基于泰山派开发板的六轴机械臂DIY：从运动控制到视觉抓取全流程

这次我们来看一个基于泰山派开发板实现的桌面级机械臂项目。这个项目最吸引人的地方在于，它用一块价格亲民、性能足够的国产开源硬件，结合3D打印和开源软件，完整复现了一个具备基础运动控制、视觉识别和抓取功能的六轴机械臂。对于嵌入式开发者、机器人爱好者，或者任何想低成本入门机器人学的人来说，这是一个极具实操价值的参考案例。

本文将带你从零开始，了解如何利用泰山派（Tianshan Pi）这块开发板，配合步进电机、舵机、3D打印结构件和开源固件，搭建一个属于自己的桌面级机械臂。我们会重点关注硬件选型与连接、核心控制逻辑的编写、运动学解算的实现，以及如何通过简单的视觉模块（如OpenCV）赋予其“眼睛”功能。整个过程不涉及复杂的工业级控制器，成本可控，代码开源，非常适合在实验室、创客空间或个人工作台上进行学习和二次开发。

1. 核心能力速览

2. 适用场景与使用边界

这个DIY桌面机械臂项目主要适合以下几类人群和场景：

• 嵌入式与机器人学习者：想通过一个完整的项目，学习从硬件选型、电路连接到运动控制、视觉算法的全流程。
• 高校或中学的科创教育：作为机器人社团或相关课程的实践平台，成本低，安全性高。
• 创客与极客：用于实现一些自动化的趣味应用，如自动分拣小零件、自动浇水、玩魔方等。
• 产品原型验证：验证某些自动化流程的可行性，无需投入昂贵的工业机械臂。

使用边界与注意事项：

1. 非工业级：3D打印结构件和通用舵机的精度、刚度和负载能力（通常<500g）有限，不能用于精密装配或重物搬运。
2. 安全第一：机械臂运动时具有一定动能，务必在空旷、稳定的桌面操作，远离人体，尤其是面部和手指。调试时先低速运行。
3. 电气安全：电机驱动部分（12V/24V）与开发板（5V/3.3V）需做好电源隔离，避免高压窜入烧毁主控。
4. 合法合规：本项目用于学习和研究。若用于公共演示或涉及他人肖像、物品，需确保安全并遵守相关规定。所有视觉识别功能应在本地处理，注意隐私保护。

3. 环境准备与前置条件

在开始动手前，你需要准备好以下硬件和软件环境。

硬件清单：

1. 主控制器：泰山派开发板（或类似性能的Arm Linux开发板，如树莓派） 1块。
2. 机械结构：
   • 6轴机械臂3D打印图纸（STL文件），通常可在开源社区（如GitHub、Thingiverse）找到。
   • 3D打印机及耗材（PLA+推荐）。
   • 配套的螺丝、螺母、轴承（如法兰轴承、深沟球轴承）。
3. 执行机构：
   • 方案A（舵机）：6个舵机（如MG996R，扭矩需足够）、舵机支架、舵盘。优点是控制简单。
   • 方案B（步进电机）：6个42步进电机、对应的步进电机驱动器（如A4988、TMC2208）、联轴器。优点是精度高、保持力矩大。
4. 控制电路：
   • 舵机控制板（如PCA9685，通过I2C控制16路PWM）或步进电机驱动板。
   • 杜邦线（公对公、公对母）、电源线。
5. 电源：
   • 大功率开关电源（如12V 5A），为电机/舵机供电。
   • 5V 2A电源，为开发板供电。注意：切勿直接用电机电源给开发板供电，需隔离。
6. 视觉模块（可选但推荐）：USB摄像头一个。
7. 工具：螺丝刀套装、内六角扳手、电烙铁、万用表、剪线钳。

软件与环境清单：

1. 操作系统：泰山派官方或社区维护的Linux镜像（如Debian、Ubuntu Core），烧录到TF卡。
2. 开发环境：确保系统已安装Python3（>=3.7）及pip。
3. 必要Python库：

