当脑海中浮现机器人的形象时，您可能会联想到巨大的机械手臂，工厂车间里盘绕的随处可见的线圈和线束，以及四处飞溅的焊接火花。这些机器人与大众文化和科幻小说中描绘的机器人大不相同，在后者中，机器人常以人们日常生活助手的形象示人。
如今，人工智能技术的突破正在推动服务型机器人、无人飞行器和自主驾驶车辆的机器人技术发展，市场规模预计将从 2016 年的 310 亿美元增加到 2020 年的 2370 亿美元[1]。
随着机器人技术的进步，互补传感器技术也在进步。就像人类的五官感觉一样，通过将不同的传感技术结合起来，可在将机器人系统部署到不断变化、不受控制的环境中时取得最佳效果。互补金属氧化物半导体 (CMOS) 毫米波 (mmWave) 雷达传感器是机器人感知方面一项相对较新的技术。
机器人传感器技术包括力和扭矩传感器、触摸传感器、一维/二维红外 (IR) 测距仪、三维飞行时间激光雷达传感器、摄像机、惯性测量单元 (IM U)、GPS 等。CMOS 毫米波雷达传感器可精确测量其视野范围内物体的距离以及任何障碍物的相对速度。这些感应技术各有优缺点，如表 1 所示。
表 1.传感器技术比较。
与基于视觉和激光雷达的传感器相比，毫米波传感 器的一个重要优势是不受雨、尘、烟、雾或霜等环 境条件影响。此外，毫米波传感器可在完全黑暗中 或在阳光直射下工作。这些传感器可直接安装在无 外透镜、通风口或传感器表面的塑料外壳后，非常 坚固耐用，能满足防护等级 (IP) 69K 标准。此外， TI 的毫米波传感器的体积小、重量轻，生产设计
体积是微型激光测距仪的三分之一，重量是其一半[2]。
图 1 说明了玻璃墙和隔墙在现代建筑中的应用， 而服务型机器人（例如真空吸尘或拖地机器人）需要感知这些表面以防止碰撞。 事实证明，使用摄像机和红外传感器很难检测这些元素。但毫米波传感器可检测到玻璃墙的存在及其后面的物体。
图 1.现代建筑广泛使用玻璃表面。
为演示这一功能，我们设置了一个简单的实验，对 80c m 远处的一块玻璃使用德州仪器 (TI) IWR1443BOOST 毫米波传感器评估模块 (EVM)。
然后，我们在玻璃后面 140cm 处的位置放置了一个墙板，如图 2 所示。
图 2.设置用于检测玻璃墙的测试。
在毫米波演示可视化工具中使用 EVM 随附的演示软件和可视化工具，图 3 中显示的结果明确证明了毫米波传感器可检测玻璃墙面及其背后的墙板。
图 3.显示玻璃板和墙板检测的试验结果。
精确的里程计信息对于机器人平台的自主移动必不可少。
可通过测量机器人平台上车轮或皮带的转动来获得此信息。然而，如果车轮在松散砾石、泥地或湿地等表面上打滑时，这种低成本方法显然无法轻松凑效。
更先进的系统可通过增加一个 IMU（有时通过 GPS 增强）来确保里程计非常精确。毫米波传感器可通过向地面发送线性调频信号并测量返回信号的多普勒频移，为穿越不平坦的地形或底盘俯仰和偏航情况较多的机器人提供额外的里程计信息。图 4 显示了对地速度毫米波雷达传感器在机器人平台上的潜在配置。 是 将雷达指向平台前（如图所示）还是指向平台后（农用车辆的标准做法）需进行权衡。如果指向平台前，则也可使用同一毫米波传感器来检测表面边缘，避免不可恢复的平台损失，如从仓库装运台上跌落。如果指向平台后，则可将传感器安装在平台的重心点上，尽量减少俯仰和偏航对测量的影响，这在农业应用中是一个大问题。
图 4.机器人平台上的对地速度雷达配置。
方程 1 计算均匀理想条件下的速度：
其中 V 是车辆的速度， λ 是发射信号的波长， θ 是天线俯角，而 fd 是多普勒频率（单位：Hz）。
扩展方程 1 能够补偿变量（例如，导致传感器俯仰、偏航和翻滚的非均匀地形）的速度测量误差，并引入转动速度分量。这些计算超出了本文的范围， 但一般可在文献中找到它们。[3]
随着机器人在服务能力或在灵活的低批量处理自动化任务中与人类发生更多的交互，必须确保它们不会对与之交互的人造成伤害，如图 5 所示。
图 5.未来的机器人将与人类有更多的交互。
在过去，常用方法是在机器人的工作区域周围打造一个安全屏障或排除区域，确保物理隔离，如图 6 所示。
