内进行收集；
[0069] S10、根据预设的电池阈值判定电池电量是否充足，若充足，继续捡球；若不充足，麦克纳姆轮驱动机器人返回充电。
[0070] 在本发明的其中一个实施例中，通过人脸识别绑定，识别成功后开始识别并且追踪视野内的网球，在成功追踪到网球以后便可以与STM32主控板信息交互，提供网球坐标以及距离，四个麦克纳姆轮开始进行原地的360度旋转。这一动作不仅是为了覆盖最大化的视野范围，更重要的是，它启动了机器人搭载的深度学习模型，开始实时分析来自高清摄像头的每一帧画面。摄像头的视野被精心设定为400×400像素的方形区域，确保了足够的细节捕捉与快速的数据处理速度。深度学习模型，经过海量的图像数据训练，能够迅速识别并定位目标——无论是网球还是其他类型的球类，甚至可以辨识出潜在的障碍物与危险物品。麦克纳姆轮单次前进的步进距离为5～10米。它根据预设的目标优先级进行动态决策。网球总是排在首位，但遇到如锐利物品等潜在危险障碍时，机器人会自动调整路径，优先避开威胁，确保安全第一的原则。这一过程不仅仅是简单的识别与排序，更是对环境感知与智能决策的深度融合，体现了机器人在复杂场景下的适应能力。在本发明的其中一项实施例中，其初始优先级值为网球：10，锐利物品：‑5，障碍物：‑10，这里的数值仅作为示例，实际应用中，优先级值可能会根据具体需求进行调整。
[0071] 在本发明的其中一项实施例中，当捡网球机器人通过摄像头9搜寻到网球后，若初始优先级为10，距离为5米，没有额外的风险因子(即锐利物品)，那么：
[0072]
[0073] 在本发明的另一项实施例中，如果遇到一个距离为10米的锐利物品，且风险因子为‑5，则：
[0074]
[0075] 这样，即使锐利物品距离较远，由于其高风险因子，机器人会优先避开这类潜在的危险。
[0076] 在出发捡球的过程中以通过摄像头9的左右摆动来识别并且远离左右两侧的危险物品，在避开危险物品后，将网球收集。储球箱6逐渐充实，达到一定数目以后便会自行返回。一般对于返回的判断会有两种方式，一种是达到固定数额返回，第二种便是电量低返回方式。
[0077] 电池的SOC可以通过多种方法来计算，其中一种常见的方法是通过积分法(也称为安时法)来估算。这种方法基于电池充放电过程中电流的测量，通过积分来计算消耗或储存的能量，从而推算出剩余电量。
[0078]
[0079] 其中：SOC(t)是在时间t时的电池SOC(以百分比表示)，SOC(t0)是初始时刻t0的电池SOC，Qnom是电池的额定容量(单位：Ah或mAh)，i(t)是在时间t时的电池电流(正数表示充电，负数表示放电)
[0080] 在实际应用中，由于连续积分的计算较为复杂，通常采用离散的累加方法，即：
[0081] 此为推导得出
[0082]
[0083] 在机器人应用中，电池电量管理还包括考虑电池的健康状态、温度效应、电池老化等因素。为了更准确地预测剩余电量，可以结合电池模型和历史数据，使用机器学习算法进行预测。当SOC降至预设阈值(如20％或30％)时，机器人会触发返回充电的指令，开始规划返回充电站的路径。这一阈值的设定需要平衡机器人的续航能力和任务需求，以确保在电量耗尽前能够安全返回充电
[0084] 因为电池的容量可以确定，并且每分钟的电池消耗量可以确定，便可以的通过减法的得出剩余的电量，从出发开始计算行走时间一旦超过了设定的阈值时间便自动返回。
[0085] 最后需要强调的是，以上所述并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种变化和更改，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
