基于K60的搬运机器人

随着电子商务的迅速发展，越来越多的人选择在网上购物。每年的节假日各大网络购物平台都会做很多活动吸引消费者购买产品，从而有大量的快件产生，致使快递行业压力越来越大，为了能减轻快递行业的压力，使得快件尽快送达消费者手中，仓储的机器化就显得尤为重要。仓储的机器化能够加快快件的分配、运输等，减少人力的付出，增加企业收入并提升企业的综合实力，搬运机器人也因此应运而生。

  1 仓储物流机器人的总体设计

   本文所设计的机器人是一种小型的车体，车体的前轮采用对称的两个轮子以及电机作为动力输出，车体的后轮采用一个万向轮作为辅助转向轮。车体的前方安装OV7725摄像头，在车身的合理位置安放电机驱动、电池、主控芯片等。

   在本设计中小车要运输物件，目前的设计为快件都放置在货架上，此货架为常见的立式货架，下方为四个万向轮支撑，现在多为人力的推动使货架到达指定位置，而现在要做的是将人力改为机器动力，所以本设计的机器人能够与货架连接，类似半挂车的原理。机器人的运行过程为：车体首先运行至货架前方，车体放下一根连杆与货架连接后摄像头采集路面信息，将信息传回主控芯片进行处理，主控芯片将处理的信息传出至电机驱动，机器人做出相应动作带动货架运行至指定位置完成快件运输功能。

  2 系统硬件设计

  2.1 车体设计

  在本设计中搬运机器人采用K60单片机作为主控单元，车体采用亚克力板制作，车轮采用橡胶轮胎，电机采用大马力的减速电机，车体的前轮由两个减速电机及两个橡胶轮组成，后轮采用一个万向轮放置于车体中线上。

  2.2 主控及各传感器的选择

  搬运机器人要运行必须要能识别路径，在本设计中采用OV7725摄像头获得视野并识别具体路径；电机驱动采用MOS管双电机驱动，驱动电流最大可达10A；电池采用2200mah的锂电池。

   3 仓储内路径设计

  作者的能力有限，在这方面的算法没有深入的研究，因此采用比较简单的方法完成机器人的行走路径的设计。

  目前的方法为分支结构的路径规划，具体为：将快件要送达的地点进行分类运输，先分为东北、华东、华中、华北、华南、西南、西北。再具体分为东北（黑龙江省、吉林省、辽宁省、内蒙古自治区东部）；华东（上海市、江苏省、浙江省、安徽省、福建省、江西省、山东省、***省）；华北（北京市、天津市、山西省、河北省、内蒙古自治区中部）；华中（河南省、湖北省、湖南省）；华南（广东省、广西壮族自治区、海南省、香港特别行政区、澳门特别行政区）；西南（四川省、贵州省、云南省、重庆市、西藏自治区）；西北（陕西省、甘肃省、青海省、宁夏回族自治区、新疆维吾尔自治区、内蒙古自治区西部）。这样划分的目的是为了将快件运输至指定位置后可以直接装车送达目的地，减少运输之间。

  在本设计中机器人将以寻迹方式在规划的线路上运输货物，最经过隐含层而处理，最后由输出层输出。对于中间的隐含层前一层的输出就是下一层的输入。

   在人类学习的过程中，我们不断接触具有相同特征的事物，做大量的练习，通过正反馈使得相应神经元之间的连接得到增强，从而使得我们学会相应的任务。对于人工神经网络，其学习过程也类似，我们通过改变连接系数，不断的使得网络学到的结果和我们希望它学习的内容直接的差异不断减小而完成其学习过程。主要的学习方法有。

  四、神经网络的发展展望

  今日，在深度学习及硬件性能提升的基础上，人工神经网络尤其是深度网络得到广泛的研究和应用。但是仍然存在着许多困难阻碍其更进一步实际的应用。首先，由于一般的实际问题都需要是要使用多层的网络，随着层数的变多，可以修改的参数也随之成倍增加，这样一来，利用传统的梯地下降法进行训练，其收敛的速度极慢。同时训练对于神经网络的应用极其重要，因此我们首先要提供合适的样本以供训练。为了得到较好的学习效果，一般会采用监督学习，及对于每一个样本均有相应的标签，在训练的过程中，通过改变连接系数减小网络预测值与标签的误差。现实应用中需要大量 的样本，样本标签的获得需要人力物力，提高了应用的成本。

  为了解决训练速度的问题，一方面可以通过提出更易于训练的新型网络和学习方法来解决，另一方面可以通过构建人工神经网络专用的处理器，来提高训练及运行速度。由于无标签的样本较容易获得，不需要过多数据加工，因此让网络从没有标签的样本中自己学习即无监督学习可以减小标记样本的成本。但是无监督算法较难实现，而通过在样本中进行少量的标记而进行的半监督学习则较为容易实现，因此半监督学习算法及无监督学习算法的发展将推动人工神经网络的发展及进一步应用。

  五、总结

  人工神经网络是以神经元模型为基础而构建的一种数学模型，它通过训练过程调整每个神经元之间的连接系数，从而学会某一任务。相比于传统的编程方法，它更擅长处理一些人类很容易完成，但传统计算机难以解决的问题，如语音识别，机器翻译，人脸识别等等。自从近年来深度学习算法的提出，人工神经网络已渐渐地投入实际应用中，如手机语音助手，百度在线翻译等等，相信随着更优化的算法进一步提出，以及计算机性能的提高，人工神经网络最终将极大地推动生产力的发展甚至的社会变革。