   # 通过SSH登录泰山派后安装 sudo apt update sudo apt install python3-pip python3-numpy python3-opencv pip3 install adafruit-circuitpython-pca9685 RPi.GPIO # 如果使用树莓派GPIO库的兼容层 # 注意：泰山派的GPIO控制库可能需要使用sunxi-gpio或 wiringPi 的Python绑定，请根据实际板卡型号查找对应库。

4. 代码管理：Git，用于克隆开源项目代码。

   sudo apt install git

4. 机械组装与电路连接

这是最考验动手能力的环节，务必耐心细致。

4.1 机械结构组装

1. 打印零件：使用3D打印机将所有结构件（基座、大臂、小臂、腕部等）打印完成，建议使用20%以上的填充率以保证强度。
2. 预处理：清理打印件的支撑和毛刺，必要时对轴孔进行扩孔或打磨，确保轴承和电机轴能顺畅安装。
3. 顺序组装：严格按照开源项目提供的组装手册进行。通常顺序是从基座开始，依次安装腰部旋转关节、大臂、小臂、腕部旋转、腕部俯仰、末端执行器（夹爪）。在连接处涂抹少量润滑油。
4. 安装执行器：将舵机或步进电机固定到对应的关节位置。如果是舵机，注意初始角度（通常为90度）的安装；如果是步进电机，通过联轴器连接转轴。

4.2 电路连接以使用PCA9685舵机控制板为例：

1. 连接PCA9685与泰山派：
   • VCC -> 泰山派 5V
   • GND -> 泰山派 GND
   • SDA -> 泰山派 I2C SDA引脚（需查询泰山派引脚图）
   • SCL -> 泰山派 I2C SCL引脚
2. 连接舵机与PCA9685：
   • 6个舵机的信号线（通常是黄色或橙色）分别连接到PCA9685的0~5通道。
   • 舵机的VCC（红色）和GND（棕色）可以并联后接到一个独立的5V/6V大电流电源上。切勿直接从PCA9685或泰山派取电给多个舵机，电流不够！
3. 电源隔离：
   • 电机电源：12V开关电源正负极接到一个接线端子上，再分给各个舵机供电电路。
   • 逻辑电源：5V开关电源单独给泰山派和PCA9685供电。
   • 共地：确保电机电源的GND和逻辑电源的GND连接在一起，形成共同的参考地。

重要检查：上电前，用万用表确认所有电源线连接正确，无短路。

5. 基础控制与软件部署

组装完成后，我们开始让机械臂“动起来”。

5.1 测试PCA9685与舵机首先，写一个简单的Python脚本测试每个舵机是否能被控制。

#!/usr/bin/env python3 import time from board import SCL, SDA import busio from adafruit_pca9685 import PCA9685 # 初始化I2C总线 i2c_bus = busio.I2C(SCL, SDA) # 创建PCA9685实例，设置频率（舵机通常为50Hz） pca = PCA9685(i2c_bus) pca.frequency = 50 # 定义舵机通道（根据你的连接） servo_channels = [0, 1, 2, 3, 4, 5] # 对应6个关节 # 辅助函数：将角度（0-180）转换为PCA9685的占空比 def angle_to_duty_cycle(angle): # 脉宽范围通常为0.5ms(0°)到2.5ms(180°)，对应占空比2.5%到12.5% min_pulse = 0.5 # ms max_pulse = 2.5 # ms pulse = min_pulse + (angle / 180.0) * (max_pulse - min_pulse) duty_cycle = int((pulse / 20) * 0xFFFF) # 20ms周期 return duty_cycle # 测试：让每个舵机从0度转到180度再转回 for channel in servo_channels: print(f"Testing servo on channel {channel}") pca.channels[channel].duty_cycle = angle_to_duty_cycle(0) time.sleep(1) pca.channels[channel].duty_cycle = angle_to_duty_cycle(180) time.sleep(1) pca.channels[channel].duty_cycle = angle_to_duty_cycle(90) # 回到中间位置 time.sleep(1) print("All servos test completed.") pca.deinitialize()

