使用Arduino UNO Q开发一个桌面级机器人，通过设备内置的机器学习技术检测人脸，并实时朝向目标移动

该项目将计算机视觉与机器人技术集成于一块电路板上。摄像头捕捉视频，轻量级的人脸检测模型(由Edge Impulse提供支持)定位人脸，比例控制器则将该位置转换为差分轮子指令，整个过程每秒约10至15帧。

UNOQ的分体式结构使得这一点成为可能：

•MPU(高通，Linux)--> 用Python运行机器学习模型和控制逻辑

•MCU(STM32、Zephyr RTOS)用于以实时精度驱动舵机PWM

两个处理器通过桥接RPC通信，这是一种基于MessagePack的协议，通过内部串行链路传输。这种分离方式将复杂的推理任务从实时路径中移开，同时保持电机控制的确定性。

基于浏览器的Web界面可让您实时监控检测结果并调整转向参数，无需重新编译。

先决条件

硬件

软件

•Arduino App Lab v0.6 或更高版本(在浏览器中运行，无需本地安装)

•与UNO Q在同一网络中的计算机

•Edge Impulse Studio Studio Studio 账户

架构概览

该系统分为三层：

为什么要将MPU和MCU分开?机器学习推理计算量大且非确定性，应运行在Linux处理器上;而舵机PWM时序对安全性至关重要，必须无抖动，因此需部署在实时微控制器上。通过桥接RPC连接两者，往返延迟约为8毫秒。

硬件组装

底盘概览

机器人采用简单的差动驱动布局：

•两个安装在相对两侧的连续旋转伺服电机

•后轮转向或滑动点，用于提升稳定性

•用于UNO Q和相机的顶部安装平台

•USB移动电源放置在平台上方或下方作为镇流器使用。

连续旋转伺服电机简化了接线。1500微秒的脉冲表示停止，低于1500微秒时单向旋转，高于1500微秒时反向旋转。

布线

•在伺服电源和地线之间并联一个100微法的电容，以吸收电流尖峰。

•将网络摄像头连接到USB-C分线器上的USB-A接口。USB-C端为UNO Q供电。

注意：右侧伺服电机相对于左侧是镜像安装的。固件通过脉冲反转标志来处理此问题，无需交叉线。

App Lab 中的项目设置

文件结构

每个 App Lab 项目都遵循以下布局：

配置砖块

砖块是预构建的中间件包，运行在MPU上。它们无需编写样板代码即可提供高级功能。本项目使用了两个：

视频对象检测，捕获摄像头帧，运行人脸检测模型，并通过回调函数将结果传递给你的Python代码

web_ui 用于提供 HTML/JSJSJS 前端仪表盘，并配备 Socket.IO 服务器以实现实时通信。

模型：人脸检测线选择了一个内置的轻量级人脸检测模型，无需训练或 Edge Impulseulseulse 账户。

草图依赖项

在 sketch/sketch.yaml 中，主要的库是 Arduino_RouterBridge(桥接 RPC)和 Servo(PWM 输出)：

MCU固件设计为极简，它通过Bridge RPC接收脉宽命令，并将这些命令写入PWM硬件。所有决策均由MPU完成。

Bridge RPC RPC RPC 端点

关键概念：

Arduino Servoo 库通过 attach(pin 和 writeMicroseconds()() 处理 PWM 输出。这比依赖于设备树索引映射的底层 Zephyr PWM API(pwm_set_dt)更具可移植性，因为后者在不同板型版本之间可能存在差异。

Bridge.provide_safe() 会注册该函数，使其在 Arduino 的 loop() 上下文中运行，从而确保 PWM PWM 写入等硬件操作的安全性。切勿使用 Bridge.provide()()() 调用 GPIO、舵机或电机相关功能，因为这些调用会在后台的 RPC RPC RPC 线程中执行，硬件 API API 可能在此时失败。

脉冲反转用于处理镜像的右舵机：反转时，脉冲值为3000减去脉冲数。这会将脉冲在1500微秒的停止点周围进行镜像，因此Python发出的相同“前进”指令会使两个轮子朝同一物理方向移动。

空的 loop() 是正确的，BridgeBridge 库会内部钩入 loop，以分发排队的 provide_safe_safe 回调。

连续旋转伺服基础

离1500越近，轮子转动越慢。本项目使用最大±125微秒的偏移量，实现响应灵敏且安全可靠的运动。

MPU应用：从检测到转向

MPU上的Python应用程序承担着三项职责：接收来自视觉模块的检测信息、计算转向指令，并与MCU和Web用户界面进行通信。

砖块初始化

VideoObjectDetectionDetectionDetection 块每次处理一帧时都会触发回调。on_detect_all_all 变体会为每一帧触发，包括没有检测到对象的帧，有助于保持看门狗时间戳的新鲜度：

