啟智MANI是一款專門用于移動抓取教學的機器人平臺。其擁有麥克納姆輪全向移動底盤、硬件里程計、激光測距雷達、立體視覺相機、四自由度機械臂等一系列配置。機載計算單元集成384枚GPU硬件加速器，具有的三維圖形處理和神經網絡運算能力。所有實驗例程基于ROS機器人操作系統，實驗內容覆蓋ROS的Navigation、MoveIt、OpenCV、PCL等多個子系統和函數庫，完整實現環境建圖、定位導航、運動學規劃、機器視覺和三維感知等經典技術。除了基于硬件實體的現場實驗，還特別設計了基于Gazebo的軟件仿真實驗，非常適合移動抓取機器人技術的教學和研究。
底盤系統
啟智MANI機器人底盤為麥克納姆輪四驅結構，具備360°全向移動特性。減震系統采用針對麥克納姆輪進行特別優化的增強型麥弗遜獨立懸掛，相較于傳統麥弗遜，具有更強的輪面穩定性，確保麥克納姆輪與地面的接觸角度，在提高越障能力的同時，依然保持了全向運動的位移精度。
激光雷達
啟智MANI機器人使用新版本的RPLIDAR激光雷達。相較于舊版本，在360°全方向掃描障礙物的同時，具備更高的采集頻率和更遠的探測距離，進一步增強了機器人的環境探測能力和運動避障性能。
機械臂
啟智MANI機器人搭載了一臺OpenManipulator-X機械臂。該機械臂運動輕巧靈活，每個關節都具備位置環和電流環控制功能，可通過總線通訊精確反饋每個關節的當前角度。結合ROS的MoveIt!子系統，可以輕松實現機械臂的運動學正反解，快速精準的完成各種物體抓取和放置任務。
GPU硬件加速
啟智MANI機器人的主控計算機，使用NVIDIA新推出的Jetson Xavier NX運算單元，在保持車體結構緊湊的同時，帶來了強大計算性能。Jetson Xavier NX內置 384 枚 CUDA 硬件運算核心、48 個 Tensor Core 和 2 個 NVDLA 引擎，具備21 TOPS 的計算加速能力。如此強悍的性能，讓其可以并行運行多個現代神經網絡，并同時處理來自多個傳感器的高分辨率數據。
三維視覺系統
啟智MANI機器人的視覺系統，使用微軟新推出的第四代Azure Kinect立體相機。該相機集成了深度，視覺，聲音和方向四大類傳感器，其中包括100萬像素TOF深度傳感器、1200萬像素RGB彩色攝像頭、7麥克風圓形陣列和6軸慣性測量單元IMU。三維視覺分辨率比上一代Kinect提高了四倍，探測范圍擴大了50%，配合強大的GPU計算能力，可以更快更精確的識別、定位和追蹤目標物體。
參數列表
整機參數 | |
整體重量 | 20KG |
底盤負載 | 50KG |
運動性能 | 速度1.5m/s，推力80牛。 |
驅動方式 | 全向麥克納姆輪 |
尺寸 | 長568mm寬426mm高655mm |
電控系統 | 分布式控制系統，采用總線通訊方式，每個動力單元配備獨立高精度伺服系統。 |
機械結構 | 模塊化框架設計，機械擴展性強，維修和改裝方便。特別設計的懸掛減震系統，具有優秀的運動穩定性。 |
主體材質 | 高級航空鋁數控加工底盤，高強度合金骨架，部分承力結構使用鋼制材料。 |
運算單元 | |
硬件性能 |
|
通訊接口 |
|
其他外設 |
|
操作系統 | ROS Noetic / Ubuntu 20.04 |
動力系統 | |
總線系統 |
|
電機 |
|
麥克納姆輪 |
|
底盤結構 | |
懸掛結構 | 增強型麥弗遜獨立懸掛，相較于傳統麥弗遜，具有更強的輪面穩定性。 |
橫向輪距 | 橫向輪距360mm，采用多連桿穩定設計，越障時輪距變化不超過1.2mm。 |
縱向輪距 | 縱向輪距400mm，具有較強的越障平穩性，越障高度20mm。 |
機械手臂 | |
自由度 | 4 |
臂長 | 380mm |
自身重量 | 700G |
末端負載 | 500G |
夾持范圍 | 20mm~75mm |
配套資源 | 提供完整的運動模型資料，附帶運動學函數接口，可以在ROS系統中直接進行運動學規劃。 |
激光雷達 | |
掃描范圍 | 360° |
探測距離 | 12m |
測距精度 | 0.3cm |
掃描精度 | 0.9° |
立體相機 | |
成像技術 | 采用第四代TOF技術 |
分辨率 | 4096×3072 |
橫向視角 | 120° |
縱向視角 | 120° |
幀率 | 30 fps |
加速度計 | 內置3軸加速度計 |