运行此脚本，观察每个关节是否按预期运动。如果某个舵机不动，检查接线、电源和通道号。

5.2 正向运动学与基础运动要让机械臂末端到达指定空间位置，需要用到运动学。我们先实现正向运动学（FK），即给定各关节角度，计算末端位置。

import numpy as np import math class Simple6DOFArm: def __init__(self, link_lengths): # link_lengths: [a1, a2, a3, a4, a5, a6] 各连杆长度（DH参数中的a） self.link_lengths = link_lengths def dh_matrix(self, theta, alpha, a, d): """计算标准的DH变换矩阵""" ct = math.cos(theta) st = math.sin(theta) ca = math.cos(alpha) sa = math.sin(alpha) return np.array([ [ct, -st*ca, st*sa, a*ct], [st, ct*ca, -ct*sa, a*st], [0, sa, ca, d], [0, 0, 0, 1] ]) def forward_kinematics(self, joint_angles): """正向运动学，输入为6个关节角度（弧度）""" T = np.eye(4) # 这里需要根据你机械臂的实际DH参数填写 # 以下是一个示例参数，你必须根据自己机械臂的3D模型修改 dh_params = [ (joint_angles[0], math.pi/2, 0, self.link_lengths[0]), (joint_angles[1], 0, self.link_lengths[1], 0), (joint_angles[2], 0, self.link_lengths[2], 0), (joint_angles[3], -math.pi/2, 0, self.link_lengths[3]), (joint_angles[4], math.pi/2, 0, 0), (joint_angles[5], 0, 0, self.link_lengths[5]) ] for theta, alpha, a, d in dh_params: T = T @ self.dh_matrix(theta, alpha, a, d) position = T[:3, 3] return position # 使用示例 arm = Simple6DOFArm(link_lengths=[0.1, 0.2, 0.15, 0.05, 0, 0.1]) # 单位：米 joints = [0, math.radians(30), math.radians(-20), 0, 0, 0] # 关节角度 end_pos = arm.forward_kinematics(joints) print(f"End effector position: {end_pos}")

你需要根据自己机械臂的尺寸修改link_lengths和dh_params。这是最核心的一步，参数不准，后续所有运动都不准。

6. 运动规划与逆向运动学

有了正向运动学，我们更常需要的是逆向运动学（IK）：给定末端目标位置（和姿态），反解出各个关节的角度。

6.1 逆向运动学实现对于6轴机械臂，解析解可能很复杂。对于学习项目，可以采用数值解法（如雅可比矩阵迭代）或使用现成的库（如ikpy）。这里展示一个使用ikpy的简单示例。

# 在泰山派上安装ikpy pip3 install ikpy

import ikpy.chain import numpy as np # 1. 根据你的机械臂URDF文件创建链，或者手动定义 # 这里手动定义一个简单的链（需要精确填写你的DH参数） my_chain = ikpy.chain.Chain.from_urdf_file("your_arm.urdf") # 推荐方式：先创建URDF文件 # 或者（简化示例）： # links = [...] # my_chain = ikpy.chain.Chain(name='my_arm', links=links) # 2. 计算逆向运动学 # 目标位置和姿态（4x4齐次变换矩阵） target_position = [0.2, 0.1, 0.3] # x, y, z (米) # 假设我们只关心位置，末端姿态保持默认（朝下） target_frame = np.eye(4) target_frame[:3, 3] = target_position # 计算关节角度（弧度） ik_joints = my_chain.inverse_kinematics(target_frame) print("IK solved joint angles (rad):", ik_joints) # 3. 验证：用正向运动学计算末端位置，看是否接近目标 fk_frame = my_chain.forward_kinematics(ik_joints) print("FK from IK result:", fk_frame[:3, 3])

注意：ikpy需要你提供机械臂的URDF描述文件。你可以使用SolidWorks、Fusion 360导出，或用文本手动编写。这是项目中的一个难点，但也是理解机器人建模的关键。