检测格式

砖块以字典形式返回检测结果，每个标签对应一个检测实例列表：

每个实例包含一个置信度分数以及一个边界框坐标元组(x_min, y_min, x_max, y_max)，单位为像素。TARGET_CLASS_CLASS_CLASS 常量必须与模型的标签完全匹配，内置人脸检测模型的标签为 "face"。

重要提示：每个标签的值始终是一个列表，即使只检测到一个对象。如果代码期望每个标签对应一个普通的字典(不包含列表包装)，则会静默忽略所有检测结果。

比例转向控制器

控制器将面部的水平位置转换为差分轮子指令：

1. 找到人脸的边界框中心

2. 归一化到 0.0(左边缘)— 1.0(右边缘)

3. 计算偏移误差：(中心 - 0.5) × 2.0 → → → 范围为 -1.00 到 +1.0

4. 应用死区(忽略微小误差以抑制抖动)

5. 使用幂曲线进行形状响应(压缩大误差)

6. 按 STEER_GAIN → → → 转向速度调整

7. 转换为差分脉冲：左 = 1500 + + + 转数，右 = 1500 - - - 转数

功率曲线(STEER_CURVE = 0.4)使小误差时响应更激进，靠近车架边缘时响应更平缓，是一种适用于此场景的简单PID替代方案。

漂移与丢失目标

当面部短暂消失(遮挡、眨眼或短暂移开视线)时，控制器会在最后一个已知位置上保持一段时间(默认为0.5秒)，即TRACKING_TIMEOUT秒后，宣布目标丢失。这可避免出现抖动的启停行为。

当目标真正丢失时，机器人会停止。可选的搜索模式(默认关闭)会缓慢旋转以扫描面部。

桥接通信与速率限制

UNO Q Q Q 桥接器没有内部队列，命令发送过快会导致串行链路崩溃。应用程序将桥接器调用限制在每 20 Hz(5000 毫秒间隔)以内：

Bridge.notify() 是“即发即忘”(无需等待响应)，可避免阻塞推理循环。而 Bridge.call()() 则会等待返回值，从而减慢控制循环的运行速度。

安全提示：紧急停止功能完全绕过速率限制，以确保MCU能立即接收到停止指令。

看门狗

后台线程会检查检测回调是否已停止发送。如果在1.5秒内没有触发任何回调(表明相机或管道出现故障)，看门狗将强制发出停止命令：

网页用户界面

仪表板可在同一网络中的任何浏览器上运行，提供实时监控和参数调优功能。

功能

所有滑块调整通过 Socket.IO.IO.IO 立即生效，无需重启。这使得调参变得快速：调整一个滑块，观察机器人的响应，重复操作即可。

部署并运行

App Lab 用户界面

1. 在浏览器中打开 Arduino App Lab

2. 创建一个新应用或导入项目文件

3. 点击运行，App Lab Lab 将代码编译后，闪存 MCU MCU 并启动 Python Python 应用程序

首次启动检查清单

1. 检查日志中的 sample_detectionsetections 行，它会在第一帧上打印原始检测数据。请验证：

标签为“face”(与TARGET_CLASS匹配)

边界框坐标与您的相机分辨率相匹配

2. 打开 Web UI，你应该能在“最近检测”中看到视频流和检测事件。

3. 验证舵机，请在用户界面中按下电机测试按钮。两个轮子应先向左转动，暂停，然后向右转动。如果不符合，请检查接线和舵机电源，然后再进行面向跟踪。

调校指南

转向方向

如果机器人转向远离你的脸而不是朝向它，请在 main.py 中翻转转向标志：

画幅宽度校准

检查 sample_detections 日志输出。如果 bounding_box_xyxy 中的最大 x x x 坐标与 FRAME_WIDTH_FALLBACK(默认为 640)有显著差异，请更新该常量使其匹配。错误的数值会导致转向不均匀或变弱。

增益调谐

从这些默认值开始，使用网页界面的滑块进行调整：

工作流程：将机器人放在桌面上，先设置初始参数。逐渐增大STEER_GAIN，直到机器人能平稳地对准你的面部。如果出现左右摆动(过冲)，则需降低增益值。调校完成后，更新main.py中的默认参数，使机器人启动时使用合适的初始值。

本文编译自hackster.io