From Farm to Fork 从农场到餐桌”—移动机器人底盘助力智慧农业 | 松灵机器人首席科...
城市立体农场的发展离不开智慧科技，其中移动底盘承担了搬运，摘取，除草等传统劳动密集型工作。
机器人大讲堂直播间 053期
我们特邀松灵机器人首席科学家张延亮先生做客机器人【大讲堂直播间】，为大家分享松灵机器人对“FromFarm to Fork 从农场到餐桌”中的移动底盘技术的探索。从12年前的移动农业机器人公司鼻祖波士顿Harvest Automation公司开始讲起，它的起起落落也代表了农业移动机器人的发展历程。
本期分享要点如下
农业机器人的现状
“FromFarm to Fork”初衷及移动底盘的作用
移动农业机器人应用的开发挑战
移动农业机器人应用的开发介绍
'关注「leaderobot」微信公众号，后台回复'松灵'，即可获得本次直播回放链接'
01
农业机器人的现状
农业机器人的发展可分为两个阶段，首先是以传统农业机械为基础进行自动化或智能化的改进，比如Autonomous Solutions公司推出的计算单元，传统的农机通过加装该产品后就可成为无人驾驶；此外还有Blue River Technology等公司则主打精准农业。
其次是机器人的跨界使用，即把现有的机器人运用在农业上，如大疆的农业无人飞机，其不仅提高了生产效率，更重要是创造了一个新的工种，给人带来很大震撼。
此外国外还有很多公司如Aerobotics、FarmWise Labs等公司并没有改进农业机械而是重新定义了农业机器人产品。
总结来看，无论是传统农机升级还是机器人跨界使用，它们都存在一个共同的特点，即都运用在数千公顷甚至更大的大型农场场景中。那么有一些公司在面向相对小公顷的农场时就出现了问题，如小的使用场景导致需求的不足、机器人由于场景等因素的精度不足导致降低了效率、社区农业等概念尚未兴起等。
02
“From Farm to Fork”初衷及移动底盘的作用
在过去，利用机器人实现From Farm to Fork（从农场到餐桌）面临着成本过高、市场较小且收益周期长等问题。但是在如今疫情冲击下，很多城市都在提怎么样才能使我们的食物来源更多样化，减少对一些特定供应链的依赖。From Farm to Fork则被重新提出并被赋予了新的概念。
在新的“From Farm to Fork”可明显的看出可持续性的重要性，城市农场和立体农场等将真正走进人们的现实，在利用机器人实现From Farm to Fork的过程中，移动底盘将扮演着极其重要的角色。
若移动底盘在“From Farm to Fork”的过程中可以实现高度定制化，那么则会更好的适应更多不同的场景。例如，在精准农业方面会提高效率；在摘取和包装方面可更智能化；在运输方面可以更安全。
03
移动农业机器人应用的开发挑战
当我们的移动底盘实现高度定制化后就可适用于不同的场景，如在精准农业上，可提高作业的效率；也可实现更智能化的摘取和包装；在运输方面也可更为安全有效。因此移动底盘的需求也将有新的增长点。
需要指出的是，当前大多数机器人的特点是需要人为参与、使用场景较为苛刻且只能做单一作业，这与客户的期望有很大差距，这就要求我们的机器人更智能化、更安全且能够与传统的设施进行整合。总的来看，农业机器人仍面临着诸多挑战。
机器人从系统架构来说，可分为零部件层、系统层和应用层。零部件层主要包括机构、传感器、控制和电量管理等元素，那么将这些零部件进行不同的组合就构成了机器人的系统层如工业机器人、服务机器人和移动机器人等；再进一步加上一些AI算法就达到了应用层，可用以实现智慧农业、智能工业等。
从众多机器人公司的发展来看，大多数的开发者都属于即拿即用的状态，很难从产品的开发、制造、维修和服务等一系列生命周期内考虑。因此，我们在做零部件层或选零部件时要格外注意零部件的通用性和可靠性。正是基于可靠的零部件，我们的系统层才会更安全。
另外，在部署时要对自身系统模型有足够的认知并能打通虚拟与现实交互，在做到建模和虚拟现实之后就可进行测试和进一步的认证。那么有了零部件层和系统层的基础，应用层就可百花齐放，例如基于移动底盘可以实现5G部署、远程接管、万物识别、任务调度等等，能充分满足不同场景的功能需求。
04
移动农业机器人应用的开发介绍
基于模型设计
系统开发通常遵循的是V字形的开发流程，即从项目立项到实现再逐步到运行和维护，这种传统的开发流程能够应对一般的系统，但对于我们庞大而复杂的机器人系统，传统的V字形则不能实现快速迭代和更新，易导致开发效率低下。
在此我们采用了“基于模型设计”的开发流程，在这个流程中我们将时间和精力放在系统的建模、仿真和算法验证上，这些部分做好后，代码实现和验证就可借助工具来实现。
零部件建模
下面将通过实例进行阐述，以松灵机器人为例，其零部件层包括电机 驱控、传感器和BMS等，那么如何实现三者完美的融合控制呢？
比如想要实现成本最低、精度又好底层控制算法，需要考虑以下因素：对于电机来说，其出厂的参数不能保证百分之百精确，那么想要实现完美的精准控制则就需要对电机模型进行系统辨识，在此用的了MATLAB中的系统辨识工具箱；做完辨识后，就要调电机的控制器了，对于一般的电机PID算法已经足够，在进行选参的时候则是可以利用工具箱将参数快速找出。
做完电机后，可能还有其他传感器，如相机，用同样的方法，利用工具对相机模型进行纠正，可以快速捕捉到参数。总的来说，做这些工作都是为了保证我们的零部件层足够的准确和稳定。
系统建模
图片来自www.mathworks.com
3、物理建模
物理建模是比较推荐的一种，对于机器人整体来说，众多的零部件导致传统的数学建模和数据建模难以实现，而物理建模则是根据自身需求依次拖入零部件模型即可，如车轮模型、电机模型等等，这样做的好处在于让计算机计算其背后的运动学和动力学模型。
图片来自www.mathworks.com
仿真和验证
基于上述的工作，假设我们已经有了整个机器人的模型，接下来就是做控制器，那么通过模型在环可初步判断出控制机器人需要多少计算量，在此过程中，也可对前期系统和零部件的参数选型进行验证。模型在环的过程均是在模拟环境下进行，无需要成本。
在控制器和模型都做好后，就需要对主控进行选型。先利用计算机的编译器将控制器编译成动态链接库，然后在计算机上对机器人进行控制，由此可以得所需处理器、内存等参数，进一步确定选择哪种开发板，这过程称为软件在环。
在经过软件在环后我们就会选出哪种类型的开发板即可满足使用，比如STM 32F4；那么在大批量采购之前需要对该开发板是否满足需求进行验证，此时需要购置一块板子。将目标控制器重新编译后将可执行文件置于所需的板子内，利用板子控制仿真的模型，测试性能，此过程称之为处理器在环。
接下来就是硬件在环，对于机器人来说，经过处理器在环后就可去打样，但对于比较贵的设备来说，硬件在环过程也可进行联合仿真对控制做进一步验证。
之所以需要走这样的流程，最主要目的就是加速开发效率，降低开发成本。在此有一款工具箱---Robotics System Toolbox，其能够帮助实现上述的一系统流程。
图片来自www.mathworks.com
应用开发
在松灵机器人的基础，我们与客户进行了深层次的融合，如摘取、喷农药、检测等等应用案例。
图片来自www.mathworks.com