6.2 轨迹规划让机械臂平滑地从A点运动到B点，需要轨迹规划。最简单的就是关节空间的线性插值。

import time def move_joints_smoothly(pca, start_angles, target_angles, duration=2.0, steps=50): """平滑移动关节角度（角度制）""" for i in range(steps+1): ratio = i / steps current_angles = [] for start, target in zip(start_angles, target_angles): current_angles.append(start + ratio * (target - start)) # 设置所有舵机到当前角度 for idx, channel in enumerate(servo_channels): duty = angle_to_duty_cycle(current_angles[idx]) pca.channels[channel].duty_cycle = duty time.sleep(duration / steps) # 使用示例：从初始姿态移动到某个目标姿态 start_angles = [90, 90, 90, 90, 90, 90] # 初始角度 target_angles = [120, 60, 110, 80, 90, 90] # 目标角度 move_joints_smoothly(pca, start_angles, target_angles, duration=3.0)

7. 视觉识别集成（OpenCV）

为机械臂装上“眼睛”，实现基于视觉的抓取。

7.1 摄像头标定与颜色识别首先，确保USB摄像头已连接，并安装OpenCV。

import cv2 import numpy as np def find_color_object(frame, lower_color, upper_color): """在图像中寻找特定颜色范围的物体，返回其轮廓和中心点""" hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv, lower_color, upper_color) mask = cv2.erode(mask, None, iterations=2) mask = cv2.dilate(mask, None, iterations=2) contours, _ = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if len(contours) > 0: # 找到最大轮廓 c = max(contours, key=cv2.contourArea) ((x, y), radius) = cv2.minEnclosingCircle(c) M = cv2.moments(c) if M["m00"] > 0: center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"])) return center, int(radius) return None, 0 # 主循环示例 cap = cv2.VideoCapture(0) # 0是默认摄像头 # 定义红色物体的HSV范围（需要根据实际环境调整） lower_red = np.array([0, 100, 100]) upper_red = np.array([10, 255, 255]) while True: ret, frame = cap.read() if not ret: break center, radius = find_color_object(frame, lower_red, upper_red) if center is not None and radius > 10: cv2.circle(frame, center, radius, (0, 255, 0), 2) cv2.circle(frame, center, 5, (0, 0, 255), -1) # 这里可以将像素坐标 center 通过相机标定转换为机械臂基座标系下的坐标 # target_x, target_y = pixel_to_world(center[0], center[1]) # 然后调用逆运动学，控制机械臂移动到该坐标上方 cv2.imshow('Frame', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

7.2 手眼标定将摄像头看到的像素坐标(u, v)转换成机械臂基座坐标系下的真实坐标(x, y, z)，是视觉抓取的核心，这个过程称为手眼标定。一个简单的方法是使用一个已知尺寸的标定板（如棋盘格），让机械臂末端移动到标定板上的多个已知点，同时记录摄像头中该点的像素坐标，然后求解变换矩阵。这是一个独立且重要的课题，建议参考OpenCV的calibrateCamera和solvePnP函数。