陀螺儀 | 內置3軸陀螺儀 |
接口 | USB 3.0 |
電源 | |
電池 | 1. 進口優質鋰離子電池，輸出電壓24V，容量10.5AH。模塊化全密封結構，具有能量密度高、放電能力強、安全性高的特點； 2. 電池模塊配備獨立保護電路，具有過充、過放、過流及短路保護功能； 3. 放電電流20A，放電功率480W，充電時間2.5小時。 |
軟件功能
1. URDF模型描述——啟智MANI機器人具備完整的URDF模型描述，可以在ROS系統里直接加載。
2. 三維立體視覺——啟智MANI機器人采用第四代的TOF立體相機，探測距離達到12米，視角120°，適用于對室內環境的三維模型重構。
3. SLAM環境建圖——啟智MANI機器人裝備了新一代360°激光雷達，可以實時掃描機器人周圍的障礙物分布狀況，借助HectorSLAM和GMapping算法，創建環境地圖。
4. 自主定位導航——啟智MANI機器人將激光雷達掃描的距離信息與電機里程計數據進行融合，使用AMCL方法進行地圖定位，結合ROS的move_base進行自主導航。
5. 機械臂運動學——啟智MANI機器人可使用MoveIt!子系統對機械臂進行運動學正反解計算，并完成運行路徑的自動規劃。
6. 物品抓取——啟智MANI機器人通過立體相機獲得三維點云，對點云中的物品進行檢測、匹配和輪廓辨識，計算每個物品的外形尺寸和三維空間坐標。然后使用機械臂完成物品抓取操作。
7. 多機器人系統——啟智MANI機器人可以多臺實現相互配合協作。基于ROS開發的群體決策模型，擁有任務分解、效用考核、角色分配、行為同步等多個層級的系統架構，能夠很好的協調多個機器人協同完成復雜任務。
8. GAZEBO仿真系統——啟智MANI機器人的模型文件具備完整的物理慣量和傳感器配置描述，可以在GAZEBO仿真環境里直接加載。附贈的源碼資源中，包含多個物理仿真場景，可以脫離機器人實體，在純軟件環境中進行算法模擬。
教學資源
啟智MANI機器人配備實驗指導書，設計了22個課程實驗，所有實驗均進行了詳細實驗步驟圖文描述，方便用戶老師進行課程編排。
實驗一、初識ROS | 實驗十二、彩色圖像中的二維碼識別 |
實驗二、Node、Topic和Launch文件 | 實驗十三、立體視覺的數據獲取 |
實驗三、速度控制Node的編程實現 | 實驗十四、基于立體視覺的平面識別 |
實驗四、激光雷達的數據獲取 | 實驗十五、基于立體視覺的物體定位 |
實驗五、ROS的SLAM建圖系統 | 實驗十六、機械臂關節控制的編程實現 |
實驗六、ROS的Navigation導航系統 | 實驗十七、機械臂MoveIt!運動規劃 |
實驗七、導航控制Node的編程實現 | 實驗十八、機械臂的運動學正解 |
實驗八、MapTools插件的使用 | 實驗十九、機械臂的運動學逆解 |
實驗九、彩色相機的數據獲取 | 實驗二十、物品的識別和抓取 |
實驗十、基于平面視覺的特征提取 | 實驗二十一、基于任務腳本的多點巡航 |
實驗十一、基于平面視覺的目標跟蹤 | 實驗二十二、移動抓取機器人綜合實訓 |
產品附贈所有實驗的參考課件PPT，助力老師快速開課。
產品附帶源碼開放，支持進一步的擴展開發。
綜合實訓
隨著人民生活水平的不斷提高，綠色生態、健康環保的生活方式開始逐漸被重視。尤其是垃圾分類處理的政策實施，在減少城市垃圾產出，改善市容街道環境方面取得了巨大成效。
為了將“新基建”的理念貫徹到垃圾分類處理的事業中，進一步提高垃圾分類的質量和效率，我們專門設計了垃圾分揀機器人這么一個綜合實訓項目。用人工智能、環境建模、定位導航等技術手段進一步提高垃圾分類過程的自動化水平，真正達到環保高效并且能夠大范圍復制推廣的目的，為我國人民的生活質量改善貢獻一份努力。該實訓項目要求機器人運行在一個模擬公共場所的場景中，自動進行導航。在不觸碰損壞公共設施的前提下，搜集場景中的垃圾物品，并將其投入對應顏色的分類垃圾箱內。
實訓場景示意圖
啟智MANI機器人搜集環境中的垃圾物品
啟智MANI機器人將垃圾物品投入相應分類的垃圾箱
在綜合實訓中，充分運用了啟智MANI機器人的建圖導航和視覺抓取等多種技能。很好的將機器人課程中的分散的獨立知識點進行了融合貫通，讓學生真正做到學以致用，學之能用，的投入到機器人各項技術的學習實踐中來，為將來在人工智能行業的就業和學術研究奠定一個堅實的基礎。