图 6.带有物理安全笼的机械臂。
传感器使虚拟安全幕或气泡能够将机器人操作与非计划的人类交互分开，同时避免机器人与机器人发生由于密度和操作可编程性增加而导致的碰撞。基于视觉的安全系统需要受控制的照明，这会增加能耗、产生热量且需要维护。在尘土飞扬的制造环境（如纺织或地毯编织）中，需要经常清洁和注意透镜。
图 7.TI IWR 毫米波传感器处理链。
由于毫米波传感器非常强大，无论车间的照明、湿度、烟雾和灰尘情况如何，都可检测物体，因此它们非常适合取代视觉系统， 并且可以极低的处理延迟（通常少于 2ms）下提供这种检测。由于这些传感器视野宽阔且探测距离较长，将其安装在工作区域上方可简化安装过程。只使用一个毫米波传感器即可检测多个物体或人员， 减少所需传感器数量并降低成本。
毫米波雷达传感器可通过模数转换器将射频 (RF) 前端模拟数据转换为数字表示形式。这种数字转换的数据需要高速外部数据总线，以将数据流引入处理链，然后经过一系列数学运算对在传感器视野范围内检测到的点生成距离、速度和角度信息。 由于这些系统通常规模较大且成本高昂，因此 TI 试图将所有这些功能集成到一个单片CMOS 器件上，以减小尺寸，降低成本和功耗。额外的数字处理资源 现可进行聚合、跟踪和分类等任务的数据后处理，如图 7 所示。
走在毫米波传感器前面的人会产生多个反射点。可在常用的机器人操作系统可视化 (RVIZ) 工具中， 将检测到的所有点映射到相对于传感器的三维区域中（如图 8 所示）。
图 8.RVIZ 中显示的由 IWR1443BOOST EVM 捕捉的人体点云。
此映射会收集四分之一秒内的所有点。收集到的点信息密度可提供高保真度，可清晰看到腿和手臂的运动，因此物体分类算法会将其归类为一个移动的人。三维区域中开放空间的清晰性对于移动机器人来说也是非常重要的数据，可确保它们能够自主操作。
使用 IWR1443BOOST EVM 检测到的物体点信息，然后就可以演示如何使用毫米波雷达作为唯一的传感器，精确地映射房间内的障碍物并在标识的自由空间内进行自主操作。
存在几个机器人开源社区，包括 Robot OS (ROS) 和 Arduino。为了快速演示如何在映射和导航应用中使用毫米波雷达，我们选择了Robot OS 和安装在 ROS 社区 Turtlebot 2 开发平台的 IWR1443BOO ST EVM，如图 9 所示。
图 9.IWR144 3 BOOST 安装在 Turtle bot 2 上的 EV M。
通过对 EVM 实现基本驱动程序 (ti_mmwave_rospk g)，我们使用 OctoMap 和 move_base 库将点云信息集成到导航堆栈中，如图 10 所示。
图 10.与配备有 IWR1443BOOST 的 Turtlebot 2 配合使用的 ROS 库导航堆栈。
我们在内部办公环境中设置障碍并使 Turtlebot 2 通过该区域，使用 OctoMap 库建立一个三维栅格地图。图 11 是使用 RVIZ 的栅格屏幕截图。
图 11.使用 OctoMap 库在 ROS 中生成栅格地图。
我们使用从 OctoMap 和 move_base 生成的地图， 输入最终目的地和姿势位置，如图 12 屏幕截图中的绿色箭头所示。
图 12.使用 IWR1443BOOST EVM 栅格地图和 ROS mo ve_base 库，使 Turtlebot 2 进行自主导航
Turtlebot 2 成功高效地导航到了 选定的位置，然后旋转到适当的姿势，避开其路线中静态和动态障碍物。这证明了使用一个面向未来的毫米波传感器快速在 ROS 环境中进行基本自主机器人导航的效果。
毫米波传感器最初非常昂贵且尺寸较大，并需要多个分立组件。
然而，由于现在 TI 将射频、处理和内存资源集成到一个单片 CMOS 芯片上，可以说 毫米波传感器将补充或取代已确立的机器人传感技术。
总之，以下是毫米波传感器与其他技术对比的优势：
毫米波传感器技术提高了机器人的智能化操作，同时在实际环境中 增强了耐用性。这项技术的应用将进一步加快机器人系统的快速采用。
最前沿的电子设计资讯