8. 系统集成与主控程序

将运动控制、轨迹规划和视觉识别整合到一个主循环中。

import time from enum import Enum class ArmState(Enum): IDLE = 0 HOMING = 1 SCANNING = 2 MOVING_TO_TARGET = 3 GRASPING = 4 PLACING = 5 class DesktopArmController: def __init__(self, pca, camera_index=0): self.pca = pca self.state = ArmState.IDLE self.current_joints = [90, 90, 90, 90, 90, 90] # 初始角度 self.cap = cv2.VideoCapture(camera_index) # 初始化其他组件：运动学链、标定参数等 # self.chain = ... # self.camera_matrix = ... def go_home(self): """回到初始安全位置""" target = [90, 90, 90, 90, 90, 90] self.move_smooth(target, duration=2.0) self.current_joints = target def scan_for_object(self): """扫描工作区，寻找目标物体""" # 简化：固定摄像头位置，识别物体 ret, frame = self.cap.read() if ret: center, _ = find_color_object(frame, lower_red, upper_red) if center: # 转换坐标，计算目标点（高度固定） world_x, world_y = self.pixel_to_world(center[0], center[1]) target_position = [world_x, world_y, 0.05] # Z=5cm above table return target_position return None def pick_and_place(self, pick_pos, place_pos): """执行抓取和放置动作序列""" # 1. 移动到抓取点上方 self.move_to(pick_pos[0], pick_pos[1], pick_pos[2] + 0.1) # 2. 下降 self.move_to(pick_pos[0], pick_pos[1], pick_pos[2]) # 3. 闭合夹爪（假设通道5控制夹爪） self.set_servo_angle(5, 30) # 闭合 time.sleep(0.5) # 4. 抬起 self.move_to(pick_pos[0], pick_pos[1], pick_pos[2] + 0.1) # 5. 移动到放置点上方 self.move_to(place_pos[0], place_pos[1], place_pos[2] + 0.1) # 6. 下降 self.move_to(place_pos[0], place_pos[1], place_pos[2]) # 7. 张开夹爪 self.set_servo_angle(5, 90) # 张开 time.sleep(0.5) # 8. 抬起 self.move_to(place_pos[0], place_pos[1], place_pos[2] + 0.1) def main_loop(self): self.go_home() while True: if self.state == ArmState.IDLE: target_pos = self.scan_for_object() if target_pos: self.state = ArmState.MOVING_TO_TARGET # 计算放置位置（例如固定位置） place_pos = [0.15, 0.1, 0.05] self.pick_and_place(target_pos, place_pos) self.state = ArmState.IDLE self.go_home() time.sleep(0.1) # ... 其他具体实现方法 move_smooth, move_to, set_servo_angle, pixel_to_world ...

这是一个高度简化的框架，实际应用中需要加入大量的错误处理、状态检查和安全性判断。

9. 常见问题与排查方法

在搭建和调试过程中，你几乎一定会遇到以下问题。

10. 最佳实践与进阶建议

完成基础功能后，你可以从以下方向深化项目，使其更稳定、更智能。

1. 仿真先行：在投入硬件前，使用PyBullet、CoppeliaSim (V-REP)或ROS的rviz进行运动学和动力学仿真。这能极大节省调试时间，验证算法。
2. 引入ROS：将泰山派作为ROS节点。这样，运动规划、视觉、SLAM等模块可以利用ROS庞大的生态，例如使用moveit进行高级运动规划。
3. 提高精度：
   • 闭环控制：为步进电机加装编码器，实现位置闭环。
   • 相机标定：认真完成高精度的相机内参和外参（手眼）标定。
   • 末端校准：制作一个尖点工具，进行精确的末端工具坐标系标定（TCP标定）。
4. 安全与可靠性：
   • 软件限位：在代码中为每个关节设置硬性角度限制，防止撞到自身或桌面。
   • 急停开关：外接一个物理急停按钮，连接到开发板的中断引脚。
   • 状态监控：实时记录关节角度、电流、温度，异常时触发保护。
5. 扩展应用：
   • 更换末端执行器：将夹爪换成吸盘、画笔、激光笔，实现不同功能。
   • 添加传感器：在末端加装力传感器，实现力控装配；加装距离传感器，实现避障。
   • 联网与控制：开发一个简单的Web UI或手机APP，通过局域网远程控制机械臂。

这个基于泰山派的桌面机械臂项目，其价值远不止于拼装出一个会动的玩具。它是一条完整的“学-做-用”路径，让你亲身体验从机构设计、电子电路、嵌入式编程、运动控制到机器视觉的每一个环节。最大的门槛不是理论，而是耐心调试和解决一个个具体的工程问题。建议从完全复现一个开源项目开始，确保基础功能跑通，然后再逐一修改和添加自己的功能模块。当你的机械臂终于准确地夹起第一个目标物体时，那种成就感就是对这个项目最好的回报。